ANALIS IS DAN PERANCANGAN DATA MINING PADA PT. AS URANS I ADIRA DIN AMIKA S KRIPS I Oleh Putra Ramadhanu 0500592383 Raditya Pratama 0500592401 Achmad Andias Rachman 0500592963 Kelas / Kelompok 08 PET / 1 Universitas Bina Nusantara Jakarta 2005 ANALIS IS DAN PERANCANGAN DATA MINING PADA PT. AS URANS I ADIRA DIN AMIKA S KRIPS I diajukan sebagai salah satu syarat untuk gelar kesarjanaan pada Jurusan Teknik Informatika Jenjang Pendidikan S trata-1 Oleh Putra Ramadhanu 0500592383 Raditya Pratama 0500592401 Achmad Andias Rachman 0500592963 Kelas / Kelompok 08 PET / 1 Universitas Bina Nusantara Jakarta 2005 ANALIS IS DAN PERANCANGAN DATA MINING PADA PT. AS URANS I ADIRA D INAMIKA S KRIPS I Disusun oleh: Putra Ramadhanu Raditya Pratama Achmad Andias Rachman <0500592383> <0500592401> <0500592963> Disetujui oleh : Pembimbing Doddy Koeswandy, S .Kom., MM Kddsn: D1583 Universitas Bina Nusantara Jakarta 2005 ABS TRAK ANALIS IS DAN PERANCANGAN DATA MINING PADA PT. AS URANS I ADIRA DIN AMIKA ( Putra Ramadhanu <0500592383>, Raditya Pratama <0500592401>, Achmad Andias Rachman <0500592963> ) Abstrak Tujuan penelitian ini adalah merancang suatu aplikasi yang dapat menemukan pola informasi berharga yang tersembunyi di dalam suatu kumpulan data yang berukuran besar pada sistem basis data PT. Asuransi Adira Dinamika, yang merupakan perusahaan yang bergerak di bidang asuransi. Sehingga dari informasi yang didapat ini dapat membantu pihak eksekutif dalam melakukan keputusan bisnis. Adapun aplikasi yang dikembangkan adalah Data Mining dengan menggunakan teknik Decision Tree. Dalam pengembangan aplikasi ini metode penelitian yang digunakan adalah metode analisis, yaitu melakukan analisa terhadap kebutuhan informasi yang dibutuhkan perusahaan sehingga dapat digali informasi yang tepat guna. Infromasi yang dihasilkan dari aplikasi Data Mining ini adalah pola – pola hubungan antara latar belakang agen dan pelanggan terhadap nilai produksi dan klaim yang mereka lakukan. Sehingga para eksekutif dapat melihat peluang pasar yang akan dijadikan target untuk kemajuan perusahaannya. Kesimpulan yang dapat diambil dari penelitian ini adalah dengan adanya aplikasi Data Mining ini memudahkan pihak perusahaan dalam mengambil keputusan proses bisnis. Kata Kunci Data Mining, Mining Model, Asuransi, Decision Tree PENDAHULUAN Latar Belakang Perkembangan bisnis asuransi di Indonesia ditandai dengan semakin banyaknya perusahaan asuransi yang bermunculan. Dengan semakin banyaknya perusahaan asuransi ini mengakibatkan persaingan dan membutuhkan teknologi informasi yang handal, tepat waktu, dan sesuai kebutuhan sehingga perusahaan dapat mengetahui peluang – peluang apa saja yang dapat diambil guna mempermudah berbagai proses yang menunjang proses bisnis. Sebagai contoh sebuah perusahaan asuransi yang memiliki ribuan pelanggan dengan jutaan transaksi setiap harinya, akan mempunyai basis data dengan jumlah data yang akan terus bertambah setiap harinya. Tetapi pertumbuhan yang pesat dari akumulasi data tersebut telah menciptakan suatu kondisi yang biasa disebut “rich of data but poor of information” karena data yang terkumpul tidak dapat digunakan untuk aplikasi yang berguna. Oleh karena itu dibutuhkan suatu aplikasi yang dapat menggali dan mengolah data yang ada pada basis data yang besar, sehingga dapat menemukan pola-pola dari data dan menghasilkan suatu bentuk laporan yang mudah dibaca. Disinilah peranan Data Mining diperlukan sehingga dapat membantu eksekutif di perusahaan asuransi dalam mengetahui keadaan yang sebenarnya dari perusahaan dan lingkup bisnis yang dijalaninya dalam rangka mengambil keputusan yang terbaik bagi kemajuan perusahaan. Tujuan Tujuan dari penulisan skripsi ini yaitu : 1. M erancang model Data Mining untuk menggali informasi guna membantu menyusun strategi pemasaran. 