7

BAB 2

LANDASAN TEORI

2.1. Sewa Guna Usaha (Leasing)

2.1.1. Pengertian Leasing

Menurut Kieso (2003, p1086), sewa guna usaha (lease) adalah suatu

perjanjian bersifat kontraktual antara lessor (pihak yang menyewakan) dan

lessee (pihak yang menyewa) yang memberikan lessee hak untuk

menggunakan properti tertentu, yang dimiliki oleh lessor, selama jangka waktu

tertentu sebagai ganti pembayaran uang sewa yang umumnya dibayar secara

periodik dan besarnya sudah ditetapkan. Sedangkan, menurut Stice (2005,

p294), sewa guna usaha (lease) adalah sebuah kontrak yang merinci

persyaratan-persyaratan di mana pemilik properti, yaitu lessor (yang

menyewakan) mentransfer hak penggunaan properti kepada lessee (penyewa).

Menurut Stice (2005, p295), terdapat beberapa keuntungan bagi lessee

daripada pembelian, seperti tanpa uang muka, lessee dapat menghindari resiko

kepemilikan, dan fleksibel karena perusahaan dapat dengan mudah mengganti

aktiva untuk menanggapi perubahan bisnis. Menurut Stice (2005, p296), lessor

mendapat beberapa keuntungan dari usaha sewa guna usaha (leasing), seperti

peningkatan penjualan, hubungan bisnis yang berkelanjutan melalui lease

antara lessor dan lessee, dan apabila kondisi ekonomi menghasilkan nilai sisa

yang signifikan pada akhir masa sewa, lessor dapat menyewakan properti ke

lessee lain atau menjual properti dan mendapat keuntungan.

Menurut Stice (2005, p298), untuk tujuan akuntansi, sewa guna usaha

dipisahkan menjadi dua bagian, sewa guna usaha modal (capital lease) dan

8

sewa guna usaha operasi (operating lease). Sewa guna usaha modal dicatat

seolah-olah perjanjian sewa guna usaha mengalihkan kepemilikan aktiva dari

lessor kepada lessee. Jika sewa guna usaha dicatat sebagai sewa guna usaha

modal, lessor mengakui adanya penjualan aktiva pada saat penandatanganan

sewa guna usaha, lessee akan mengakui aktiva yang disewagunausahakan, dan

juga kewajiban untuk pembayaran di masa depan, di neracanya.

Sedangkan, sewa guna usaha operasi dicatat sebagai perjanjian sewa,

tanpa transfer kepemilikan aktiva yang berkaitan dengan sewa guna usaha

tersebut. Lessor tidak mengakui adanya penjualan aktiva pada tanggal

penandatanganan sewa guna usaha, melainkan mengakui adanya pendapatan

sewa guna usaha setiap tahunnya saat pembayaran diterima. Lessee tidak

mengakui aktiva yang disewagunausahakan, dan tidak ada kewajiban sewa

guna usaha yang dilaporkan, tetapi hanya melaporkan beban sewa guna usaha

periodik yang jumlahnya sama dengan pembayaran tahunan sewa guna usaha.

2.1.2. Karakteristik Sewa Guna Usaha

Menurut Stice (2005, pp299–302), sewa guna usaha memiliki beberapa

karakteristik, yaitu jenis-jenis syarat kontrak yang biasa terdapat dalam

perjanjian sewa guna usaha, di antaranya :

• Syarat untuk pembatalan dan denda

Beberapa sewa guna usaha tidak dapat dibatalkan, kecuali yang

syarat pembatalan dan dendanya sangat mahal sehingga kemungkinan besar

pembatalan tidak akan terjadi.

9

• Pembaruan kontrak dan opsi pembelian (opsi pembelian murah)

Sewa guna usaha sering memasukkan syarat yang memberikan

lessee hak untuk membeli properti yang disewagunausahakan pada suatu

saat di masa depan. Jika harga pembelian tertentu diperkirakan kurang dari

nilai pasar wajar pada tanggal opsi pembelian digunakan, maka opsi

tersebut disebut opsi pembelian murah (bargain purchase option).

Perjanjian sewa guna usaha yang memasukkan opsi pembelian umumnya

berakhir dengan perpindahan kepemilikan aktiva dari lessor ke lessee.

