7 BAB 2 LANDASAN TEORI 2.1 Sistem dan Teknologi Informasi

BAB 2
LANDASAN TEORI
2.1
Sistem dan Teknologi Informasi
Sistem
Informasi
mengumpulkan,
memproses,
menyimpan,
dan
menganalisa informasi untuk tujuan tertentu. Seperti halnya sistem lain, Sistem
Informasi mencakup input (data, instruksi) dan output (laporan, kalkulasi).
Sistem Informasi memproses input dan menghasilkan output yang dikirim untuk
digunakan oleh user atau sistem lain. Proses ini dapat mencakup mekanisme
untuk melakukan kontrol terhadap proses tersebut (Turban, Rainer, dan Potter,
2001, hal. 17).
Beberapa kemampuan dari Sistem Informasi, di antaranya (Turban,
Rainer, dan Potter, 2001, hal. 19-20):
•
Menyediakan proses transaksi yang cepat dan akurat.
•
Menyediakan penyimpanan yang besar dan dapat diakses dengan cepat.
•
Menyediakan komunikasi yang cepat.
•
Mengurangi kelebihan informasi.
•
Menghilangkan batasan-batasan lama.
•
Menyediakan dukungan untuk membuat keputusan.
•
Menyediakan alat yang sangat kompetitif.
Teknologi Informasi merupakan aplikasi yang digunakan dalam
menunjang Sistem Informasi yang digunakan dalam perusahaan, yang banyak
berhubungan dengan aplikasi berbasis komputer.
7
2.2
Basis Data (Database)
2.2.1
Pengertian Basis Data
Basis Data merupakan suatu koleksi bersama atas data yang
terhubung secara logikal dan penjabaran atas data, yang dibentuk untuk
menjawab kebutuhan informasi sebuah organisasi. Basis data juga
merupakan tempat penyimpanan yang besar yang dapat digunakan secara
simultan oleh banyak departemen dan pengguna.
Basis data adalah suatu koleksi data komputer yang terintegrasi,
diorganisasikan dan disimpan dalam suatu cara yang memudahkan
pengambilan kembali (McLeod, 2001, hal. 258).
2.2.2
Siklus Hidup Aplikasi Basis Data
Siklus hidup dalam perancangan basis data terdiri dari beberapa
tahapan antara lain (Connolly, 2002, hal. 271-294):
1. Perencanaan Basis Data (Database Planning)
Perencanaan Basis Data yaitu merencanakan bagaimana suatu
tingkatan dalam siklus hidup dapat dicapai dengan sangat efisien dan
efektif.
2. Pendefinisian Sistem (System Definition)
Melakukan spesifikasi ruang lingkup dan batasan-batasan dari
aplikasi basis data, para pengguna, dan area aplikasinya.
3. Pengumpulan Kebutuhan dan Perancangan (Requirements Collection
and Design)
8
Melakukan pengumpulan atau pengkoleksian dan menganalisa
kebutuhan pengguna dan area aplikasinya.
4. Rancangan Basis Data (Database Design)
Melakukan perancangan basis data konseptual, logikal, dan fisikal.
5. Pemilihan DBMS (DBMS Selection)
Melakukan pemilihan DBMS yang sesuai untuk pengaplikasian basis
data.
6. Perancangan Aplikasi (Application Design)
Merancang user interface dan aplikasi untuk digunakan dan diproses
dalam basis data.
7. Prototyping
Membangun
model
kerja
dari
aplikasi
basis
data
yang
memperbolehkan perancang dan pengguna untuk memvisualisasikan
dan mengevaluasi bagaimana sistem akhir akan terlihat dan berfungsi.
8. Implementasi (Implementation)
Membuat definisi basis data eksternal, konseptual dan internal serta
program-program aplikasi.
9. Konversi Data dan Loading (Data Convertion and Loading)
Melakukan pentransferan data yang sudah ada ke dalam basis data
yang baru dan mengubah aplikasi yang ada untuk dijalankan pada
basis data yang baru. Loading data dari sistem yang lama ke sistem
yang baru.
10.
Percobaan (Testing)
9
Melakukan percobaan aplikasi basis data untuk dilakukan pencarian
kesalahan validasi dan error.
11.
Pemeliharaan Operasional (Operational Maintenance)
Suatu proses pemeliharaan dan pengawasan terhadap sistem diikuti
dengan penginstalasian
2.2.3 Metodologi Perancangan Basis Data
Metodologi
perancangan
merupakan
suatu
struktur
yang
menggunakan prosedur, teknik, alat-alat, dan bantuan dokumentasi untuk
mendukung dan menyediakan proses perancangan. Dalam metodologi
basis data ini, proses metodologi dibagi menjadi 3 bagian utama, yaitu
basis data konseptual, logikal, fisikal. Metodologi ini digunakan untuk
Basis Data operasional.
1. Perancangan basis data konseptual
Adalah sebuah proses membangun sebuah model informasi yang
digunakan oleh perusahaan. Perancangan konseptual dimulai dengan
membentuk sebuah model konseptual data perusahaan, di mana dalam
pengimplementasiannya bersifat independen, seperti target DBMS,
program aplikasi, bahasa pemrograman, platform hardware, dan lain
sebagainya.
2. Perancangan basis data logikal
Adalah sebuah proses membangun model informasi yang didasarkan
pada model data spesifik, tetapi independen dari DBMS khusus dan
perhatian fisik lainnya. Bentuk logis basis data memetakan model
10
konseptual menjadi model logikal, yang dipengaruhi oleh model data
untuk tujuan basis data (sebagai contoh, model relasional).
3. Perancangan basis data fisik
Adalah proses pembentukan sebuah deskripsi implementasi atas basis
data pada penyimpanan data sekunder, yang menjelaskan file
organisasi dan indeks yang digunakan untuk memperoleh data dengan
akses yang efisien.
Langkah-langkah dalam metodolgi perancangan basis data, antara lain:
1. Perancangan basis data konseptual
Langkah 1: Membangun model data konseptual untuk setiap
tampilan.
2. Perancangan basis data logikal untuk model relasional
Langkah 2: Membangun dan memvalidasikan model data logikal
lokal untuk setiap tampilan.
Langkah 3: Membangun dan memvalidasikan model data logikal
global.
3. Perancangan basis data fisik untuk basis data relational
Langkah 4: Menerjemahkan model data logikal global untuk target
DBMS.
Langkah 5: Merancang bentuk representasi fisik.