2. M emperoleh informasi yang lebih akurat sehingga dapat membantu pengambilan keputusan untuk penerapan strategi pemasaran. Ruang Lingkup Sistem Data Mining yang dirancang berdasarkan pada data transaksi yang dicatat pada sistem basis data pada perusahaan asuransi. Perancangan Data Mining ini sebagai usaha untuk menggali informasi yang dibutuhkan untuk membantu pemasaran, dimana bagian pemasaran terdiri dari divisi Dealer & Leasing, Bank & Broker, A gency & Business Alliance, Product & Service Development dan Coorporate Communication. Pada skripsi ini hanya dikhususkan pada divisi A gency & Bussines Alliance tidak pada divisi lainnya, sehingga dapat membantu dalam merekrut agen dan menentukan sasaran pelanggan pada program asuransi yang diberi nama Autocillin. Teknik Data Mining yang digunakan adalah teknik Decision Tree (Pohon Keputusan). Metodologi M etode penelitian yang dilakukan oleh penulis adalah sebagai berikut: Penelitian kepustakaan Dengan mengambil referensi dari buku – buku yang berhubungan dengan materi yang akan di analisa. Baik dari perpustakaan maupun dari sumber – sumber lainnya. Metode analisis • Analisis kebutuhan melakukan wawancara untuk perancangan aplikasi Data Mining agar sesuai dengan kebutuhan para eksekutif P.T. Asuransi Adira Dinamika. • Analisis teknologi informasi, melakukan analisis dan menyimpulkan perangkat lunak, perangkat keras dan basis data yang seperti apa yang dibutuhkan dalam membangun aplikasi Data Mining ini. Perancangan M enggunakan OLAP dan data mining tools untuk menganalisa data yang ada dengan membangun cube dan mining model. TEORI PENDUKUNG Data Mining Data mining (Seidman, 2001, p3) adalah proses menemukan patterns yang bernilai dan relationship yang tersembunyi dalam database yang sangat besar. Karena pencarian dengan tabel dan record sangat jarang ditemukan pattern yang berguna, data biasanya dianalisa dan diproses secara otomatisasi. Metodologi Data Mining Proses Data Mining dilakukan dengan melalui tahapan-tahapan tertentu (Seidman, 2001, p9), yaitu : 1. Analisa Masalah Data asal atau data sumber harus bisa ditaksir untuk dilihat apakah data tersebut memenuhi kriteria data mining. Kualitas dan kelimpahan data adalah faktor utama untuk memutuskan apakah data tersebut cocok dan tersedia sebagai tambahan. Hasil yang diharapkan dari dampak data mining harus dengan hati-hati dimengerti dan dipastikan bahwa data yang dibutuhkan membawa informasi yang bisa diekstrak. 2. Mengektrak dan Membersihkan Data Data pertama kali diekstrak dari data aslinya, seperti dari OLTP database, text file, Microsoft Access Database, dan bahkan dari spreadsheet, kemudian data tersebut diletakan dalam data warehouse yang mempunyai struktur yang sesuai dengan data model secara khas. Data Transformation Services (DTS) dipakai untuk mengekstrak dan membersihkan data dari tidak konsistennya dan tidak kompatibelnya dengan format yang sesuai. 3. Validasi Data Sekali data telah diekstrak dan dibersihkan, ini adalah latihan yang bagus untuk menelusuri model yang telah kita ciptakan untuk memastikan bahwa semua data yang ada adalah data sekarang dan tetap. 