• Persyaratan sewa guna usaha

• Masa manfaat aktiva (masa sewa guna usaha / lease term)

Masa sewa guna usaha (lease term) adalah periode waktu dari

permulaan sampai akhir sewa guna usaha. Permulaan terjadi ketika properti

yang disewagunausahakan ditransfer kepada lessee. Akhir masa sewa guna

usaha lebih fleksibel karena banyak sewa guna usaha memasukkan syarat

yang memperbolehkan lessee memperpanjang periode sewa guna usaha.

• Nilai sisa aktiva

Nilai pasar properti yang disewagunausahakan pada akhir masa

sewa guna usaha disebut dengan nilai sisa atau nilai residu (residual value).

Beberapa kontrak sewa guna usaha mengharuskan lessee menjamin nilai

sisa minimum. Jika nilai pasar pada akhir masa sewa guna usaha jatuh di

bawah nilai sisa yang dijamin (guaranteed residual value), lessee harus

membayar selisihnya. Syarat ini untuk melindungi lessor dari kerugian

karena penurunan yang tidak diharapkan atas nilai pasar aktiva.

10

• Pembayaran minimum sewa guna usaha

Pembayaran minimum sewa guna usaha (minimum lease payment)

adalah pembayaran sewa yang diharuskan selama masa sewa guna usaha

ditambah setiap jumlah yang dibayarkan untuk nilai sisa termasuk lewat

suatu opsi pembelian atau suatu jaminan terhadap nilai sisa. Pembayaran

sewa guna usaha sering kali terdiri dari jumlah minimum yang tetap dengan

pembayaran yang didasarkan pada penjualan yang dilakukan oleh lessee,

dan biaya pelaksanaan atau biaya eksekusi (executory cost) yang tidak

dianggap sebagai bagian dari pembayaran minimum sewa guna usaha,

seperti asuransi, pemeliharaan, dan pajak yang terkait dengan properti yang

disewagunausahakan.

• Tingkat bunga implisit dalam perjanjian sewa guna usaha

Tingkat bunga yang digunakan dalam menghitung pembayaran

sewa guna usaha disebut tingkat bunga implisit (implicit interest rate).

Tingkat pinjaman yang meningkat atau tingkat bunga pinjaman inkremental

(incremental borrowing rate), yaitu tingkat di mana lessee dapat meminjam

sejumlah uang yang diperlukan untuk membeli aktiva yang

disewagunausahakan, dengan mempertimbangkan situasi keuangan lessee

dan kondisi yang terjadi di pasar.

• Tingkat resiko yang diasumsikan oleh lessee, termasuk di dalamnya

pembayaran biaya-biaya tertentu, seperti pemeliharaan, asuransi, dan pajak.

11

2.2. Pemasaran

2.2.1. Pengertian Pemasaran

Menurut Kotler (2004, p5), pemasaran adalah suatu proses sosial dan

manajerial dimana individual dan grup memenuhi kebutuhan dan keinginan

mereka melalui penciptaan dan pertukaran produk dan nilai dengan pihak lain.

Tujuan pemasaran adalah menarik pelanggan baru, menjaga pelanggan yang

sudah ada, dan menambah jumlah pelanggan dengan cara memberikan

kepuasan. Sedangkan, menurut Boer (1999, p170), pemasaran adalah suatu

bidang ilmu yang memposisikan produk dan semua atributnya, termasuk harga

dan saluran distribusinya.

2.2.2. Proses-proses Pemasaran

Menurut Kotler (2004, pp53-62), proses pemasaran terdiri dari empat

tahap, yaitu:

1. Menganalisis peluang pemasaran

Dilakukan dengan cara segmentasi pasar, yaitu membagi pasar

menjadi grup-grup pembeli yang berbeda satu sama lain dengan kebutuhan,

karakteristik, dan kebiasaan serta memerlukan produk dan kegiatan

pemasaran yang berbeda satu sama lain. Segmen pasar merupakan

kumpulan pelanggan yang bereaksi sama terhadap suatu usaha pemasaran.

