Pengantar Teknologi Sistem Cerdas

Pengantar Teknologi Sistem Cerdas

Jurnal  : Data Mining Dalam Bisnis
Penulis : Veronika S.Moertini

PENALARAN
1.  Penalaran :
Dunia bisnis yang penuh persaingan membuat para pelakunya harus selalu
memikirkan strategi-strategi terobosan yang dapat menjamin kelangsungan
bisnis mereka. Salah satu aset utama yang dimiliki oleh perusahaan masa kini adalah data bisnis dalam jumlah yang luar biasa banyak. Ini melahirkan kebutuhan akan adanya teknologi yang dapat memanfaatkannya
untuck membangkitkan “pengetahuan-pengetahuan” baru, yang dapat
membantu dalam pengaturan strategi bisnis. Teknologi data mining hadir
sebagai solusi. Makalah ini akan mengulas permasalahan bisnis yang ada
dan dasar-dasar data mining melalui bahasan kegunaan, cara kerja dan
metodologi-metodologi populer pada teknologi ini (pohon keputusan,
klasifikasi, regresi non-linier, berbasis sampel, kebergantungan grafik, dll.).

Makalah ini  membahas kebutuhan bisnis, solusi yang dipikirkan para pelaku bisnis, pemanfaatan, cara kerja tugas dan metodologi-metodologi populer pada data mining. Bahasan akan diberikan dari sudut pandang pelaku bisnis dan peneliti. Hal ini dimaksudkan agar para pembaca memperoleh gambaran yang kongkret mengenai data mining di dunia bisnis, sekaligus juga mengenal konsep-konsep teoretis yang melandasi teknologi data mining.
2. Kebutuhan Bisnis
Dalam dunia bisnis yang selalu dinamis dan penuh persaingan, para pelakunya harus senantiasa memikirkan cara-cara untuk terus survive dan jika mungkin mengembangkan skala bisnis mereka. Untuk mencapai hal itu, dapat diringkaskan tiga kebutuhan bisnis,
yaitu1:
a) Penambahan jenis maupun
peningkatan kapasitas produk.
b) Pengurangan biaya operasi
perusahaan.
c) Peningkatan efektifitas pemasaran
dan keuntungan.
Aturan dan Pohon Keputusan Metodologi ini, yang menggunakan pemisahan (split) univariate, mudah dipahami oleh pemakai karena bentuk representasinya yang sederhana.. Akan tetapi, batasan-batasan yang diterapkan pada representasi aturan dan pohon tertentu dapat secara signifikan membatasi bentuk fungsional dari model.

MEMPELAJARI
3. Pemahaman Permasalahan dan
Konsep Dasar Solusi Bisnis
Langkah pertama untuk menyelesaikan
permasalahan bisnis adalah
mendefinisikan permasalahan dengan
sejelas-jelasnya. Sebagai contoh,
permasalahan umum yang dihadapi oleh
perusahaan-perusahaan dot-com adalah:
(1) Bagaimana menyajikan advertensi
kepada target yang tepat sasaran. (2)
Menyajikan halaman Web yang khusus
untuk setiap kustomer (mempersonalisasi
halaman Web) agar kustomer merasa
diperlakukan secara khusus dan
karenanya akan tetap setia dengan
perusahaan itu. (3) Menampilkan
informasi produk-produk lain yang biasa
dibeli bersamaan dengan produk tertentu.
(4) Mengklasifikasi artikel-artikel secara
otomatis. (5)Mengelompokkan pengun￾jung Web yang memiliki kesamaan
karakteristik tertentu. (6)Mengestimisasi
data yang hilang. (7) Memprediksi
kelakukan di masa yang akan datang2
.
Pencarian solusi dari masalah-masalah
ini akan berkaitan dengan penemuan dan
pemanfaatan dari berbagai jenis pola￾pola yang tersembunyi dari gudang data
yang kemungkinan sudah dimiliki oleh
perusahaan.
Penjelasan lebih lanjut dari masalah￾masalah di atas dan konsep dasar yang
dipikirkan oleh para pelaku dan
penganalisis bisnis sebagai solusinya
diberikan di bawah ini.
a. Perumusan target. Para ahli
pemasaran menggunakan teknik-teknik
tertentu untuk memilih orang-orang yang
menjadi target pemasaran untuk disuguhi
advertensi tertentu. Tujuannya antar lain
adalah untuk meningkatkan profit
perusahaan, pengenalan produk secara
luas, atau hasil-hasil terukur lainnya.
b. Personalisasi. Para ahli pemasaran
memanfaatkan personalisasi untuk
memilih advertensi yang paling sesuai
untuk (atau memberikan rekomendasi
tertentu kepada) orang tertentu.
Personalisasi dapat dipandang sebagai
kontradiksi dari “perumusan target”.