4. Membuat dan Melatih Model Ketika algoritma diterapkan pada model, struktur telah dibangun. Hal ini sangatlah penting pada saat ini untuk melihat data yang telah dibangun untuk memastikan data tersebut menyerupai fakta di dalam data sumber. Hal ini bisa dibuat dengan berbagai cara. 5. Query Data Sekali data model yang pantas / cocok telah diciptakan dan dibangun, data yang telah dibuat tersedia untuk mendukung keputusan. Hal ini bisaanya melibatkan penulisan front end query aplikasi dengan suatu program aplikasi atau suatu program database SQL Server melalui OLE DB melalui data mining. 6. Pemeliharaan Validasi Model Data Mining Karakteristik data mining yang telah terisi harus terjaga validasinya, seperti persediaan jumlah suatu barang pada supermarket, apabila ada perubahan terhadap persediaan barang tersebut, maka perubahan tersebut harus dicatat, jadi data mining yang terbentuk akan jadi lebih efektif. Teknik Data Mining • Teknik Statistic Teknik statistik bukanlah data mining, Tetapi teknik ini dikendalikan oleh data dan digunakan untuk mencari pola – pola dan membuat predictive model. Statistik adalah cabang dari matematika mengenai koleksi dan deskripsi data (Berson, Smith, Thearling, 2000, p124). • Teknik Decision Tree Decision Tree adalah suatu model prediksi yang dapat dilihat sebagai tree. Setiap cabangnya merupakan hasil klasifikasi dari pertanyaan dan daunnya merupakan hasil partisi dari kumpulan data sesuai dengan klasifikasinya. Algoritma decision tree berhenti mengembangkan segmen atau cabang – cabangnya ketika semua segmen terdiri hanya dari 1 record, semua record dalam segmen memiliki karakteristik yang sama, pengembangan segmen selanjutnya tidak penting (Berson, Smith, Thearling, 2000, p156). • Teknik Clustering M etode di mana record dijadikan dalam grup – grup. Biasanya untuk high level end user untuk melihat apa yang terjadi di database. Clustering dapat juga berarti segmentasi yang sangat berguna dalam prediksi masalah bisnis (Berson, Smith, Thearling, 2000, p139). • Teknik Memory Based Reasoning (MBR) atau Nearest Neighbor Clustering dan Nearest Neighbor adalah teknik-teknik tertua dalam Data Mining. Nearest Neighbor mirip dengan clustering untuk memprediksi nilai prediksi dari sebuah record, mencari record dengan nilai yang mirip dan menggunakan nilai prediksi dari record yang terdekat daripada record yang belum diklasifikasi (Berson, Smith, Thearling, 2000, p134). Contoh Nearest Neighbor : jika tetangga – tetangga berpenghasilan Rp 5.000.000,00 maka besar kemungkinan penghasilan kita juga Rp 5.000.000,00. • Teknik Neural Network Neural Networks yang sesungguhnya adalah jaringan syaraf dalam otak manusia yang mengenali pola – pola, membuat perkiraan dan pembelajaran (Berson, Smith, Thearling, 2000, p166). Sedangkan yang dimaksud di sini adalah artificial neural networks yaitu program komputer yang menerapkan pencarian pola dan algoritma pembelajaran mesin komputer untuk membuat model perkiraan dari data historis. Neural Networks pertama kali diperkenalkan oleh M c Cullock dan Pits dalam seminar dalam Perang Dunia ke-2 yang mulanya hanya menyampaikan sebuah ide tentang unit pemrosesan sederhana (seperti sebuah neuron dalam otak manusia). Ide tersebut dapat dihubungkan bersama-sama dalam jaringan yang besar sehingga membangun sebuah sistem dengan kemampuan untuk menyelesaikan masalah – masalah yang sulit dan menampilkan pola – pola yang kompleks dari yang dapat dibuat oleh satu buah unit saja (Berson, Smith, Thearling, 2000, p167). • Teknik Rule Induction Rule Induction (Berson, Smith, Thearling, 2000, p183) adalah salah satu teknik dalam data mining yang paling sering digunakan dalam menemukan pengetahuan dalam sistem unsupervised learning. Rule (aturan) adalah bentuk sederhana dari “jika ini maka ini dan kemudian ini“. Agar aturan – aturan tersebut bermanfaat maka harus ditambahkan 2 informasi tambahan sesuai dengan keadaan sebenarnya, yaitu : 1. Keakuratan yang menunjukkan seberapa sering aturan tersebut benar. 