Langkah 6: Merancang bentuk tampilan pengguna.
Langkah 7: Merancang bentuk mekanisme keamanan.
Langkah 8: Pertimbangkan pengenalan dari redundancy control.
Langkah 9: Memonitor sistem operasional.
11
2.3
Data Warehouse
2.3.1 Pengertian Data Warehouse
Data Warehouse merupakan istilah yang sangat akrab didengar
dalam lingkungan yang berhubungan dengan basis data. Hal ini bisa
terjadi karena Data Warehouse itu sendiri merupakan suatu bentuk dari
basis data yang memiliki perbedaan volume dan karakteristik yang lebih
spesifik. Data Warehouse adalah kumpulan atau koleksi penyimpanan
data yang menampung koleksi data perusahaan yang sudah lama dan
tidak diperbaharui, dan data tersebut disimpan dalam jangka waktu yang
lama (Connolly, 2002, hal 1047). Data Warehouse digunakan sebagai
dasar dari sistem penunjang keputusan yang diciptakan untuk
menyelesaikan beberapa masalah yang muncul pada sebuah organisasi
dengan menggunakan basis data yang sama di mana dijalankan melalui
OLTP.
Menurut W. H. Inmon, pengertian umum dari Data Warehouse
adalah sebuah subject-oriented, terintegrasi, tidak mudah berubah atau
konsisten, pengumpulan variasi waktu dari data yang mendukung
keputusan manajemen (Connolly, 2002, hal. 1047). Sedangkan menurut
IBM, sebuah Data Warehouse adalah sebuah gudang informasi yang
menjadi suatu solusi untuk mengakses data yang terdapat atau tersimpan
dalam sistem non-relasi. Pengaksesan data dalam Data Warehouse
dilakukan untuk melakukan analisa kompleks, penemuan pengetahuan
dan pembuat keputusan.
12
Juga dapat dijelaskan Data Warehouse lebih umum sebagai
“kumpulan teknologi penunjang keputusan, ditujukan pada pengadaan
tenaga kerja berpengetahuan seperti eksekutif, manajer, analis, untuk
membuat keputusan yang lebih baik dan lebih cepat.” (Elmasri dan
Navathe , 2000).
2.3.2
Keuntungan Data Warehouse
Sistem OLTP yang umum memiliki karakteristik seperti jumlah
pengguna yang sangat besar dan secara serentak menambah dan
mengubah data. Tetapi sejumlah besar data yang dipelihara pada banyak
sistem OLTP bisa membebani suatu organisasi. Saat basis data
berkembang semakin besar dengan data yang kompleks, waktu respon
bisa menjadi semakin berkurang karena adanya perebutan sumber-sumber
daya yang tersedia.
Data Warehouse merupakan pendekatan untuk menyimpan data
di mana sumber-sumber data yang heterogen (yang biasa tersebar pada
beberapa basis data OLTP) dimigrasikan untuk penyimpanan data yang
homogen dan terpisah. Data Warehouse menyediakan keuntungan di
bawah ini untuk para pengguna melakukan analisa (Jose Ramalho, 2001,
hal. 203-206):
1. Data diorganisir dengan baik untuk query analysis dan bukan untuk
pemrosesan transaksi.
2. Perbedaan di antara struktur data pada beberapa basis data yang
heterogen bisa diatasi.
13
3. Aturan untuk transformasi data diterapkan untuk memvalidasi dan
mengkonsolidasi data apabila data dipindahkan dari basis data OLTP
ke Data Warehouse.
4. Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu
mengubah sistem produksi.
2.3.3
Karakteristik Data Warehouse
Data Warehouse menggunakan model multidimensional data
yang dapat dianalisa dengan OLAP sebagai teknologi penunjang
keputusan. Sebuah Data Warehouse memiliki karakteristik yang
membedakannya dengan basis data biasa. Beberapa karakterisitik itu
adalah:
1. Konsolidasi dan konsistensi data
Di dalam Data Warehouse, data dikoleksi dari beberapa sumber dan
dikonsolidasi serta dibuat secara konsisten dalam berbagai cara,
termasuk dalam kaidah pemberian nama, ukuran, atribut-atribut fisik,
dan semantik.
2. Data yang subject-oriented
Data Warehouse mengorganisir informasi bisnis yang penting dari
sumber OLTP, sehingga sangat berguna untuk analisa bisnis. Di
dalam proses hal tersebut mengeluarkan atau membuang data yang
menyimpang atau tidak berguna yang ada di dalam tempat
penyimpanan data.
3. Data yang bersifat historis
14
Tidak seperti sistem OLTP, Data Warehouse menyajikan data yang
sudah lama. Dengan kata lain, ketika meng-query Data Warehouse,
digunakan data lama yang sudah lama dikumpulkan dengan sistem
OLTP di masa lalu. Data lama tersebut sangat berguna dalam waktu
yang sangat lama dibanding dengan sistem OLTP, di mana terdiri dari
data sekarang yang menunjukkan situasi sekarang secara tepat dan
akurat.
4. Data read-only
Setelah data dipindahkan ke Data Warehouse, data tersebut tidak
dapat diganti. Data di dalam Data Warehouse tidak dapat
diremajakan karena menyajikan data lama yang mana tidak lagi dapat
diganti. Menghapus, memasukkan, meng-update tidak diperbolehkan
dalam Data Warehouse.
2.3.4
Perancangan Basis Data Data Warehouse
Menurut Connolly (2002, hal. 1078-1082), dalam merancang
basis data sebuah Data Warehouse sangatlah kompleks. Untuk memulai
proyek Data Warehouse, pertama-tama harus mengidentifikasi dan
mengumpulkan
kebutuhan
pengguna.
Pengidentifikasian
tersebut
dilakukan dengan wawancara para pengguna, mempelajari kebutuhan
para pengguna dan menemukan informasi apa yang diperlukan untuk
mendukung kesuksesan bisnis. Setelah itu menentukan sumber data mana
yang akan dipakai dalam Data Warehouse. Kemudian dilakukan
perancangan terhadap data-data tersebut untuk menghasilkan informasi
15
yang dapat mendukung dalam pengambilan keputusan bisnis. Dengan
identifikasi kebutuhan pengguna dan sumber data yang akan digunakan
barulah proses perancangan basis data Data Warehouse dimulai.
Komponen basis data dalam sebuah Data Warehouse digambarkan
dengan menggunakan sebuah teknik yang disebut model dimensional.