Sedangkan menurut Boer (1999, p178), segmentasi pasar adalah

pendefinisian target pasar. Segmentasi pasar merupakan proses

pengurangan pasar heterogen yang besar menjadi segmen-segmen pasar

homogen yang lebih kecil. Berdasarkan kompetensi, sumber daya, dan

saluran pemasaran yang sudah ada, perusahaan kemudian memutuskan

12

untuk meneliti dan mengembangkan produk-produk yang ditargetkan

khusus untuk satu atau lebih segmen pasar tersebut.

2. Memilih target pasar

Menetapkan target pasar adalah suatu proses mengevaluasi tiap-tiap

segmen pasar dan memilih satu atau lebih segmen pasar untuk dimasuki.

Setelah target pasar ditentukan, dilakukan positioning pasar, yaitu proses

penyesuaian produk agar dapat bersaing dengan produk yang ada di dalam

pola pikir pelanggan yang menjadi target pasar.

3. Mengembangkan bauran pemasaran

4. Me-manage usaha pemasaran

Terdapat empat fungsi manajemen pemasaran :

Analisis pemasaran

Merupakan kegiatan menganalisis pasar dan lingkungan pemasaran

untuk menemukan peluang dan menghindari ancaman. Dalam kegiatan

ini kekuatan dan kelemahan perusahaan, termasuk kegiatan pemasaran

saat ini dan yang mungkin diterapkan akan dianalisis untuk menemukan

peluang mana yang dapat diambil.

Perencanaan pemasaran

Pada tahap ini akan diputuskan strategi pemasaran apa yang dapat

membantu perusahaan mencapai semua tujuan strategisnya.

Implementasi pemasaran

13

Pengendalian pemasaran

Adalah proses mengukur dan mengevaluasi hasil strategi dan rencana

pemasaran dan mengambil tindakan perbaikan untuk menjamin tujuan

tetap tercapai. Pengendalian pemasaran terdiri dari dua jenis :

- Pengendalian operasi, termasuk di dalamnya pengecekan

performance yang ada dengan rencana tahunan dan melakukan

tindakan perbaikan jika diperlukan. Tujuannya adalah untuk

menjamin perusahaan mencapai penjualan, keuntungan, dan tujuan

lainnya yang telah ditentukan dalam rencana tahunan. Dan juga

termasuk menentukan tingkat keuntungan yang berbeda untuk tiap

produk, tempat, pasar, dan saluran pemasaran.

- Pengendalian strategis

2.2.3. Strategi Kompetitif Dasar

Menurut Kotler (2004, p574), terdapat tiga strategi pemenang :

- Overall cost leadership

- Diferensiasi

Membuat program pemasaran dan produk yang berbeda sehingga dapat

menjadi pemimpin dalam kelasnya di industri sehingga dalam kelompok

harga yang relative sama, pelanggan lebih menginginkan produk merk

perusahaan ini.

- Fokus

Memfokuskan seluruh usaha perusahaan dalam melayani (memenuhi

kebutuhan) beberapa segmen pasar daripada memenuhi kebutuhan seluruh

pasar.

14

Ada tiga strategi kompetitif pemasaran baru yang menyarankan agar

perusahaan menjadi pemimpin dengan memberikan nilai maksimum kepada

pelanggannya. Strategi ini dikenalkan oleh Michael Treacy dan Fred Wiersema

(Kotler, 2004, pp574-575). Strategi ini terdiri dari :

- Operational excellence

- Customer intimacy

Dengan cara melakukan segmentasi pasar dan membuat produk atau

jasa yang sesuai dengan kebutuhan target pelanggan. Perusahaan

mengkhususkan dirinya untuk memenuhi kebutuhan pelanggan yang unik

melalui hubungan yang akrab dan pengetahuan yang mendetail mengenai

pelanggan. Perusahaan yang menerapkan strategi ini membangun database

pelanggan secara mendetail untuk keperluan segmentasi dan membuat

target pelanggan, dan mendukung orang-orang pemasarannya untuk

merespon secara cepat kebutuhan-kebutuhan pelanggan. Perusahaan

menerapkan strategi ini untuk melayani pelanggan yang ingin membayar

premium untuk mendapatkan secara tepat apa yang diinginkan.