2. Penerapan yaitu angka yang menunjukkan seberapa sering aturan tersebut dipakai. ANALIS IS DAN PERANCANGAN Konsep Perancangan Prototyping Model M embuat Prototyping Model (Pressman, 2001, p31) dimulai dengan kebutuhan yang dikumpulkan. Dari pengembang lalu pelanggan mencobanya dan kemudian hasilnya digambarkan untuk keseluruhan sasaran hasil untuk perangkat lunak. Lalu "rancangan cepat" kemudian terjadi. Rancangan yang cepat memusat pada suatu penyajian aspek perangkat lunak tersebut. Itu semua yang akan dilihat oleh pelanggan untuk membuat perangkat lunak tersebut lebih terfokus. Gambar 1 – Prototyping Model (Sumber : Pressman, 2001, P31) Assesment Tahap pengumpulan ini merupakan informasi akan tahap awal, kebutuhan yaitu perusahaan tahap dan informasi mengenai database yang diperlukan, guna mencari data – data yang dapat di mining sehigga menghasilkan knowledge bagi perusahaan. Prototype Development Di tahap pembersihan ini dimana dilakukannya ekstraksi dan data, pemvalidasian data, pembuatan dan penerapan model Data Mining, serta pengqueryan data dari model Data Mining. Instalation Pada tahap instalasi, prioritas mengenai software yang harus di install terlebih dahulu menjadi pertimbangan utama dalam merancang aplikasi Data Mining. Berikut ini adalah tahapan proses instalasi : 1. Untuk pertama kali, sistem operasi menjadi prioritas utama karena merupakan bagian terpenting yang mengatur dan mengoperasikan hardware dan software – software lainnya di dalam suatu Personal Computer (PC). Sistem operasi yang digunakan Microsoft Windows 2003 Server, karena sistem operasi tersebut memiliki fasilitas yang mendukung fitur – fitur yang diperlukan dalam pengimplementasian Data Mining. 2. Kemudian untuk dapat merancang suatu aplikasi Data Mining diperlukan instalasi suatu software basis data. M aka pilihan Microsoft S QL Server 2000 Personal Edition karena memiliki dapat fasilitas menjadi pertimbangan Microsoft Analysis Services yang mendukung aplikasi Data Mining dan OLAP. 3. Yang terakhir digunakan Microsoft Visual Basic 6 untuk merancang interface aplikasi. Aplikasi dibuat sesederhana mungkin, agar dapat memudahkan pihak eksekutif mencerna dan mengambil manfaat dari informasi yang disajikan. Software Development Pada tahap ini merupakan tahap dimana dilakukannya pembuatan Mining model dengan menggunakan Microsoft Analysis S ervices yang merupakan salah satu fasilitas dari Microsoft SQL Server 2000. Selain Mining model di Microsoft Analysis S ervices di buat juga Cube yang juga bagian dari aplikasi ini. Lalu untuk menampilkan aplikasi Data Mining tersebut di gunakanlah Microsoft Visual Basic 6, dimana software ini mendukung untuk membuat interface Data Mining. Pada tahap coding, dilakukan penulisan program untuk menampilkan Mining model dengan tujuan untuk memudahkan user melihat hasil dari mining yang telah dibuat. Training Pada tahap terakhir ini merupakan tahap uji coba dari aplikasi yang telah dibuat. Dengan ini bisa di ketahui kekurangan – kekurangan yang ada pada aplikasi, sehingga dapat menjadi lebih baik. Tahapan Kerja Gambar 2 Alur Kerja Analisa Strength, Weakness, Opportunies, Th