2.3.4.1 Model Dimensional
Model
dimensional
ini
merupakan
suatu
teknik
perancangan logikal yang bertujuan untuk menyajikan data dalam
sebuah standar yang memungkinkan untuk penyajian akses secara
cepat. Model dimensional ini menggunakan konsep model ER
(Entity Relationship) dengan beberapa batasan penting. Setiap
model dimensional disusun oleh satu tabel dengan gabungan
primary key, yang dinamakan tabel fakta, dan sekelompok tabel
kecil yang dinamakan tabel dimensi.
1. Skema bintang (star schema)
Skema bintang merupakan struktur logikal yang mempunyai
satu tabel fakta yang berisikan data faktual di pusat yang
dikelilingi oleh tabel dimensi yang berisikan data referensi
(yang dapat didenormalisasikan).
2. Skema snowflake
Skema snowflake merupakan variasi dari skema bintang di
mana tabel-tabel dimensi tidak berisi data denormalisasi.
16
Suatu skema disebut snowflake jika satu atau lebih tabel
dimensi tidak berhubungan langsung dengan tabel fakta, tetapi
harus berhubungan dengan tabel dimensi lain.
2.3.4.2 Denormalisasi
Denormalisasi
adalah
suatu
prosedur
yang
mengelompokkan kembali normalisasi data untuk suatu susunan
yang lebih spesifik dari suatu proses dengan tujuan membuat
proses ini lebih efisien (Adelman, Sid dan Moss, 2000, hal. 244) :
1. Untuk mengurangi jumlah hubungan yang terjadi antar tabeltabel yang harus mengalami proses pada waktu dilakukan
pencarian. Dengan inilah penampilan basis data dapat
ditingkatkan.
2. Untuk membuat struktur fisik dari basis data yang semakin
mendekati model dimensi dari pemakai. Membuat struktur
tabel sesuai dengan yang ingin ditanyakan oleh pemakai,
memungkinkan terjadinya akses langsung, yang sekali lagi
akan meningkatkan penampilan.
2.3.5
Meta Data
Meta data yaitu data tentang data yang menggambarkan Data
Warehouse. Meta data digunakan untuk membangun, memelihara,
mengatur dan digunakan untuk Data Warehouse.
17
2.3.5.1 Penjelasan Penggunaan Meta Data
Data Warehouse -> Data Mart -> Meta data -> OLAP cube ->
Data Mining model.
Meta data didapat setelah data mart telah dipilih dan
diambil dalam Data Warehouse, dan data mart tersebut dipecahpecah, maksudnya adalah data mart tersebut dibuat masingmasing tabel sesuai dengan kebutuhan yang akan digunakan
dalam pembuatan Data Mining. Jadi meta data adalah pecahan
dari data mart di mana tabel-tabel tersebut yang selanjutnya akan
dinamakan sebagai tabel dimensi digunakan dalam pembuatan
kubus, dan akhirnya digunakan untuk pembuatan model Data
Mining.
Dalam meta data terdapat penjelasan mengenai record
mana yang ditunjuk sebagai primary key dan record mana yang
ditunjuk sebagai foreign key. Hal ini dilakukan jika nanti dalam
proses pembuatan star schema dan snowflake schema terjadi
proses
penghubungan
antar
tabel
dimensi,
maka
proses
penghubungan tabel tersebut memperhatikan record mana yang
bisa saling dihubungkan terutama pada record yang berperan
sebagai primary key ataupun foreign key.
Meta data tersebut digunakan untuk pembuatan kubus,
karena fungsinya sebagai tabel dimensi yang menjelaskan tabel
fakta. Meta data baru bisa dilihat hasilnya dalam bentuk OLAP
kubus di mana tabel-tabel tersebut disajikan dalam bentuk
18
kesimpulan dan penjumlahan data dari kubus yang dibentuk dari
tabel-tabel dimensi dan tabel fakta yang saling terhubung.
2.3.6
Data Mart
Di beberapa implementasi Data Warehouse, data mart merupakan
miniatur dari Data Warehouse. Data mart merupakan suatu subset dari
Data Warehouse yang dapat mendukung keperluan departemen atau
fungsi bisnis (Connolly, 2002, hal. 1067). Data mart biasanya digunakan
untuk menyediakan informasi dalam suatu segmen organisasi. Beberapa
karakteristik yang membedakan data mart dengan Data Warehouse
antara lain:
1. Data mart hanya difokuskan pada keperluan pengguna yang
berhubungan dengan satu departemen atau satu fungsi bisnis.
2. Data mart biasanya tidak berisi detail operasional data, berbeda
dengan Data Warehouse.
3. Data mart berisi data yang lebih sedikit dibanding dengan Data
Warehouse sehingga data mart lebih mudah dimengerti dan
dijalankan.
2.3.7
Pengertian OLAP
OLAP (Online Analytical Processing) merupakan suatu alat
dalam sistem basis data yang membantu dalam proses query agar dapat
lebih cepat dan lebih efisien dalam prosesnya. OLAP merupakan suatu
istilah yang menggambarkan suatu teknologi yang menggunakan
19
gambaran multidimensi dari sejumlah data untuk menyediakan atau
memberikan akses yang lebih cepat untuk strategi informasi dengan
tujuan mempercepat analisis (Connolly, 2002, hal. 1101). Tujuan dari
OLAP yaitu mengorganisir sejumlah data yang besar agar bisa dianalisa
dan dievaluasi dengan cepat. OLAP memungkinkan pengguna untuk
memperoleh pengertian yang lebih dalam dan pengetahuan tentang
berbagai aspek yang berhubungan dengan data perusahaan secara cepat,
konsistensi yang tinggi, dan akses yang interaktif untuk variasi gambaran
dari data.
OLAP memungkinkan untuk digunakan sebagai penunjang
keputusan tentang tindakan apa yang akan diambil selanjutnya dan sistem
OLAP
juga
banyak
dipergunakan
dalam
bidang
bisnis
untuk
menghasilkan suatu keputusan yang efektif. Di dalam model data OLAP,
informasi digambarkan secara konseptual seperti kubus (cube), yang
terdiri dari kategori deskriptif (dimension) dan nilai kuantitif (measures).
Dimensi menggambarkan atribut dari setiap ukuran, biasanya berupa teks
dan merupakan ciri-ciri tersendiri. Sedangkan measure merupakan suatu
data, biasanya numerik yang menjadi tolak ukuran suatu kejadian bisnis.
