IT'S ABOUT DATA MINING, TEXT MINING, AND WEB MINING

 

NAMA            : ADINDA FEBIYANTI

KELAS           : AKUNTANSI 2020A

NIM                : 017

APA SIH DATA MINING, TEKS MINING, DAN WEB MINING ITU?

WHAT ARE DATA MINING, TEKS MINING, AND WEB MINING?

Kalian pasti seringkali merasa aneh dan penasaran ketika mendengar istilah data mining, teks mining, dan web mining. Dan tentunya tak jarang rasa penasaran itu menimbulkan beberapa pertanyaan dalam otak kalian, seperti apa sih data mining itu? Manfaat nya apa aja sih? Atau bisa dipake untuk apa aja sih si data mining dan kawan-kawan nya itu?. Nah pada postingan blog kali ini, aku akan membantu kalian menghapuskan sedikit rasa penasaran kalian, yuk langsung aja kita ke pembahasannya!

APA SIH DATA MINING ITU?

Menurut sekawanmedia.co.id mereka mengartikan data mining sebagai proses pengumpulan sebuah informasi penting pada suatu data yang berukuran besar. Untuk pengumpulan data tersebut dapat dilakukan melalui proses perhitungan statistika, matematika, maupun penggunaan teknologi AI (Artificial Intelligence).

Istilah lain dari data mining sendiri dapat berarti penambangan data yang berbentuk sebuah tool untuk melakukan analisa dengan teknik penyaringan informasi secara lebih akurat. Teknik tersebut biasanya dilakukan untuk menemukan beberapa pola – pola tertentu yang masih memiliki relevansi dengan goals atau instruksi dari pengguna (user).

Dari sini pasti kalian sudah ada sedikit gambaran mengenai data mining, lalu tipe informasi apa aja ya yang dapat diperoleh dari data mining?. Pasti kalian lebih penasaran lagi nih, yuk jangan bosen untuk membaca karena dengan membaca dapat menambah pengetahuan kita. HWAITING!!!

Apa Aja Ya Tipe Informasi Yang Dapat Diperoleh Dari Data Mining?

Perlu kalian ketahui bahwa, pada dasarnya data mining lebih terdorong pada penemuan. Data mining memberikan wawasan pada korporat, data yang tidak dapat diperoleh dengan OLAP (online analytical processing) dengan menemukan pola-pola yang tersembunyi serta hubungan dalam database yang besar dan aturan menarik kesimpulan dari mereka untuk memprediksikan perilaku pada masa yang akan datang.

Lalu tipe dari informasi yang dapat diperoleh dari data mining, meliputi asosiasi, urutan, klasifikasi, cluster, dan peramalan

1. Asosiasi merupakan kejadian yang dikaitkan dengan suatu peristiwa tunggal. Sebagai contoh penelitian mengenai pola pembelian di supermarket akan mengungkapkan bahwa, ketika keripik jagung dibeli, maka minuman cola akan dibeli sebanyak 65 persen, tetapi ketika terdapat promosi, maka cola yang dibeli meningkat menjadi 85 persen. Informasi ini dapat membantu para manajer untuk mengambil keputusan yang lebih baik karena mereka telah mempelajari manfaat dari suatu promosi.
2. Dalam sekuen, maka peristiwa-peristiwa akan dikaitkan berdasarkan waktu. Kita dapat menemukan contohnya, jika sebuah rumah dibeli, terdapat 65 persen kemungkinan sebuah kulkas baru akan dibeli juga dalam dua minggu, dan 45 persen kemungkinan sebuah oven akan dibeli dalam waktu sebulan setelah rumah itu dibeli.
3. Klasifikasi membahas pola-pola yang menggambarkan kelompok yang mana suatu barang yang dimiliki dengan memeriksa barang yang ada, yang telah diklasifikasikan dan dengan menarik kesimpulan dari serangkaian aturan. Sebagai contoh, bisnis seperti misalnya kartu kredit atau perusahaan telepon akan khawatir kehilangan para pelanggannya yang loyal. Klasifikasi dapat membantu untuk menemukan ciri-ciri dari para pelanggan yang memiliki kecenderungan untuk berhenti dan dapat meyediakan suatu model untuk membantu para manajer dalam memprediksikan siapakah para pelanggan tersebut sehingga para manajer dapat merancang kampanye-kampanye khusus untuk mempertahankan para pelanggan tersebut.
4. Pengklasteran (clustering) bekerja dengan cara yang sama seperti klasifikasi ketika tidak ada kelompok yang masih belum didefinisikan. Alat bantu data mining dapat menemukan pengelompokan yang berbeda di dalam data, seperti misalnya menemukan daya tarik kelompok atas kartu bank atau membagi suatu database ke dalam kelompok-kelompok dari para pelanggan yang didasarkan pada demografis dan tipe dari investasi pribadi.
5. Meskipun penerapan-penerapan tersebut melibatkan prediksi. tetapi peramalan menggunakan prediksi dalam cara yang berbeda. Peramalan menggunakan serangkaian nilai yang ada untuk meramalkan berapa besar dari nilai lainnya. Sebagai contoh, peramalan akan menemukan pola-pola dalam data untuk membantu para manajer dalam mengestimasi nilai masa mendatang dari variabel-variabel yang terus-menerus, seperti angka penjualan.