reats Perusahaan (S WOT) Untuk meneliti masalah yang dihadapi oleh perusahaan kami mencoba untuk melakukan analisa permasalahan dimulai dari analisa SWOT terhadap masalah – masalah yang dihadapi, dan kami mendapatkan hasil sebagai berikut : Tabel 1 – Tabel matrix S WOT S trength (S) Weakness (W) M emiliki program – Tidak semua agen program asuransi yang memiliki produksi. belum dimiliki perusahaan asuransi lain. M emiliki jumlah agen Tidak semua agen yang yang banyak. memiliki produksi memberikan profit bagi perusahaan (klaim lebih besar dari produksi). Agen tersebar di Asuransi Adira terkenal berbagai cabang. memiliki polis yang mahal Program yang Perusahaan baru berdiri ditawarkan lebih banyak 3 tahun. yang bersifat menyeluruh. M enjadi perusahaan Sistem Informasi antar asuransi terbaik tahun cabang masih kurang 2004 untuk kategori aset baik (proses transfer data 100 – 250 miliar versi dari cabang – cabang ke majalah Investor pusat masih memiliki hambatan). Perusahaan asuransi dengan predikat sangat bagus untuk kategori premi bruto 50 – 200 miliar versi majalah InfoBank Opportunity (O) SO WO M asyarakat mulai M emberikan informasi M eningkatkan kualitas menyadari pentingnya kepada masyarakat luas jaringan yang ada. asuransi. tentang pentingnya asuransi. Semakin meningkatnya M enciptakan program – angka kriminalitas baik program yang di kota – kota besar memberikan maupun kota – kota perlindungan bagi kecil. masyarakat terhadap resiko - resiko yang sering terjadi. Semakin padatnya M emberikan informasi penduduk sehingga mengenai program – meningkatnya tingkat program yang dimiliki resiko kecelakaan. kepada calon nasabah yang sesuai. Semakin berkembangnya teknologi informasi. Treaths (T) ST WT Kesetiaan dan loyalty M eningkatkan pelayanan M embuat program agen pada perusahaan. pada nasabah – ‘agency reward’ untuk nasabahnya. meningkatkan kualitas produksi dan kesetiaan agen. Perusahaan asuransi M engubah cara pandang lain sudah mulai masyarakat terhadap meniru program yang asuransi di indonesia. dimiliki PT. Asuransi Adira Dinamika. Persaingan yang ketat dengan perusahaan – perusahaan asuransi lain. Image asuransi di indonesia yang kurang baik. Berdasarkan strategi perusahaan yang telah dirancang pada tabel matrix SWOT maka berikut adalah tabel dari dampak yang diharapkan : Tabel 2 – Tabel Dampak S O S trategi 1. M emberikan informasi kepada Dampak 1. Kemudahan nasabah mendapatkan masyarakat luas tentang informasi dengan tersebarnya agen pentingnya asuransi. di berbagai kota. 2. M enciptakan program – program 2. Dengan program menyeluruh yang memberikan perlindungan nasabah merasa aman dan loyal bagi masyarakat terhadap resiko- kepada asuransi yang telah resiko yang sering terjadi. dimilikinya. 3. M emberikan informasi mengenai 3. Diharapkan pemasaran dapat lebih program – program yang dimiliki kepada calon nasabah yang sesuai. terarah. Pada tabel dampak SO diatas kami memfokuskan pada strategi “M emberikan informasi mengenai program – program yang dimiliki kepada calon nasabah yang sesuai.” sebagai landasan dalam merancang model mining untuk menganalisa calon nasabah terhadap program – program yang ada. Tabel 3 – Tabel Dampak WO S trategi 1. M eningkatkan kualitas jaringan Dampak 1. Komunikasi data antar cabang yang ada. menjadi lebih baik. Tabel 4 – Tabel Dampak S T S trategi 1. M eningkatkan pelayanan pada Dampak 1. Nasabah dapat lebih mudah dalam nasabah – nasabahnya. 2. M engubah cara pandang melakukan proses claim. 