- Product leadership

2.3. Database

Menurut Connolly (2005, p15), database adalah kumpulan dari data yang

saling berhubungan secara logic di mana data tersebut didesain untuk memenuhi

kebutuhan informasi suatu organisasi dan juga termasuk deskripsi dari data yang

terdapat di dalam database. Database tidak hanya menyimpan data operasional

perusahaan, tetapi juga metadata. Metadata adalah suatu kumpulan data yang

15

terintegrasi yang mendeskripsikan data itu sendiri. Database terdiri dari entitas,

atribut, dan hubungan antar entitas yang ada. Suatu entitas adalah objek nyata

(orang, tempat, benda, konsep, atau kejadian) dalam perusahaan yang disimpan

dalam database. Atribut adalah property yang mendeskripsikan suatu objek yang

disimpan dalam database, dan relationship adalah hubungan antar entitas dalam

database.

DBMS (Database Management System) merupakan suatu sistem software

yang memungkinkan user mendefinisikan, membuat, memperbaharui, dan

mengontrol akses ke dalam database. DBMS merupakan software yang

menghubungkan program aplikasi dengan database (Connolly, 2005, p16).

Program aplikasi adalah program komputer yang dapat berhubungan dengan

database yang dilakukan dengan cara memberikan command (khususnya command

SQL) kepada DBMS (Connolly, 2005, p17). User berinteraksi dengan database

melalui program aplikasi yang digunakan untuk membuat dan me-maintain

database dan menghasilkan informasi.

2.4. Data Warehouse

2.4.1. Definisi Data Warehouse

Menurut Connolly (2005, pp1151-1152), data warehousing adalah

kumpulan data yang bersifat subject oriented, integrated, time-variant, dan

non-volatile yang mendukung proses pengambilan keputusan bagi pihak

manajemen. Sedangkan, menurut Inmon (2005, p29), sebuah data warehouse

adalah kumpulan data yang mendukung manajemen pengambilan keputusan

yang bersifat subject-oriented, integrated, nonvolatile dan time-variant. Tujuan

16

akhir data warehousing adalah mengintegrasikan data yang terdapat pada

seluruh perusahaan ke dalam satu tempat penyimpanan di mana user dapat

dengan mudah melakukan query, membuat laporan, dan melakukan analisis.

2.4.2. Karakteristik Data Warehouse

1. Subject Oriented

Menurut Inmon (2005, pp29-33), secara klasik sistem operasi

diorganisasikan seputar aplikasi fungsional dari perusahaan. Untuk

perusahaan asuransi, aplikasinya dapat berupa auto, health, life dan

casuality. Area subyek utama perusahaan asuransi dapat berupa customer,

policy, premium, dan claim. Setiap tipe perusahaan memiliki subyek

dengan keunikan tersendiri. Menurut Connolly (2005, pp1151-1152),

subject Oriented berarti data warehouse disusun berdasarkan subjek-subjek

penting pada perusahaan.

2. Integrated

Menurut Inmon (2005, pp29-33), data diambil dari banyak sumber

berbeda kemudian dimasukkan ke dalam data warehouse. Selama data

diambil data tersebut diubah, dilakukan format kembali, diurutkan, dan

diringkas. Hasilnya, data terletak dalam data warehouse yang memiliki

satu pandangan, yaitu sebagai data yang tergabung. Menurut Connolly

(2005, pp1151-1152), integrated berarti data dalam data warehouse

berasal dari berbagai data dalam sistem aplikasi perusahaan.

3. Nonvolatile

Menurut Inmon (2005, pp29-33), data pada data warehouse di-load

dan diakses tetapi tidak di-update. Ketika data pada data warehouse di-

17

load, data di-load di dalam sebuah snapshot (static format). Ketika terjadi

perubahan selanjutnya, snapshot record yang baru ditulis. Menurut

Connolly (2005, pp1151-1152), non-volatile berarti data dalam data

warehouse diperoleh dari database operasional dan tidak dapat diubah.