Sistem-sistem tersebut menjalankan analisis tingkat tinggi atas pola atau kecenderungan, tetapi mereka juga dapat menelusuri untuk menyediakan lebih terperinci ketika diperlukan. Terdapat aplikasi data mining bagi seluruh area fungsional dalam bisnis, dan bagi pemerintah serta pekerjaan ilmiah. Salah satu penggunaan yang terkenal atas data mining adalah menyediakan analisis pola dalam data pelanggan yang terperinci bagi kampanye pemasaran one-to-one untuk mengidentifikasi para pelanggan yang menguntungkan.

What’s Next? It’s About The Function Of Data Mining

Selanjutnya, kita akan memahami dan mempelajari mengenai fungsi dari penerapan data mining. Seperti yang kita tahu bahwa segala hal yang ada di bumi ini diciptakan dengan berdasarkan pada alasan tertentu dan fungsi tertentu. Dan tentu saja lah data mining juga memiliki fungsi dari penerapannya. Agar gak lebih penasaran lagi, yuk kepoin bareng-bareng

1. Association : Yang pertama yaitu ada association, yang merupakan proses mengidentifikasi relasi (hubungan) dari setiap kejadian atau peristiwa yang sudah terjadi pada suatu waktu tertentu.
2. Classification : Classification berfungsi untuk menyimpulkan beberapa definisi karakteristik pada suatu grup atau kelompok. Contohnya seperti seorang pelanggan dari Enhypen Company yang berpindah layanan disebabkan karena kalah bersaing dengan pelanggan lain.
3. Clusterization : Ketiga, clusterization merupakan proses mengidentifikasi kelompok dari produk ataupun barang yang memiliki karakteristik khusus.
4. Descriptive : Descriptive berfungsi untuk memahami lebih dalam mengenai data, sehingga kita dapat mengamati setiap perubahan perilaku pada informasi tersebut.
5. Forecasting : Kelima, forecasting merupakan teknik peramalan data yang dilakukan untuk memperoleh gambaran mengenai nilai suatu data di masa yang akan datang sesuai pengumpulan informasi dengan jumlah informasi yang besar. Contoh nya adalah data terkait peramalan jumlah peserta audisi yang masuk pada agensi BELIFT untuk acara I-Land season 2
6. Predictive : Predictive adalah fungsi yang digunakan untuk menjelaskan suatu proses dalam menentukan sebuah pola tertentu pada suatu data. Pola tersebut digunakan oleh berbagai variabel yang ada pada data tersebut.
7. Sequencing : Terakhir, sequencing adalah proses identifikasi dari tiap hubungan yang berbeda pada periode waktu tertentu. Contoh dari sequencing sendiri adalah seorang penggemar dari TXT yang mengunjungi Hybe Insight secara terus – menerus (berulang).

Makin Kepo Nih! Gimana Sih Metode Yang Digunakan Untuk Pengembangan Data Mining?

Setelah kita mengetahui beberapa fungsi utama dari data mining, selanjutnya masuk pembahasan mengenai metode apa saja yang diterapkan untuk melakukan penambangan data. Pastinya dalam suatu sistem akan ada metode yang akan digunakan dalam pengembangannya. Makan oreo aja ada metode nya, masa data mining enggak?. Yuk langsung intip aja pembahasan nya gimana!