c. Asosiasi (juga dinamakan analisis
keranjang-pasar). Asosiasi ini
mengidentifikasi item-item produk yang
mungkin dibeli bersamaan dengan
produk lain, atau “dilihat” secara
bersamaan pada saat mencara informasi
mengenai produk tertentu. Pada halaman
Web, kustomer diingatkan untuk melihat
atau membeli produk-produk yang
berkaitan dengan produk yang menjadi
minat kustomer.
d. Manajemen pengetahuan. Sistem ini
mengidentifikasi dan memanfaatkan
pola-pola di dalam dokumen yang
berbahasa alami, atau berformat text. Di
sini didefinisikan asosiasi antara kata￾kata dan konteksnya dalam konsep
tingkat-atas. Hal ini dapat dilakukan
dengan “melatih” sistem dengan
dokumen-dokumen yang sudah ditandai
dengan konsep-konsep yang relevan.
Sistem kemudian membangun sebuah
pencocok pola untuk tiap konsep. Ketika
dihadapkan pada dokumen baru,
pencocok pola akan memutuskan tingkat
relevansi dari dokumen ini terhadap
konsep. Pendekatan ini dapat digunakan
untuk menyortir dokumen-dokumen baru
yang masuk ke dalam kategori-kategori
yang sudah ada. Juga dapat digunakan
untuk mempersonalisasi publikasi online.
Selain itu, dapat juga dimanfaatkan
untuk menciptakan atau membangkitkan
dokumen jawaban-jawaban secara
otomatis terhadap pertanyaan-pertanyaan
yang masuk.
e. Pengelompokan (Clustering).
Pengelompokan mengidentifikasi orang￾orang yang memiliki kesamaan
karakteristik tertentu, dan kemudian
menggunakan karakteristik tersebut
sebagai “vektor karakteristik” atau
“centroid”. Pengelompokan ini
digunakan oleh perusahaan untuk
membuat laporan mengenai karakteristik
umum dari grup-grup pengunjung
(kustomer) yang berbeda.
f. Estimasi dan Prediksi. Estimasi
menerka sebuah nilai yang belum
diketahui, misalnya penghasilan
seseorang, ketika informasi lain
mengenai orang tersebut diketahui.
Prediksi memperkirakan nilai untuk masa
mendatang, misalnya probabilitas orang
untuk membeli sebuah mobil baru tahun
depan, ketika orang itu belum
melakukannya. Atau nilai saham yang
akan dibeli tahun depan.
g. Pohon keputusan. Pohon keputusan
ini dapat dipandang sebagai diagram alir
dari titik-titik pertanyaan yang menuju
pada sebuah keputusan. Pohon keputusan
ini diterapkan pada sistem pemilihan
produk-produk yang dijual perusahaan.

ADAPTIV
4. Banyak perusahaan yang sudah
meluncurkan aplikasi data mining (KDD)
dan telah mendapatkan keuntungan.
Teknologi ini tidak hanya cocok untuk
digunakan oleh industri-industri yang
mengelola informasi secara intensif
seperti perbankan, tetapi juga perusahaan
apa saja yang ingin memanfaatkan
gudang data untuk memanajemen
kustomer dengan lebih baik. Dua faktor
penting yang menentukan keberhasilan
penggunaan dari data mining adalah:
gudang data yang berukuran besar dan
terintegrasi dengan baik, dan pemahaman
atau identifikasi yang baik terhadap
proses bisnis dimana data mining akan
diaplikasikan5
.
Beberapa contoh bidang-bidang bisnis
yang telah berhasil menerapkan aplikasi
data mining adalah:
a) Perusahaan farmasi dapat
menganalisis aktivitas penjualan
terkininya dan menggunakan hasil￾nya untuk mentargetkan dokter￾dokter yang berpotensi menggunakan
produknya dan menentukan aktifitas
pemasaran yang paling efektif untuk
beberapa bulan mendatang.
b) Perusahaan kartu kredit dapat
memanfaatkan data transaksi
kustomer-kustomernya untuk meran￾cang produk kredit baru yang akan
menarik minat para kustomer
tersebut.
c) Perusahaan transportasi yang
menyediakan berbagai jenis
pelayanan. Data mining dapat
digunakan untuk mengidentifikasi
prospek-prospek pelayanan yang
menjanjikan keuntungan.
d) Perusahaan produk makanan atau
kebutuhan sehari-hari. Data mining
dapat dimanfaatkan untuk
meningkatkan penjualan produk ke
para pengecer (retailer). Data
kustomer, pengiriman, aktivitas
kompetitor dapat digunakan untuk
menganalisis sebab-sebab kustomer
berpindah ke produk merek lain.
Kemudian, hasilnya dapat digunakan
untuk menyusun strategi pemasaran
yang lebih efektif

Kesimpulan
Data mining, yang hadir sebagai teknologi untuk memanfaatkan ketersediaan data bisnis yang melimpah, telah membantu para pelaku bisnis untuk mempertahankan dan mengembangkan bisnis mereka. Akan tetapi, agar  teknologi data mining dan KDD ini dapat dimanfaatkan terus dengan baik,

https://drive.google.com/file/d/1lBLyxVFfk_MrsSCylgtxKLak8wnLZZsI/view?usp=drivesdk