Model data dimensional membuat OLAP menjadi mudah bagi
pengguna untuk merumuskan query yang kompleks, menyusun data
untuk laporan, beralih dari ringkasan menjadi detail data, dan menyaring
atau memotong data ke dalam subset-subset yang lebih berarti.
20
2.4
Data Mining
2.4.1 Pengertian Data Mining
Ada banyak sekali pengertian dari Data Mining. Data Mining
merupakan suatu aplikasi basis data yang digunakan untuk melihat pola –
pola yang tersembunyi dari sebuah kumpulan data yang bisa digunakan
untuk memprediksi kegiatan di masa yang akan datang. Sebagai contoh,
untuk membantu perusahaan retail untuk menemukan konsumenkonsumen dengan ketertarikan yang sama. Software Data Mining tidak
hanya merubah presentasi, tetapi sebenarnya menemukan relasi-relasi
antar data.
Data Mining adalah proses ekstraksi secara otomatis informasi
dari basis data yang tersembunyi untuk memprediksi masa depan (Kurt
Thearling). Data Mining memperbolehkan pengguna untuk menganalisa
basis data yang besar untuk memecahkan masalah pengambilan
keputusan bisnis. Data Mining adalah ekstensi dari statistik dengan
beberapa intelejensia buatan.
Data Mining menggunakan basis data yang memiliki jumlah data
yang sangat besar, menemukan pola-pola yang sulit untuk dimengerti,
menggunakan pengetahuan yang dapat meningkatkan proses-proses
pencarian informasi dari data-data yang tersedia. Teknologi Data Mining
dapat
digunakan
untuk
eksplorasi
data,
menganalisa
data,
memvisualisasikan data dari basis data dengan jumlah data yang sangat
banyak pada tingkat abstrak yang tinggi, tanpa hipotesis yang spesifik
dalam pemikiran (ACSys, 1998).
21
Data Mining merupakan suatu proses untuk menemukan polapola (pattern) yang bernilai dan hubungan (relationship) yang
tersembunyi dalam basis data yang sangat besar. Karena pencarian
dengan menggunakan tabel dan record yang sangat jarang ditemukan
pola yang berguna, data biasanya dianalisa dengan proses secara
otomatisasi (Seidman, Claude, 2001, hal 3).
Menurut Simoudis (1996), Data Mining adalah suatu proses
ekstraksi atau penggalian data yang valid, yang sebelumnya tidak
diketahui, namun dapat dipahami, dan informasi yang terus bergerak dari
basis data yang besar dan digunakan untuk membuat suatu keputusan
bisnis yang kritis (Connolly, 2002, hal. 1115).
Gambar 2.1 Asal Data Mining (Williams, Hegland, dan Roberts)
Pada Gambar 2.1, terlihat bahwa Data Mining berasal dari
Database sebagai sumber data, Machine Learning, High Performance
Computer, Parallel Algorithms, Pattern Recognition, Applied Statistics,
dan Visualization sebagai teknologi pendukungnya.
22
Data Mining dapat memberikan keuntungan yang besar bagi
perusahaan. Banyak organisasi atau perusahaan menggunakan Data
Mining untuk melakukan hal-hal sebagai berikut:
1. Penemuan Pengetahuan
Tujuan dari penemuan pengetahuan adalah untuk menemukan dengan
jelas hubungan, pola, atau korelasi yang tersembunyi dari tempat
penyimpanan data di dalam basis data.
2. Visualisasi Data
Seorang analis harus bisa merasakan sebuah informasi yang besar
yang disimpan dalam basis data. Tujuan dari visualisasi data ini yaitu
untuk ”mempermanusia” data yang banyak dan menemukan cara
yang terbaik dalam menampilkan data.
3. Pemeriksaan Data
Pemeriksaan data dalam teknik Data Mining ini digunakan untuk
membantu mengidentifikasi dan memperbaiki kesalahan dengan cara
yang konsisten. Karena ketika terjadi penggabungan data secara
besar-besaran, banyak ditemukan data yang tidak lengkap dan selalu
terdiri dari informasi yang salah dan bertentangan.
Analisa Data Mining bekerja berdasarkan data, dan teknik yang
menghasilkan hasil yang sangat akurat umumnya membutuhkan jumlah
data yang sangat banyak untuk menghasilkan penyelesaian yang dapat
dipertanggungjawabkan. Proses analisa dimulai dengan membangun
optimal representastion dari struktur contoh data selama kurun waktu
pengetahuan diperoleh. Kemudian pengetahuan ini diperluas ke set data
23
yang lebih besar, bekerja pada asumsi bahwa set data yang lebih besar
mempunyai struktur data yang serupa dengan contoh data.
Data Mining dapat menyediakan pengembalian dana secara besar
bagi perusahaan, yang telah melakukan investasi yang berarti pada Data
Warehouse. Meskipun Data Mining merupakan teknologi yang tergolong
baru, tetapi telah digunakan pada berbagai macam industri.
2.4.2 Hubungan Antara Data Mining dan Data Warehouse
Data Mining menggambarkan pengumpulan teknik-teknik dengan
tujuan unutk menemukan pola-pola yang tidak diketahui pada data yang
telah dikumpulkan. Tujuan dari Data Mining yaitu untuk membuat
model-model untuk pengambilan keputusan yang dapat memprediksi
langkah-langkah ke depan berdasarkan analisis dari aktivitas yang lalu.
Data Mining membantu penemuan pengetahuan. Banyak pimpinan
organisasi saat ini menyadari bahwa basis data transaksi yang besar
tersebut berisikan banyak informasi, baik untuk sendiri dalam
menentukan pelayanan yang bagaimana yang akan diberikan dan juga
untuk klien. Untuk itu diperlukan suatu mekanisme di mana data historis
dari organisasi tersebut disimpan ke dalam tempat penyimpanan Data
Warehouse, dan menyediakan alat yang dapat menganalisa volume data
yang besar tersebut secara cepat dan mudah. Untuk itu diperlukan suatu
aplikasi Data Mining sebagai alat penganalisaan data yang besar dalam
usaha untuk menghasilkan informasi dan pengetahuan. Salah satu kunci
untuk
mensukseskan
Data
24
Mining
adalah
kemampuan
untuk
mendapatkan akses akurat, komplit, dan keutuhan data. Ini juga berlaku
untuk Data Warehouse. Data Warehouse tidak hanya diperuntukkan dan
menjadi poin utama dari keutuhan data, tetapi semua solusi Data
Warehouse dimulai dan bergantung pada kualitas dan keefektifan dari
komponen sumber data (di dalam dunia Data Warehouse dikenal sebagai
Extract, Transform, dan Load atau ETL Tools).
