ANALISIS DAN PERANCANGAN DATA MINING PADA PT. AS

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