4. Time Variant

Menurut Inmon (2005, pp29-33), time-variant menyatakan bahwa

setiap unit data dalam data warehouse adalah akurat. Dalam beberapa

kasus, record ditandai. Dalam kasus lain, sebuah record memiliki tanggal

transaksi. Tetapi pada setiap kasus, ada beberapa bentuk penanda waktu

untuk menunjukkan bahwa record itu akurat. Menurut Connolly (2005,

pp1151-1152), time-variant berarti data dalam data warehouse hanya

akurat pada periode waktu tertentu.

2.4.3. Arsitektur Data Warehouse

Arsitektur Data Warehouse menggunakan dimensionality modeling.

Dimensionality modeling adalah teknik desain data secara logic yang bertujuan

untuk merepresentasikan data dalam bentuk yang memungkinkan performance

akses yang tinggi (Connolly, 2005, p1183). Star schema merupakan suatu

struktur data secara logic yang memiliki sebuah tabel fakta di tengah dan

dikelilingi oleh tabel dimensi yang berisi data referensi dari tabel fakta (yang

dapat didenormalisasi) (Connolly, 2005, p1183). Snowflake schema adalah

variasi dari star schema di mana tabel dimensi berisi data yang sudah

dinormalisasi. Snowflake schema memungkinkan tabel dimensi untuk memiliki

tabel referensi yang lain (Connolly, 2005, p1184). Starflake schema merupakan

18

suatu struktur gabungan dari star schema dan snowflake schema (Connolly,

2005, p1185).

2.4.4. Hubungan Data Warehouse dan OLTP

Menurut Connolly (2005, p1153), OLTP dan data warehouse memiliki

karakteristik yang berbeda dan dibuat untuk tujuan yang berbeda. Walaupun

demikian, keduanya memiliki hubungan yang erat di mana data yang disimpan

dalam data warehouse berasal dari OLTP. Namun demikian, sebelum data

OLTP diekstrak ke dalam data warehouse, data tersebut harus melalui proses

cleaning data terlebih dahulu. Hal ini karena data yang disimpan dalam OLTP

tidak konsisten, terfragmentasi, dan mudah berubah. OLTP juga menyimpan

data yang bersifat duplikat.

Tabel 2.1. Perbedaan antara Sistem OLTP dan Sistem Data Warehouse

Sumber : Connolly (2005, p1153)

Sistem OLTP Sistem data warehouse

Menyimpan data operasional perusahaan Menyimpan data historis perusahaan

Menyimpan data yang detail Menyimpan highly summarized data

Data bersifat dinamis (sering berubah) Data bersifat statis (tidak berubah)

Proses dilakukan berulang Proses ad hoc, tidak terstruktur, dan

heuristic.

Application oriented Subject oriented

Pola penggunaan yang dapat diprediksi Pola penggunaan yang tidak dapat

diprediksi

19

Dibuat dengan tujuan untuk membantu

dan mempermudah transaksi

Dibuat dengan tujuan untuk kepentingan

analisis

Mendukung pengambilan keputusan

harian

Mendukung pengambilan keputusan

strategis

Digunakan oleh operational user dalam

jumlah yang besar

Digunakan oleh managerial user yang

jumlahnya relatif sedikit

Perusahaan dapat memiliki sejumlah

OLTP untuk setiap proses bisnis

Perusahaan umumnya hanya memiliki

satu buah data warehouse

2.5. Data Mining

2.5.1. Definisi Data Mining

Menurut Connolly (2005, p1233), data mining adalah proses

menghasilkan informasi yang tidak diketahui sebelumnya dari suatu database

yang besar, yang kemudian digunakan dalam proses pengambilan keputusan

bisnis. Sedangkan, menurut Tang (2005, p2), data mining merupakan kegiatan

menganalisis data dan menemukan pola tersembunyi secara otomatis atau

semiotomatis.

Data dalam jumlah besar telah dikumpulkan dan disimpan dalam

database dari software bisnis, seperti aplikasi keuangan, Enterprise Resource

Management (ERP), Customer Relationship Management (CRM), dan web log.

Kumpulan data dalam jumlah besar membuat organisasi memiliki data dalam

jumlah banyak, namun tanpa adanya pengolahan data, data tersebut belum

dapat menghasilkan informasi ataupun knowlegde yang berguna. Oleh karena

20

itu, data mining diperlukan untuk menemukan pola-pola dari data yang ada,

meningkatkan nilai intrinsik data, dan mengubah data menjadi knowledge

(Tang, 2005, p2).