1. Proses Pengambilan Data

Tahapan fase yang dilakukan dimulai dari tahap terbawah, yaitu data masih berbentuk raw (mentah), hingga masuk pada fase akhir. Dimana untuk mencapai fase akhir tersebut, kita perlu melakukan beberapa tahapan sebagai berikut.

• Data cleansing, yaitu fase dimana data masih tidak lengkap, mengandung pesan error, dan tidak konsisten. Sehingga, perlu untuk melakukan pembersihan data lebih lanjut.
• Data integration, yaitu proses terjadinya integrasi data, dimana sumber data yang berulang – ulang serta dapat dikombinasikan dengan file lainnya ke dalam suatu sumber.
•  Selection, pada tahapan ini data yang relevan dan sesuai dengan analisis dapat dipilih pada informasi koleksi tersebut.
• Data transformation, dimana data yang telah terpilih, akan ditransformasikan ke dalam bentuk yang cocok untuk prosedur penggalian lebih lanjut dengan cara melakukan proses normalisasi dan agregasi.
• Data mining, pada tahapan ini termasuk pada langkah – langkah utama untuk mengekstrak pola yang berpotensi sebagai sumber informasi yang berguna.
• Pattern evaluation, pada tahapan ini, masuk pada pola atau skema yang menarik dengan mempresentasikan pengetahuan yang telah diidentifikasi berdasarkan hasil pengukuran (measure) yang telah dilakukan.
• Knowledge representation, merupakan tahap yang terakhir, dimana hasil informasi berupa pengetahuan yang berhasil diperoleh akan disajikan atau divisualisasikan kepada pengguna (user).

          2. Teknik dalam Penambangan Data

Perlu kita pahami bahwa terdapat 2 instrumen teknik melakukan penambangan data, diantaranya adalah sebagai berikut:

• Teknik Klasik : Teknik yang digunakan adalah metode statistik, merupakan salah satu cabang ilmu matematika yang mempelajari sekumpulan data beserta deskripsinya untuk dijadikan sebuah laporan informasi penting dan membuat keputusan yang tepat. Keuntungan dari menggunakan statistik sendiri adalah mampu menampilkan informasi terkait basis data (database) secara lebih terstruktur dan user friendly.
• Teknik Generasi Berikutnya : Teknik yang termasuk generasi masa ini adalah decision tree (pohon keputusan), merupakan model prediktif yang mana menyerupai seperti pohon. Di setiap node dalam struktur pohon tersebut, sudah mewakili pertanyaan untuk kebutuhan pengelompokkan.

Permasalahan yang Dapat Kita Jumpai dalam Penambangan data mining

Seperti yang kita semua tau bahwa, disetiap kegiatan yang kita lakukan pasti ada saja masalah yang akan mengintai. Dan hal ini berlaku juga saat melakukan penambangan dalam data mining. Tapi teman-teman semua tidak perlu khawatir karena kali ini kita akan membahas bersama-sama apa aja permasalahan yang ada saat melakukan penambangan data mining.

1. Metodologi Mining

•  Menambang berbagai jenis pengetahuan dari berbagai tipe data
•  Kinerja: efisiensi, efektivitas, dan skalabilitas
• Evaluasi pola: masalah ketertarikan
• Memasukkan pengetahuan latar belakang
•  Menangani kebisingan dan data yang tidak lengkap
•  Metode penambangan paralel, terdistribusi dan tambahan
•  Integrasi pengetahuan yang ditemukan dengan yang ada: fusi pengetahuan

      2. User interaction

• Bahasa kueri penambangan data dan penambangan ad-hoc
• Ekspresi dan visualisasi hasil penambangan data
• Penambangan pengetahuan interaktif di berbagai tingkatan abstraksi

      3. Applications and social impacts

• Penambangan data khusus domain & penambangan data tak terlihat
• Perlindungan keamanan data, integritas, dan privasi

Bonus Part : The Example of Data Mining Concept

Setelah membaca dan memahami materi tentang data mining diatas, tentunya kita semua sudah ada sedikit gambaran mengenai konsep dari data mining. Dan tentu saja teori tanpa praktek itu gak mudah kan ya. Maka dari itu, disini kita akan membahas mengenai contoh dari konsep data mining. Yuk disimak baik-baik!