2.4.3
Konsep Penemuan Pengetahuan
Proses Data Mining terdiri dari sejumlah tahapan dan secara
keseluruhan bersifat interaktif dan iteratif. Beberapa tahapan proses Data
Mining antara lain:
a. Pemahaman Domain (Domain Understanding)
Menentukan tujuan utama dari penggunaan aplikasi Data Mining
termasuk memahami pengetahuan apa yang diperlukan dan
menentukan teknik yang digunakan untuk menghasilkan pengetahuan
yang dikehendaki. Kesalahan dalam menentukan teknik Data Mining
dan pengetahuan akan berakibat tidak bermanfaatnya pola data yang
dihasilkan.
b. Pemilihan Data (Data Selection)
Proses untuk memilih field dan record yang diperlukan dari basis data
yang ada dan pemilihan tersebut disesuaikan dengan domain yang
telah dipilih.
c. Cleaning and Preprocessing
25
Tahapan cleaning berusaha untuk memproses data agar sesuai untuk
kepentingan Data Mining. Tahapan preprocessing melakukan upaya
penyesuaian
data
ke
dalam tabel-tabel
tertentu
yang
akan
memudahkan proses penemuan pola-pola.
d. Penemuan Pola (Discovering Patterns)
Tahapan ini merupakan bagian utama dari Data Mining. Tahapan ini
ditentukan oleh sejumlah pendekatan dalam menghasilkan pola dan
visualisasi. Setiap pendekatan tersebut dapat diimplementasikan lewat
salah satu dari sejumlah metodologi yang ada seperti analisis dan
statistik, jaringan neural dan pengenalan pola.
e. Interpretasi (Interpretation)
Tahap ini dimanfaatkan oleh pengguna untuk melakukan evaluasi
terhadap
kualitas
pengetahuan
yang
dihasilkan
dari
proses
sebelumnya.
f. Pelaporan (Reporting)
Merupakan tahap akhir dari proses Data Mining yaitu berupa laporan
dan penggunaan pengetahuan yang didapat untuk melakukan sesuatu
baik berupa aksi baru, produk, layanan, atau strategi. Dan juga
tahapan ini dapat berupa presentasi grafis dari pola yang didapat dan
transfer dari pengetahuan atau model aplikasi bisnis yang sesuai.
26
Gambar 2.2 Knowledge Discovery (Williams, Hegland, dan Roberts)
2.4.4 Kategori Data Mining dan Fokus Penelitian
Teknik Data Mining berhubungan dengan penemuan dan
pembelajaran, dan pembelajaran tersebut dapat dibagi menjadi tiga
metode utama: supervised, unsupervised, dan reinforcement (Berson,
Alex et al, 1999, hal 36-37).
•
Supervised
Teknik ini melibatkan tahap pelatihan ketika data lama yang telah
dilatih tersebut memiliki characteristic map yang telah diketahui
terlebih dahulu untuk diberikan kepada algoritma Data Mining.
Proses ini melatih algoritma untuk mengenali kunci variabel-variabel
dan nilai-nilai, yang kemudian akan menjadi dasar untuk membuat
peramalan ketika membaca data yang baru.
27
•
Unsupervised
Tidak
melibatkan
fase
penelitian
tetapi
tergantung
kepada
penggunaan algoritma yang mendeteksi semua bentuk, seperti
asosiasi dan rangkaian, di mana terjadi di atas kriteria yang spesifik
dalam memasukkan data. Pendekatan ini membawa kepada generasi
yang mempunyai banyak peraturan yang menggolongkan penemuan
asosiasi, clusters, dan segmen. Peraturan ini kemudian akan
melakukan penganalisaan untuk menentukan yang mana yang
memiliki ketertarikan yang signifikan.
•
Reinforcement
Walaupun jarang digunakan dibanding dengan metode lain, tetapi
metode ini memiliki aplikasi untuk mengoptimalkan waktu dan
penyesuaian kontrol. Pelatihan reinforcement ini sangat mirip dengan
kenyataan hidup. Karena proses pelatihannya tidak menyediakan
tindakan untuk melakukan koreksi dengan segera, tetapi dapat
digunakan untuk memecahkan sebagian masalah ketergantungan
waktu yang sangat sulit.
Teknologi Data Mining juga dapat dikategorikan berdasarkan masalah
bisnis, yaitu :
•
Analisis Retrospektif
Analisis retrospektif difokuskan pada persoalan masa lampau dan
kejadian sekarang.
•
Analisis Prediktif
28
Analisis prediktif lebih fokus pada perkiraan kejadian atau kelakuan
berdasarkan pada informasi historis.
Data Mining mengidentifikasikan fakta-fakta atau mengusulkan
simpulan berdasarkan pada penyelidikan melalui data untuk menemukan
pola-pola atau anomali. Data Mining mempunyai lima fungsi atau
parameter utama, antara lain:
1. Klasifikasi (Classification)
Mengklasifikasikan record basis data ke dalam sejumlah kelas-kelas
berdasarkan kriteria tertentu. Klasifikasi dilakukan dengan cara
esktrasi record yang ada berdasarkan aturan klasifikasi tertentu. Bila
hasil klasifikasi telah didapat, maka fokus observasi adalah pada
klasifikasi tertentu sesuai dengan pengetahuan yang diharapkan.
2. Pengelompokan (Clustering)
Mengidentifikasikan kelompok-kelompok dari item yang telah dibagi
berdasarkan karakteristik masing-masing.
3. Asosiasi (Association)
Mengidentifikasikan hubungan antara kejadian-kejadian yang terjadi
pada satu waktu. Atau mengidentifikasikan gabungan di antara
pengkoleksian untuk mengetahui hubungan berbagai item yang
berbeda dalam record basis data. Contoh : 60% orang yang menderita
penyakit X adalah juga menderita penyakit Y.
4. Sequence
Hampir
sama
dengan
asosiasi.
Parameter
ini
membantu
mengidentifikasi pola-pola pada data runtun waktu. Contohnya : 90%
29
pelanggan yang membeli produk X juga akan membeli produk Y
dalam kurun waktu 6 bulan mendatang.