2.5.2. Masalah Bisnis untuk Data Mining

Beberapa jenis masalah yang dapat dipecahkan dengan menggunakan

data mining menurut Tang (2005, p5) :

• Churn analysis

Industri telekomunikasi, perbankan, dan asuransi menghadapi persaingan

yang ketat saat ini. Setiap pelanggan mobile phone rata-rata menghabiskan

lebih dari 200 dolar dana pemasaran perusahaan telepon. Setiap bisnis tentu

ingin mendapatkan pelanggan sebanyak mungkin dan Churn analysis dapat

membantu manajer pemasaran untuk memahami alasan mengenai loyalitas

pelanggan.

• Cross-selling

Cross-selling merupakan suatu tantangan bisnis bagi retailer. Retailer dan

online retailer menggunakan fitur ini untuk meningkatkan penjualannya.

Sebagai contoh, ketika terjadi pembelian buku pada Amazon.com atau

Barnes and Noble.com, website tersebut akan memberikan rekomendasi

mengenai buku-buku yang berhubungan dengan buku yang dipilih di mana

rekomendasi ini diperoleh dari analisis data mining.

• Fraud detection

Setiap harinya perusahaan asuransi melakukan proses pemeriksaan

terhadap ribuan klaim, sehingga sulit bagi perusahaan untuk menyelidiki

21

lebih lanjut mengenai klaim-klaim tersebut. Dalam hal ini teknik data

mining dapat membantu mengidentifikasi penyimpangan pada klaim yang

ada.

• Risk management

Dalam memutuskan diterima tidaknya permintaan peminjaman dari

pelanggan dan menilai tingkat resiko yang ditimbulkan dari peminjaman

tersebut, teknik data mining dapat digunakan untuk membantu dalam

penyelesaian masalah tersebut.

• Customer segmentation

Teknik data mining dapat membantu manajer pemasaran dalam memahami

profil pelanggan yang bertujuan untuk pengambilan keputusan yang

bersifat strategis yang mendukung pemasaran produk.

• Targeted ads

Teknik data mining dapat digunakan untuk mendapatkan sesuatu yang

digemari oleh customer dan menawarkannya kepada customer. Sebagai

contohnya adalah menelusuri pola urutan klik pada halaman web pembelian

online yang diakses oleh customer.

• Sales forecast

Teknik data mining dapat digunakan untuk melakukan prediksi.

2.5.3. Kegiatan dalam Data Mining

Menurut Tang (2005, pp6-10), kegiatan data mining dikelompokkan

menjadi:

22

• Classification

Klasifikasi merupakan salah satu kegiatan data mining yang paling

banyak digunakan. Masalah bisnis, seperti churn analysis, risk

management, dan ad targeting dapat ditangani dengan klasifikasi.

Klasifikasi merupakan tindakan dalam menentukan apakah suatu data

termasuk ke dalam kategori tertentu atau tidak berdasarkan atribut class

(atribut yang diprediksi) yang dimiliki. Algoritma klasifikasi meliputi

decision tree, neural network, dan Naïve Bayes.

• Clustering

Clustering disebut juga pengelompokan. Clustering membagi data

menjadi kelompok-kelompok tertentu berdasarkan kumpulan atribut yang

dimiliki. Data-data dengan nilai atribut yang sama akan masuk ke dalam

kelompok yang sama. Algoritma yang digunakan untuk clustering adalah

clustering.

Gambar 2.1. Clustering

Sumber : Tang (2005, p7)

23

Gambar 2.1 menggambarkan suatu dataset pelanggan sederhana

yang memiliki dua atribut, yaitu usia dan pendapatan. Cluster 1 terdiri dari

populasi yang usianya lebih muda dengan tingkat pendapatan yang rendah.

Cluster 2 terdiri dari pelanggan paruh baya dengan tingkat pendapatan yang

lebih tinggi. Cluster 3 terdiri dari kelompok yang usianya lebih tua dengan

tingkat pendapatan yang relatif rendah.