1. Market Analysis Dan Management

Contoh yang pertama, data mining juga dapat dimanfaatkan untuk mendukung target pemasaran bisnis, CRM (Customer Relationship Management), cross selling, dan segmentasi pasar customer.

• Target Pemasaran, Misalnya menemukan kelompok pelanggan “model” yang memiliki karakteristik yang sama: minat,tingkat pendapatan, kebiasaan belanja, dll. atau menentukan pola pembelian pelanggan dari waktu ke waktu.
• Analysis lalu lintas pasar, Menemukan hubungan / hubungan antar produk penjualan, & prediksi berdasarkan asosiasi tersebut.
• Profiling pelanggan, Jenis pelanggan apa yang membeli produk apa (pengelompokan atau klasifikasi)
• Analisis kebutuhan pelanggan, Misalnya identifikasi produk terbaik untuk berbagai kelompok pelanggan, Memprediksi faktor apa yang akan menarik pelanggan baru, Penyediaan informasi ringkasan, Laporan ringkasan multidimensi, Informasi ringkasan statistik (kecenderungan dan variasi pusat data)

2.      Data Warehouse

Data warehouse merupakan tempat penyimpanan data dari berbagai sumber yang dijadikan ke dalam one storage saja (terpusat). Tujuan dari implementasi sistem ini adalah untuk mengkonstruksikan proses data cleaning, transformation, integration, dan fitur yang lainnya.

• Perencanaan keuangan dan evaluasi aset, Misalnya analisis dan prediksi arus kas, analisis klaim kontinjensi untuk mengevaluasi aset, analisis cross-sectional dan time series (rasio keuangan, tren analisis, dll.)
• Planning Perencanaan sumber daya, Misalnya merangkum dan membandingkan sumber daya dan pengeluaran
• Persaingan, Misalnya memantau pesaing dan arah pasar, mengelompokkan pelanggan ke dalam kelas dan penetapan harga berbasis kelas prosedur, dan mengatur strategi penetapan harga di pasar yang sangat kompetitif.

3.      Basis Data Relasional

Contoh yang terakhir, merupakan fitur koleksi dari sebuah tabel. Dimana setiap tabel tentu saja memiliki kolom dan baris. Kemudian, bahasa query yang sering digunakan untuk merencanakan kebutuhan databese adalah SQL.

• Pendekatan: Clustering & konstruksi model untuk penipuan, analisis outlier
• Aplikasi: Layanan kesehatan, ritel, layanan kartu kredit, telecomm. Misalnya Asuransi otomatis, Pencucian uang, Asuransi kesehatan, Telekomunikasi, Analisis pola yang menyimpang dari norma yang diharapkan, Industri retail, Dll.

Setelah kita semua mengetahui tentang apa data mining itu? Seperti apa tipe infromasi yang diperoleh oleh data mining, Lalu kita juga sudah mengetahui beberapa fungsi dari data mining. Nah sekarang kita akan berkenalan dengan adik-adik dari data mining, yaitu ada teks mining  dan web mining. Yuk kita kenalan bareng mereka!

STUDY CASES OF MANAGEMENT INFORMATION SYSTEM

NAMA           : ADINDA FEBIYANTI

KELAS          : AKUNTANSI 2020A

NIM                : 20080694017

STUDY CASES OF MANAGEMENT INFORMATION SYSTEM

FROM THE BOOK OF KENNETH C. LAUDON AND JANE P. LAUDON

CHAPTER 4, PAGES 148-149 AND PAGES 151-152

STUDY CASE IN PAGES 148-149

INTERACTIVE SESSION: ORGANIZATIONS

Will Automation Kill Jobs?

Dennis Kriebal of Youngstown, Ohio, had been a supervisor at an aluminum extrusion factory, where he punched out parts for cars and tractors. Six years ago, he lost his job to a robot, and since then has been doing odd jobs to keep afloat. Sherry Johnson used to work for the local newspaper in Marietta, Georgia, feeding paper into printing machines and laying out pages. She lost this job as well as others making medical equipment and working in inventory and filing to automation.