5. Peramalan (Forecasting)
Mengkalkulasi atau memperkirakan nilai-nilai yang akan datang
berdasarkan pada pola-pola di dalam set data.
2.4.5 Metodologi Data Mining
Sebagai salah satu bagian dari sistem informasi, Data Mining
menyediakan
perencanaan
dari
ide
hingga
implementasi
akhir.
Komponen-komponen dari rencana Data Mining adalah sebagai berikut :
(Seidman, Claude, 2000, hal. 9-11)
7. Analisa Masalah
8. Mengekstrak dan Membersihkan Data
9. Memvalidasi Data
10. Membuat dan Melatih Model
11. Query Data
12. Pemeliharaan Model Data Mining
2.4.5.1 Analisa Masalah
Data asal atau data sumber harus bisa ditaksir untuk
dilihat apakah data tersebut memenuhi kriteria untuk Data
Mining.
Kualitas dan kuantitas data adalah faktor utama untuk
memutuskan apakah data tersebut cocok dan tersedia sebagai
30
tambahan. Hasil yang diharapkan dari Data Mining harus
dengan hati-hati dimengerti dan dipastikan bahwa data yang
dibutuhkan membawa informasi yang bisa diekstrak.
2.4.5.2 Mengekstrak dan Membersihkan Data
Data pertama kali diekstrak dari data aslinya, seperti dari
OLTP database, text file, microsoft access database, dan bahkan
dari spreadsheets. Kemudian data tersebut diletakkan dalam
Data Warehouse yang mempunyai struktur yang sesuai dengan
model data. Secara khas, Data Transformation Services (DTS)
dipakai untuk mengekstrak dan membersihkan data dari tidak
konsistennya dan tidak kompatibelnya dengan format yang
sesuai.
2.4.5.3
Memvalidasi Data
Sekali data telah diekstrak dan dibersihkan, ini adalah
latihan yang bagus untuk menelusuri model yang telah
diciptakan untuk memastikan bahwa semua data yang ada
adalah data sekarang dan lengkap.
2.4.5.4
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 bahwa data tersebut
31
menyerupai fakta di dalam data sumber. Hal ini bisa dibuat
dengan berbagai cara.
2.4.5.5 Query Data
Sekali model yang cocok telah diciptakan dan dibangun,
data yang telah dibuat tersedia untuk mendukung keputusan.
Hal ini biasanya melibatkan penulisan front end query aplikasi
dengan suatu program aplikasi atau suatu program database
seperti : SQL Server melalui OLE DB provider Data Mining.
2.4.5.6 Pemeliharaan Validasi Model Data Mining
Karakteristik Data Mining yang telah terisi harus terjaga
validasinya, seperti persediaan jumlah ikan pada toko ikan, di
mana apabila terjadi perubahan pada pesediaan ikan tersebut
maka perubahan persediaan ikan tersebut harus dicatat, jadi
Data Mining yang terbentuk akan menjadi lebih efektif.
2.4.6
Teknik Data Mining
Dalam Data Mining terdapat dua tipe teknik antara lain (Berson,
Alex, et al. 2000, hal. 123-199)
1. Teknik Klasik
a. Statistik
Statistik atau teknik statistikal bukanlah Data Mining. Teknik
statistik telah lama digunakan sebelum Data Mining diterapkan ke
32
dalam aplikasi bisnis. Bagaimanapun, teknik statistik ini
dikendalikan oleh data dan digunakan untuk menemukan polapola dan membangun model prediktif.
Di bawah ini terdapat beberapa elemen statistik yang
biasanya dipakai dalam suatu persoalan statistik (Santoso,
Singgih, 2002, hal. 2-4):
i. Populasi
Secara umum populasi dapat didefinisikan sebagai kumpulan
data yang dapat mengidentifikasikan suatu fenomena.
ii. Sampel
Sampel dapat didefinisikan sebagai sekumpulan data yang
diambil atau yang diseleksi dari suatu populasi. Jadi sampel
adalah bagian dari populasi, atau populasi dapat dibagi dalam
berbagai jenis sampel. Pengambilan sampel dilakukan karena
dalam praktek banyak kendala yang tidak memungkinkan
seluruh populasi diteliti. Kendala tersebut bisa karena waktu,
situasi, tenaga, biaya, dan lainnya.
iii. Statistik Inferensi
Seperti telah dijelaskan, statistik inferensi pada dasarnya
adalah suatu keputusan, perkiraan atau generalisasi tentang
suatu populasi berdasarkan informasi yang terkandung dari
suatu sampel.
Jadi apa yang disimpulkan dari analisis terhadap sampel, itu pula
yang simpulkan secara umum pada populasi. Data dalam statistik
33
berdasarkan tingkat pengukurannya dapat dibedakan menjadi
empat jenis (Santoso, Singgih, 2002, hal. 4-6):
1. Data Kualitatif
Data Kualitatif secara sederhana dapat disebut data yang
bukan merupakan angka. Data kualitatif mempunyai ciri tidak
dapat dilakukan operasi metematika seperti penambahan,
pengurangan, perkalian, dan pembagian. Data kualitatif dapat
dibagi menjadi dua:
•
Nominal
Data bertipe nominal adalah data yang paling ‘rendah’
dalam level pengukuran data. Jika suatu pengukuran data
hanya menghasilkan satu dan hanya satu-satunya kategori,
maka data tersebut adalah data nominal (data kategori).
Contoh data nominal adalah jenis kelamin seseorang, pasti
laki-laki atau perempuan. Data nominal dalam praktek
statistik biasanya akan dijadikan ‘angka’ yaitu proses yang
disebut kateogri, misal dalam pengisian data jenis kelamin,
lelaki dikategorikan sebagai ‘1’ dan perempuan sebagai
‘2’. Kategori ini hanya sebagai tanda saja jadi tidak
mungkin tanda tersebut dilakukan operasi matematika
seperti penjumlahan atau pengurangan.