2. M asyarakat semakin tertarik untuk masyarakat terhadap asuransi di membeli asuransi. indonesia. Tabel 5 – Tabel Dampak WT S trategi 1. M embuat program ‘agency Dampak 1. Agen – agen lebih loyal dan reward’ untuk meningkatkan bersemangat dalam mencari kualitas produksi dan kesetiaan nasabah, sehingga dapat agen. memberikan profit yang lebih banyak kepada perusahaan. Pada tabel dampak WT sesuai dengan strategi “M embuat program ‘agency reward’ untuk meningkatkan kualitas produksi dan kesetiaan agen.” sebagai landasan dalam merancang model mining untuk menganalisa latar belakang agen. Skema Data Warehouse PT. Asuransi Adira Dinamika Gambar 3 S kema Snowflake Perancangan untuk Data Mining M odel mining dirancang berdasarkan SWOT dari perusahaan yang difokuskan pada strategi SO nomor 3 dan strategi WT. Tabel 6 Tabel Perancangan untuk Data Mining No Model Mining Tujuan Manfaat bagi perusahaan 1. Agent terhadap M emprediksi tingkat Perusahaan bisa mendapat Customer jabatan, jenis gambaran mengenai agen – kelamin, umur, dan agen yang berpeluang besar latar belakang dalam mendatangkan pendidikan agen yang pelanggan baru. memiliki banyak customer. 2. Agent terhadap M emprediksi tingkat Perusahaan bisa mendapat Object jabatan, jenis gambaran mengenai agen – kelamin, umur, dan agen yang berpeluang latar belakang menghasilkan produksi yang pendidikan agen yang besar. memiliki produksi yang besar. 3. Customer M emprediksi waktu Perusahaan dapat menganalisa terhadap transaksi, umur, kriteria dari pelanggan, Production pendapatan pertahun, sehingga dapat menentukan status, jenis kelamin, target promosi sesuai dengan tempat tinggal, segment pelanggannya. jumlah kendaraan yang dimiliki dan tipe pelanggan yang memliki potensi untuk membeli polis asuransi. 4. Customer M emprediksi waktu Dapat membantu perusahaan terhadap Claim klaim, umur, khususnya bagian underwriting pendapatan pertahun, dalam menentukan resiko dan marital status, jenis harga pertanggungan terhadap kelamin, tempat pelanggan. tinggal, jumlah kendaraan yang dimiliki, dan tipe pelanggan yang memiliki potensi melakukan claim. 5. Customer M emprediksi jenis M embantu perusahaan untuk terhadap kelamin, tempat menentukan segmentasi Product tinggal, umur, produknya. pendapatan pertahun, nama produk dan memprediksi waktu berdasarkan hari, bulan, kwartal, tahun pelanggan yang memliki potensi terhadap jenis produk yang ditawarkan. Perancangan Aplikasi Perancangan program ini dilakukan berdasarkan analisa yang telah dilakukan terhadap database perusahaan dan kelengkapan informasi yang dibutuhkan oleh pihak eksekutif perusahaan. Perencanaan dalam merancang program ini juga mempertimbangkan hal – hal seperti kemudahan pemakai dalam mengakses informasi yang dihasilkan oleh aplikasi ini dan juga tampilan yang user friendly agar menghasilkan informasi yang bermanfaat bagi user. S truktur Menu Sesuai dengan perencanaan yang telah kami pertimbangkan agar program sesederhana dan seefektif mungkin maka pada awal program user diharuskan untuk login ke dalam sistem. Kemudian terdapat menu change password yang berguna untuk mengganti password user. Dimana didalam menu utama tersebut dibuat untuk memberikan informasi mengenai trend produksi pada beberapa faktor Gambar 4 – S truktur Menu IMPLEMENTAS I DAN EVALUAS I Implementasi Menu Grafik Production Gambar 5 Menu Grafik Production berdasarkan Product Di menu grafik Production berdasarkan Product ini dilihat dari Product Name yang terdapat 4 kategori produk yaitu Classic Comprehention, Classic Total