These situations illustrate the negative impact of computer technology on jobs. Far more U.S. jobs have been lost to robots and automation than to trade with China, Mexico, or any other country. According to a study by the Center for Business and Economic Research at Ball State University, about 87 percent of manufacturing job losses between 2000 and 2010 stemmed from factories becoming more efficient through automation and better technology. Only 13 percent of job losses were due to trade. For example, the U.S. steel industry lost 400,000 jobs between 1962 and 2005. A study by the American Economic Review found that steel shipments did not decline, but fewer people were needed to do the same amount of work as before, with major productivity gains from using mini mills (small plants that make specialty steel from scrap iron).

A November 2015 McKinsey Global Institute report by Michael Chui, James Manyika, and Mehdi Miremadi examined 2,000 distinct types of work activities in 800 occupations. The authors found that 45 percent of these work activities could be automated by 2055 using technologies that currently exist. About 51 percent of the work activities Americans perform involve predictable and routine physical work, data collection, and data processing. All of these tasks are ripe for some degree of automation. No one knows exactly how many U.S. jobs will be lost or how soon, but the researchers estimate that from 9 to 47 percent of jobs could eventually be affected and perhaps 5 percent of jobs eliminated entirely. These changes shouldn't lead to mass unemployment because automation could increase global productivity by 0.8 percent to 1.4. percent annually over the next 50 years and create many new jobs.

According to a study by MIT labor economist David Autor, automation advances up to this point have not eliminated most jobs. Sometimes machines do replace humans, as in agriculture and manufacturing, but not across an entire economy. Productivity gains from workforce automation have increased the demand for goods and services, in turn increasing the demand for new forms of labor. Jobs that have not been eliminated by automation are often enhanced by it. For example, since BMW's Spartanburg, South Carolina, plant automated many routine production tasks over the past decade, it has more than doubled its annual car production to more than 400,000 units. The Spartanburg labor force has grown from 4,200 workers to 10,000, and they handle vastly more complex autos. (Cars that once had 3,000 parts now have 15,000.)

The positive and negative impacts of technology are not delivered in an equal way. All the new jobs created by automation are not necessarily better jobs. There have been increases in high-paying jobs (such as accountants) but also in low-paying jobs such as food service workers and home health aides. Disappearing factory jobs have been largely replaced by new jobs in the service sector but often at lower wages.

Manufacturing jobs have been the hardest hit by robots and automation. There are more than 5 million fewer jobs in manufacturing today than in 2000. According to a study by economists Daron Acemoglu of MIT and Pascual Restrepo of Boston University, for every robot per thousand workers, up to six workers lost their jobs and wages fell as much as 0.75 percent. Acemoglu and Restrepo found very little employment increase in other occupations to offset job losses in manufacturing. That increase could eventually happen, but right now there are large numbers of people out of work in the United States, especially blue-collar men and women with out college degrees. These researchers also found in dustrial robots were to blame for as many as 670,000 manufacturing jobs lost between 1990 and 2007, and this number will rise going forward because the number of industrial robots is predicted to qua druple. Acemoglu and Restrepo noted that a specific local economy, such as Detroit, could be especially hard-hit, although nationally the effects of robots are smaller because jobs were created in other places. The new jobs created by technology are not necessarily in the places losing jobs, such as the Rust Belt. Those forced out of a job by robots generally do not have the skills or mobility to assume the new jobs created by automation.

Automation is not just affecting manual labor and factory jobs. Computers are now capable of taking over certain kinds of white collar and service-sector work, including X-ray analysis and sifting through documents. Job opportunities are shrinking slightly for medical technicians, supervisors, and even lawyers. Work that requires creativity, management, information technology skills, or personal caregiving is least at risk.

According to Boston University economist James Bessen, the problem is not mass unemployment; it's transitioning people from one job to another. People need to learn new skills to work in the new economy. When the United States moved from an agrarian to an industrialized economy, high school education expanded rapidly. By 1951 the average American had 6.2 more years of education than someone born 75 years earlier. Additional education enabled people to do new kinds of jobs in factories, hospitals, and schools.

CASE STUDY QUESTIONS

1. How does automating jobs pose an ethical dilemma? Who are the stakeholders? Identify the options that can be taken and the potential consequences of each.
2.  If you were the owner of a factory deciding on whether to acquire robots to perform certain tasks, what people, organization, and technology factors would you consider?