• Association

Asosiasi merupakan kegiatan data mining yang juga banyak

digunakan. Asosiasi disebut juga market basket analysis. Tujuan asosiasi

adalah mengidentifikasi kumpulan item yang sering terjual bersama dalam

suatu transaksi (frequent item sets) dan aturan-aturan untuk cross-selling.

Dalam asosiasi, satu produk atau kumpulan beberapa produk dianggap

sebagai satu item. Algoritma yang dapat digunakan dalam asosiasi meliputi

Association Rules dan Decision Tree.

Gambar 2.2. Asosiasi Produk

Sumber : Tang (2005, p9)

24

Gambar 2.2 menunjukkan pola asosiasi produk. Node dalam gambar

menggambarkan produk, tanda panah menggambarkan hubungan

antarproduk, dan arah tanda panah menggambarkan arah prediksi. Sebagai

contoh, panah dari Milk ke Cheese menandakan bahwa siapapun yang

membeli Milk memiliki kemungkinan untuk membeli Cheese juga.

• Regression

Kegiatan regresi sama dengan klasifikasi. Perbedaan utamanya

adalah atribut yang diprediksi merupakan bilangan continuous. Linear

regression dan logistic regression merupakan contoh metode regresi yang

banyak digunakan. Contoh teknik regresi lainnya adalah regression tree

dan neural networks. Kegiatan regresi dapat memecahkan banyak masalah

bisnis. Contohnya, untuk memprediksi metode distribusi, volume distribusi,

atau memprediksi kecepatan angin berdasarkan temperatur, tekanan air, dan

kelembaban.

• Forecasting

Forecasting merupakan kegiatan data mining yang penting.

Forecasting menggunakan time series dataset sebagai input. Time series

data merupakan data yang berurutan dan berkelanjutan. Teknik forecasting

berhubungan dengan tren umum dan periode waktu. Teknik time series

yang paling populer adalah ARIMA (AutoRegressive Integrated Moving

Average).

25

Gambar 2.3. Time Series

Sumber : Tang (2005, p9)

Gambar 2.3 terdiri dari 2 kurva. Kurva garis yang solid merupakan

time series data sebenarnya dari nilai stok Microsoft, sedangkan kurva

titik-titik merupakan model time series dari teknik forecasting dari

perubahan nilai rata-rata.

2.5.4. Algoritma Data Mining

• Algoritma Naive Bayes

Menurut Tang (2005, p132), algoritma Naïve Bayes dapat

digunakan untuk membuat model yang menyediakan kemampuan prediksi

dan juga menyediakan metode baru untuk menyelidiki data. Algoritma ini

belajar dari fakta dengan menghitung hubungan antara variabel yang

menarik dengan seluruh variabel lainnya. Berikut adalah contoh laporan

dari algoritma Naive Bayes :

26

Gambar 2.4. Contoh Laporan Algoritma Naive Bayes

Sumber : Tang (2005, p141)

• Algoritma Decision Tree

Menurut Tang (2005, pp145-146), data mining untuk Decision Tree

yang paling banyak digunakan adalah classification. Prinsipnya adalah

memecah data secara rekursif ke dalam bagian-bagian di mana bagian itu

terdiri kurang lebih status target variabel yang sama. Decision Tree

terbentuk setelah proses rekursif selesai. Ada 3 keuntungan menggunakan

data mining, antara lain cepat, setiap cabang membentuk aturan, dan

prediksi lebih efisien. Microsoft Decision Tree adalah perpaduan algoritma

Decision Tree dengan penelitian Microsoft. Ini mendukung kegiatan

classification dan regression. Berdasarkan pengaturan parameter, hasil

pohon bisa berbeda tergantung pada pemecahan ujung dan bentuk pohon.

Berikut adalah contoh laporan dari algoritma Decision Tree :

27

Gambar 2.5. Contoh Laporan Algoritma Decision Tree

Sumber : Tang (2005, p164)

• Algoritma Time Series

Menurut Tang (2005, p170), algoritma Time Series terdiri dari data

yang dikumpulkan melalui bertambahnya waktu. Banyak variabel yang

berubah seiring dengan waktu. Urutan nilai variabel membentuk Time

Series. Peningkatan waktu dalam Time Series bisa discrete atau continuous.