•
Ordinal
Data ordinal, seperti pada data nominal, adalah juga data
kualitatif namun dengan level lebih “tinggi” dari data
34
nominal. Jika pada data nominal, semua data kategori
dianggap sama, maka pada data ordinal, ada tingkatan
data. Jadi disini ada preferensi atau tingkatan data, di mana
data yang satu berstatus lebih tinggi atau lebih rendah dari,
misalkan data ordinal adalah sikap konsumen terhadap
suatu produk dalam pengukuran konsumen ada kategori
tidak suka, suka, dan sangat suka, dan kategori tersebut
tidak bisa disamakan derajatnya. Namun data ordinal juga
tidak dapat dilakukan operasi matematika, seperti jika
“tidak suka” dikategorikan sebagai ‘1’, “suka” sebagai ‘2’
dan “sangat suka” sebagai ‘3’ maka tidak bisa dianggap
‘1’ + ‘2’ = ‘3’, atau “tidak suka” ditambah “suka” menjadi
“sangat suka”
2. Data Kuantitatif
Data kuantitatif dapat disebut sebagai data berupa angka
dalam arti sebenarnya. Jadi berbagai operasi matematika dapat
dilakukan pada data kuantitatif. Data kuantitatif dibagi
menjadi 2 bagian:
•
Data Interval
Data Interval menempati level pengukuran data yang lebih
tinggi dari data ordinal, karena selain dapat bertingkat
urutannya, juga urutan tersebut dapat dikuantitatifkan.
Contoh dari data interval:
i. Cukup panas bila temperatur antara 50 C – 80C
35
ii. Panas jika temperatur antara 80 C – 110C
iii. Sangat panas jika temperatur antara 110 C – 140 C
Dalam kasus di atas, data temperatur dapat dikatakan data
interval, karena data memiliki interval (jarak) terntentu.
Namun di sini data interval tidak memiliki titik nol yang
absolut.
•
Data Rasio
Data rasio adalah data dengan tingkat pengukuran “tinggi”
di antara tingkat data lainnya. Data rasio adalah data yang
bersifat angka dalam arti sesungguhnya (bukan kategori
pada data nominal dan ordinal dapat dioperasikan secara
matematika). Perbedaan dengan data interval adalah
bahwa rasio mempunyai titik nol dalam arti sesungguhnya.
b. Nearest Neighbour
Teknik
prediksi
pengelompokan
dan
nearest
neighbour
merupakan teknik tertua yang digunakan dalam Data Mining.
Nearest neighbour merupakan teknik prediksi yang hampir sama
dengan pengelompokan, untuk memperkirakan apakah nilai
prediksi ada dalam satu record, mencari kesamaan nilai prediktor
di dalam satu basis data historis dan menggunakan nilai prediksi
dari record yang “terdekat” dengan unclassified record (Berson,
Alex et al, 2000, hal. 134-135). Contoh sederhana dari nearest
neighbour prediction algorithm adalah ketika memiliki orangorang yang tinggal di sekitar lingkungan (dalam kasus ini orang36
orang tersebut secara geografis tinggal di dekat rumah). Dapat
disadari bahwa pada umumnya semua mempunyai pendapatan
yang hampir sama. Jadi jika tetangga mempunyai pendapatan
yang lebih tinggi dari $100,000 maka semua mempuyai
kesempatan yang baik untuk mendapatkan pendapatan yang tinggi
pula. Tentu saja kesempatan di dalam mendapatkan pendapatan
yang tinggi itu akan menjadi lebih mungkin apabila seluruh
tetangga di sekitar lingkungan atau rumah memiliki pendapatan di
atas $100,000 dibandingkan dengan lingkungan di mana rumah
tetangga yang lain hanya mempunyai pendapatan $20,000. Cara
kerja dari algoritma ini hampir sama dengan contoh yang ada di
atas, tetapi dengan menggunakan teknik ini juga dapat diketahui
seseorang bersekolah di mana atau gelar apa yang telah dicapai
ketika memperkirakan pendapatan seseorang. (Berson, Alex et al,
2000, hal. 135)
c. Pengelompokan (Clustering)
Pengelompokan merupakan metode yang mengklasifikasikan data
ke dalam kelompok-kelompok berdasarkan kriteria dari masingmasing data. Biasanya teknik ini dipakai untuk memberikan
pengguna akhir sebuah gambaran level atas dari apa yang telah
terjadi di dalam basis data. Pengelompokan terkadang digunakan
untuk segmentasi. Pengelompokan bertujuan untuk mengurangi
data. Teknik ini sangatlah berguna untuk menemukan bagian dari
pelanggan
berdasarkan
37
karakteristiknya,
seperti
informasi
keuangan atau mengenai tingkah laku pelanggan dalam
melakukan pembelian (Viera, Robert, 2000, hal. 906). Algoritma
cluster tidak seperti pohon keputusan, tidak memecah data ke
dalam garis-garis tapi mengelompokkan data di dalam cluster.
Clustering adalah model yang lebih berguna untuk representasi
visual karena data dikelompokan dalam beberapa kriteria. Teknik
ini berjalan secara tidak langsung. Maksudnya adalah teknik ini
tidak mempunyai variabel yang tergantung untuk menemukan
hasil yang spesifik. Dengan kata lain ketika ingin merancang Data
Mining, tidak bisa diketahui apa yang akan dicari dan ditemukan.
Aplikasi dari teknik clustering adalah sebagai teknik penjumlahan
yang mengatur/meletakkan kembali data di dalam gudang data
dan membiarkannya secara ajaib mengatur data tersebut secara
teratur. Oleh karena itu teknik ini jarang digunakan untuk
menyediakan informasi kepada eksekutif dan hanya digunakan
jika kelompok data tersebut ingin dipelajari lebih lanjut misalnya
dengan decision tree (Seidman, Claude, 2001, hal. 137).
2. Teknik Generasi Selanjutnya
a. Pohon Keputusan (Decision Tree)
Pohon keputusan merupakan model prediktif yang dapat
digambarkan seperti pohon, di mana setiap node di dalam struktur
pohon tersebut mewakili sebuah pertanyaan yang digunakan
untuk menggolongkan data. Struktur ini dapat digunakan untuk
membantu memperkirakan kemungkinan nilai dari setiap atribut
38
data. Decision tree telah lama digunakan untuk mencari tahu
urutan dari karakteristik atau peraturan-peraturan dan akibat dari
peraturan yang digunakan untuk mencapai bermacam-macam
tujuan (Viera, Robert, 2000, hal. 905). Algoritma pohon
keputusan
menganalisa
data
dan
menciptakan
seri-seri
pengulangan dari cabang sampai tidak ada cabang relevan yang
bisa dibuat. Hasil akhirnya adalah sebuah susunan binary tree di
mana pemisahan cabang-cabangnya dapat diikuti bersama dengan
kriteria untuk mencari keinginan yang diketahui (Viera, Robert,
2000, hal. 905).