L, Premium Non Paket, dan Premium Paket. Seperti yang terlihat pada Gambar 4.7 grafik tersebut dilihat berdasarkan pada bulan M aret, April, M ei, dan Juni. Grafik Production berdasarkan Product ini juga bisa dilihat lebih detil per hari pada tiap – tiap bulan. Menu Cube Pada Gambar 4.25 dan Gambar 4.26 di bawah adalah penjelasan fungsi – fungsi dari menu Cube Gambar 6 Menu Cube Di M enu Cube ini user bisa melihat Measure berdasarkan Customer Location, Product, Customer Detail, Time, Branch, Object Detail, Agent, dan Time. Dimana Measure tersebut berisi besar rupiah dari Production, Discount, Commision, Claim, GWP, dan Net Production. Jadi di M enu Cube ini user bisa membrowse sedetil mungkin untuk mengetahui besar rupiah dari Production, Discount, Commision, Claim, GWP, dan Net Production. Menu Mining Gambar 7 Mining Model Agent to Customer (Decision-Tree View) Pada Gambar 4.30 dapat dilihat analisa prediksi latar belakang agent terhadap jumlah customer yang didapatnya. Prediksi dapat dilihat berdasarkan Age, Education Level, Gender, dan Position Level. Algoritma yang digunakan yaitu teknik decision tree. Prediksi yang diambil sebagai contoh pada gambar 4.30 adalah prediksi berdasarkan Education Level, dengan intensitas warna pada tree dan jumlah cases menunjukkan bahwa Agent dengan Pendidikan M ahasiswa banyak mendapat Customer. Evaluasi Program dengan Data Dummy Setelah aplikasi Data Mining ini selesai dirancang maka dilakukan uji coba dengan menggunakan data dummy yang dibuat berdasarkan field – field Data Warehouse perusahaan. Uji coba ini bertujuan untuk melihat apakah rancangan aplikasi ini sesuai dengan kebutuhan perusahaan. Setelah dilakukan uji coba, maka berikut adalah beberapa hal yang dapat dijadikan catatan : 1. Prediksi dari mining model yang dibuat belum mencapai hasil yang maksimal, hal ini mungkin disebabkan oleh kurang besarnya data dummy yang digunakan (± 2000 field). 2. Mining model yang telah dibuat yaitu : agent to customer, agent to object asuransi, customer to production, customer to claim, dan customer to product telah dapat memenuhi kebutuhan perusahaan untuk saat ini, namun seiring dengan berkembangnya perusahaan hendaknya untuk pengembangan kedepan, perusahaan menghendaki agar ruang lingkup dalam mining model dapat diperluas lagi. 3. Dengan adanya menu untuk mencetak form pada form grafik membantu eksekutif untuk melihat hasil laporan dalam bentuk hardcopy. 4. M enu cube yang menampilkan perhitungan nilai produksi, keuntungan kotor, dan keuntungan bersih sangat membantu bagian pemasaran memenuhi kebutuhannya. S IMPULAN DAN S ARAN Simpulan 1. Para Eksekutif PT. Asuransi Adira Dinamika membutuhkan informasi mengenai produktifitas perusahaanya berdasarkan data – data yang mereka miliki, dengan dirancangnya aplikasi data mining maka data – data yang semula hanya merupakan data – data historikal dapat digali menjadi suatu pengetahuan yang berguna bagi kemajuan perusahaan. 2. Karena data yang digunakan memakai data dummy maka pola – pola yang tercipta kurang variatif, sehingga apabila memakai data yang sebenarnya dapat menghasilkan pola – pola yang lebih bervariatif. 3. Mining Model yang dihasilkan oleh aplikasi Data mining ini sangat ditentukan / dipengaruhi oleh kuantitas dan varian data yang masuk. Hal ini berarti juga bahwa hasil Data Mining yang berupa pola – pola yang berhubungan dalam database ditentukan atau dipengaruhi oleh kuantitas dan varian data yang masuk. S aran 1. Diperlukannya pengembangan lebih lanjut dalam sistem penjadwalan (scheduling) untuk menganalisa data – data yang semakin bertambah. 