MEGAROSITA VALUE CHAIN ANALYSIS

 

NAMA                : ADINDA FEBIYANTI

KELAS               : AKUNTANSI 2020A

NIM                    : 20080694017

UNIVERSITAS  : UNIVERSITAS NEGERI SURABAYA

MEGAROSITA VALUE CHAIN ANALYSIS

THE SNACK SHOP OF MADURA

What is Megarosita?

Megarosita adalah salah satu toko yang menjual beragam camilan, khususnya camilan dari Madura. Toko ini berlokasi di Desa Pajagalan, Kecamatan Kota Sumenep. Lebih tepatnya di Jl. Dr. Wahidin No. 113/32 Pajagalan, Sumenep. Toko Megarosita sendiri telah berdiri sejak 30 Desember 2009. Toko Megarosita ini identik dengan produk jualan nya yang berupa camilan Madura, namun toko Megarosita juga menjual produk camilan modern, yakni berupa camilan yang diproduksi oleh industri pabrik.

Toko Megarosita sangat memprioritaskan kualitas produk yang dijualnya serta kebersihan dari toko itu sendiri. Tidak seperti kebanyakan toko camilan pada umumnya yang hanya mementingkan cuan nya saja, toko Megarosita ini juga sangat memerhatikan kenyamanan pembeli saat berkunjung dan membeli salah satu produk yang ada di toko tersebut. Bukan hanya itu, dengan kehadiran toko camilan Megarosita juga dapat membantu pertumbuhan usaha UMKM dan industri rumahan yang ada disekitar Kota Sumenep.

Harga produk camilan di toko Megarosita sangatlah beragam dan juga ramah di kantong. Mengapa demikian? Sebab fokus utama sasaran konsumen dari toko Megarosita bukan hanya dari kalangan menengah ke atas, namun juga dari menengah ke bawah. Dan hal inilah yang menjadikan toko Megarosita menjadi salah satu toko camilan yang begitu populer di kalangan masyarakat Sumenep dan sekitarnya.

What is the value chain model?

Michael E Porter dari Harvard Business School memperkenalkan value chain model (model rantai nilai). Model ini mencakup semua aktivitas yang memberi nilai tambah pada produk akhir mulai dari pengadaan hingga produksi, pemasaran, penjualan dan layanan pelanggan. Optimalisasi rantai nilai dapat membantu perusahaan mencapai hasil yang unggul seperti efisiensi operasional yang lebih tinggi dan meminimalkan pemborosan. Ini juga dapat membantu perusahaan membangun keunggulan kompetitif baru.

Ada dua jenis yang termasuk dalam model rantai nilai, yakni primary activities (kegiatan utama) dan support activities (kegiatan pendukung). Kegiatan utama berkaitan langsung dengan penciptaan produk atau layanan sedangkan kegiatan pendukung terkait dengan kegiatan kegiatan utama dan meningkatkan efektivitas dan efisiensi proses utama. Memahami model rantai nilai dari toko Megarosita dapat membantu kita untuk mempelajari bagaimana sebuah toko camilan dengan sistem waralaba dapat menghadirkan efektivitas operasional dan tetap mempertahankan hubungan baik dengan para supplier dan konsumen nya.

REVIEW QUESTIONS, SISTEM INFORMASI MANAJEMEN

 

NAMA           : ADINDA FEBIYANTI

KELAS          : AKUNTANSI 2020A

NIM                : 20080694017

 

TUGAS SISTEM INFORMASI MANAJEMEN

REVIEW QUESTIONS HALAMAN 71

 

REVIEW QUESTIONS !

2-1  What are business processes? How are they related to information systems?

a.       Define business processes and describe the role they play in organizations.

b.       Describe the relationship between information systems and business processes.

2-2 How do systems serve the different management groups in a business, and how do systems that link the enterprise improve organizational performance?

a.       Describe the characteristics of transaction processing systems (TPS) and the roles they play in a business.

b.      Describe the characteristics of management information systems (MIS) and explain how MIS differ from TPS and from DSS.

c.       Describe the characteristics of decision- support systems (DSS) and how they benefit businesses.

d.      Describe the characteristics of executive support systems (ESS) and explain how these systems differ from DSS.

e.       Explain how enterprise applications improve organizational performance.

f.       Define enterprise systems, supply chain management systems, customer relationship management systems, and knowledge  management systems and describe their business benefits.

g.    Explain how intranets and extranets help firms integrate information and business processes.