b. Jaringan Neural (Neural Network)
Jaringan Neural merupakan teknik model prediktif yang paling
kuat. Teknik ini dapat membuat model yang sangat kompleks
yang hampir tidak mungkin untuk mengerti secara benar,
meskipun seorang ahli. Model ini disajikan dalam nilai numerik
dengan perhitungan yang kompleks dan hasil akhir dari teknik ini
juga berupa numerik dan perlu untuk diterjemahkan jika nilai
prediksi aktual berupa kategori.
c. Aturan Induksi (Rule Induction)
Aturan induksi merupakan bentuk umum dari Data Mining dan
merupakan bentuk yang sama untuk penemuan pengetahuan di
dalam sistem pembelajaran unsupervised. Teknik ini dalam basis
data dapat menjadi sebuah usaha besar-besaran di mana semua
kemungkinan pola-pola secara sistematis keluar dari data, dan
39
kemudian akurasi dan arti ditambahkan ke dalam aturan tersebut
untuk memberitahukan pengguna betapa kuat pola dan bagaimana
dapat terjadi lagi.
2.4.7
Data Mining Tools
Terdapat peningkatan dalam jumlah Data Mining Tools secara
komersil. Karakteristik yang penting dari Data Mining Tools adalah:
2.4.8
•
Fasilitas Persiapan Data
•
Seleksi Algoritma
•
Performa Produt dan Scalability
•
Fasilitas untuk Memvisualkan Data
OLAP dan Data Mining
OLAP merupakan suatu teknologi yang menggunakan penyajian
data multidimensi, atau yang disebut juga sebagai kubus (cube), untuk
memberikan laju akses yang cepat untuk data dalam Data Warehouse.
Data Mining menggunakan suatu algoritma untuk menganalisa
data dan membangun model data yang dapat menyajikan informasi
mengenai data tersebut. Model Data Mining dapat digunakan untuk
memperkirakan
karakteristik
dari
data
baru
atau
untuk
mengidentifikasikan kelompok dari kesatuan data yang mempunyai
kesamaan karakteristik. Dalam Microsoft SQL Server 2000 Analysis
Service menyediakan server yang kuat dan alat-alat yang administratif
40
untuk menciptakan dan mengelola data OLAP dan menyajikan aplikasi
client online. Analysis service juga menggabungkan algoritma Data
Mining yang dapat menganalisa relasional data dalam basis data Data
Warehouse dan multidimensi data dalam kubus.
Kubus dan model Data Mining harus didesain, dikonfigurasikan,
dan diproses sebelum dapat digunakan oleh aplikasi klien, dan biasanya
memerlukan pembaharuan ketika Data Warehouse di-update. Terdapat
enam atau lebih proses pencarian pengetahuan dalam basis data:
2.4.9
•
Data Warehouse
•
Seleksi data
•
Data Preprocessing
•
Transformasi Data
•
Data Mining
•
Interpretasi/Evaluasi
Data Transformation Services
Perusahaan perlu untuk memusatkan data guna mendukung
pengambilan keputusan. Data tersebut dapat disimpan dalam jumlah yang
besar dalam bentuk angka-angka dari sumber yang berbeda. Barisan data
yang ada di dalam sumber ini harus di-reconciled dan diubah ke dalam
beberapa kasus sebelum dapat disimpan ke dalam Data Warehouse. Data
Transformation Services memindahkan data dari Database OLTP ke
Data Warehouse sesuai dengan tujuannya. Hal ini dilakukan ketika
41
validasi, cleaning-up, konsolidasi, dan merubah data yang diperlukan
(Viera, Robert, 2000, hal. 901).
2.5
Pemasaran
Pemasaran bukanlah permainan dan bukan pula seni dekoratif atau magis.
Pemasaran
adalah
bisnis,
murni
bisnis.
Pemasaran
adalah
tentang
mengungkapkan rencana-rencana secara sistematis dan matang dan mengambil
yang membuat lebih banyak orang lebih sering membeli lebih banyak produk
sehingga perusahaan memperoleh banyak uang (Zyman, Sergio, 2000, hal. 6).
Konsep pemasaran menyatakan bahwa kunci untuk meraih tujuan
organisasi adalah menjadi lebih efektif daripada para pesaing dalam memadukan
kegiatan pemasaran guna menetapkan dan memuaskan kebutuhan dan keinginan
pasar sasaran.
2.5.1 Konsep-konsep Inti Pemasaran
Untuk menjelaskan definisi, harus diperhatikan dengan seksama
istilah-istilah penting berikut sebagai konsep-konsep inti pemasaran
(Kotler, dan Armstrong, 1996, hal. 7-12):
1. Kebutuhan, Keinginan, dan Permintaan
Kebutuhan manusia adalah pernyataan dari rasa kehilangan.
Keinginan adalah bentuk kebutuhan manusia yang dihasilkan oleh
budaya dan kepribadian individual. Sedangkan permintaan adalah
keinginan yang didukung dengan daya beli.
2. Produk
42
Produk adalah segala sesuatu yang dapat ditawarkan kepada pasar
untuk memuaskan kebutuhan atau keinginan.
3. Nilai, Kepuasan, dan Mutu
Nilai bagi pelanggan merupakan perbedaan antara nilai yang
dinikmati pelanggan karena memiliki serta menggunakan suatu
produk dan biaya untuk memiliki produk tersebut. Dan kepuasan
bergantung kepada anggapan kinerja produk dalam menyerahkan nilai
relatif terhadap harapan pembeli. Untuk menjaga hal itu, perusahaan
mengadakan Total Quality Management sebagai usaha perbaikan
mutu dan proses pemasaran secara terus-menerus.
4. Pertukaran, Transaksi, dan Hubungan
Pertukaran merupakan tindakan untuk memperoleh obyek yang
didambakan dari seseorang dengan menawarkan sesuatu sebagai
penggantinya. Transaksi adalah perdagangan antara dua pihak, yang
paling sedikit melibatkan dua macam nilai, persetujuan mengenai
kondisi, persetujuan mengenai waktu, dan persetujuan mengenai
tempat. Sedangkan hubungan pemasaran adalah proses menciptakan,
memelihara dan meningkatkan hubungan erat yang semakin lama
semakin bernilai dengan pelanggan dan pihak-pihak berkepentingan
yang lain.
5. Pasar
Pasar adalah perangkat dari semua pembeli aktual dan potensial suatu
produk atau jasa.
43