2. Perlunya dilakukan evaluasi terhadap sistem aplikasi yang dibuat agar hasil analisa dapat relevan sesuai dengan perkembangan perusahaan. 3. Perlunya menambahkan field – field baru dalam database supaya didapat lebih banyak level – level yang dapat dianalisa dan diperoleh hasil analisis yang lebih beragam. DAFTAR PUS TAKA Begg, Carolyn dan Thomas Connolly.(2002). Database System : A practical Approach to Design, Implementation, and Management. Edisi ke-3, Addison Wesley, U.S.A Berson, Alex dan Smith, Stephen J. (1997). Data Warehousing, Data Mining, & OLAP. M cGraw-Hill, New York. U.S.A. Berson, Alex, Stephen Smith dan Kurt Thearling. (2000). Building Data Mining Application for CRM. M cGraw-Hill, New York. U.S.A. English, Larry P. (1999). Improving Data Warehouse and Business Information Qualty. John Wiley & Sons, Inc, Canada. Fairley, Richard.(1985). Software Engineering Concepts. M cGraw-Hill, New York. U.S.A. M allach, Efrem G. (2000). Decision Support and Data Warehouse System. International Edition, M cGraw-Hill, North America. U.S.A. Pearce II, Jhon A. dan Robinson, Richard B. (1998) Strategic Management, Strategy Formulation and Implementation, Third Edition, Home Wood, Illinois. U.S.A. Peterson, Timothy dan Pinkelman, James. (2000). Microsoft OLAP Unleashed. Second Edition. Sams Publishing, U.S.A. Pressman, Roger S.(2001). Software Engineering : A Practitioner’s Approach. Edisi ke5, M cGraw-Hill, New York. U.S.A. Purba, Radiks.(1992). Memahami Asuransi di Indonesia. PT Pustaka Binaman Pressindo, Jakarta Pusat. Indonesia. Seidman, Claude. (2001). Data Mining with Microsoft SQL Server 2000 : Technical Reference.M icrosoft Press, U.S.A. Sukotjo, Ibnu, dan Basu Swastha. (2000). Pengantar Bisnis Modern. Edisi ke-3, Liberty Yogyakarta, Yogyakarta. Indonesia. Tiwana, Amrit. (2000). The Knowledge Management Toolkit : practical techniques for building a knowlegde management system. Prentice Hall, New Jersey. U.S.A. Yourdon, Edward. (1989). Modern Structured Analysis. International Edition, PranticeHall, New Jersey. U.S.A. RINGKAS AN RIWAYAT HIDUP Daftar Riwayat Hidup Nama : Putra Ramadhanu Tempat, Tgl. Lahir : Jakarta, 10 Juli 1983 Jenis Kelamin : Pria Agama : Islam Alamat : Jl. Haji Jian no. 3 Cipete Utara, Jakarta Selatan, 12150 No. Telepon : (021) 7393695 DAFTAR RIWAYAT PENDIDIKAN DAN KURS US o 1989 – 1995 : SD Budi Waluyo, Jakarta Selatan o 1995 – 1998 : SLTP N 56 , Jakarta Selatan o 1998 – 2001 : SM U N 6, Jakarta Selatan o 2001 – sekarang : Universitas Bina Nusantara Daftar Riwayat Hidup Nama : Raditya Pratama Tempat, Tgl. Lahir : Jakarta, 25 November 1982 Jenis Kelamin : Pria Agama : Islam Alamat : Jl. M adrasah no. 44 Gandaria Selatan, Jakarta Selatan, 12420 No. Telepon : (021) 7515929 DAFTAR RIWAYAT PENDIDIKAN DAN KURS US o 1989 – 1995 : SD Al – Azhar Pusat, Jakarta Selatan o 1995 – 1998 : SM P Al – Azhar Pusat, Jakarta Selatan o 1998 – 2001 : SM U N 6, Jakarta Selatan o 2001 – sekarang : Universitas Bina Nusantara Daftar Riwayat Hidup Nama : Achmad Andias Rachman Tempat, Tgl. Lahir : Jakarta, 19 Oktober 1982 Jenis Kelamin : Pria Agama : Islam Alamat : Jl. Angsana no.10 Komp. AL Pangakalan Jati Pondok Labu, Jakarta Selatan, 12450 No. Telepon : (021) 7695816 DAFTAR RIWAYAT PENDIDIKAN DAN KURS US o 1989 – 1995 : SD Al - Ikhlas, Jakarta Selatan o 1995 – 1998 : SLTP N 68, Jakarta Selatan o 1998 – 2001 : SM U N 34, Jakarta Selatan 2001 – sekarang : Universitas Bina Nusantara