Tujuan utama dari mengumpulkan data berdasarkan urutan waktu adalah

untuk meramalkan atau membuat perkiraan nilai yang akan datang. Berikut

adalah contoh laporan dari algoritma Time Series :

28

Gambar 2.6. Contoh Laporan Algoritma Time Series

Sumber : Tang (2005, p185)

• Algoritma Clustering

Menurut Tang (2005, p188), algoritma Clustering menemukan

kelompok alami di dalam data ketika pengelompokan tidak jelas. Dengan

kata lain, menemukan variabel tersembunyi yang disusun secara akurat.

Clustering bisa digunakan untuk mengetahui lebih banyak tentang

pelanggan. Kemampuan menentukan dan mengidentifikasi segmen pasar

merupakan alat yang sangat berguna untuk mengembangkan bisnis. Berikut

adalah contoh laporan dari algoritma Clustering :

29

Gambar 2.7. Contoh Laporan Algoritma Clustering 1

Sumber : Tang (2005, p205)

Gambar 2.8. Contoh Laporan Algoritma Clustering 2

Sumber : Tang (2005, p206)

30

• Algoritma Association Rules

Menurut Tang (2005, p230), dengan menggunakan algoritma

Association Rules, analisis shopping chart pelanggan dapat mempelajari

produk apa yang umumnya dibeli secara bersama. Association rules

mencari kumpulan item paling banyak. Ada 2 langkah dalam algoritma ini,

yaitu tahap Calculation Intensive untuk menemukan kumpulan item yang

paling banyak. Dan tahap berikutnya adalah menghasilkan aturan

kumpulan berdasarkan kumpulan item yang paling banyak. Langkah ini

lebih cepat dari pada langkah pertama. Berikut adalah contoh laporan dari

algoritma Association Rules :

Gambar 2.9. Contoh Laporan Algoritma Association Rules

Sumber : Tang (2005, p245)

31

• Algoritma Neural Network

Menurut Tang (2005, pp247-248), Neural Network pada dasarnya

mengacu pada classification dan regression. Seperti Decision Tree, Neural

Network bisa menemukan hubungan yang tidak sesuai diantara attribute

masukan dan attribute prediksi. Kekurangannya, biasanya diperlukan

pembelajaran lebih dalam menggunakan Neural Network daripada

menggunakan Decision Tree dan Naïve Bayes. Neural Network mendukung

hasil discrete dan continuous. Neural Network terdiri dari sekumpulan node

dan bagian yang membentuk sebuah jaringan. Berikut adalah contoh

laporan dari algoritma Neural Network :

Gambar 2.10. Contoh Laporan Algoritma Time Series

Sumber : Tang (2005, p264)

32

2.5.5. Aliran Data

Gambar 2.11. Aliran Data

Sumber : Tang (2005, p12)

Gambar 2.11 menggambarkan aliran data pada aplikasi data mining.

Aplikasi bisnis menyimpan data transaksi dalam sebuah database Online

Transaction Processing (OLTP). Data OLTP kemudian diekstrak, diubah, dan

diisi ke dalam data warehouse. Setelah itu OLAP cubes dapat dibuat dari data

warehouse.

Pada umumnya data mining diaplikasikan pada data warehouse yang

sudah mengalami proses data cleaning dan transformation. Pola yang

ditemukan pada model data mining nantinya akan diberikan kepada manajer

pemasaran melalui laporan-laporan yang dihasilkan. Biasanya perusahaan

kecil tidak memiliki data warehouse. Oleh karena itu, data mining dilakukan

secara langsung pada tabel-tabel OLTP.

Prediksi dapat dilakukan secara langsung mengakses data mining

melalui Web aplikasi. Dalam cross-selling, begitu pelanggan Web memasukkan

33

produk ke dalam shopping chart, query prediksi data mining langsung

dijalankan untuk mendapatkan daftar rekomendasi produk berdasarkan

association analysis.

Data mining juga dapat diaplikasikan untuk menganalisis OLAP cubes.

Cube adalah database multidimensi yang memiliki banyak dimensi dan

measures. Teknik data mining dapat digunakan untuk menemukan pola-pola

yang tersembunyi dalam suatu cube. Sebagai contoh, algoritma asosiasi dapat

diaplikasikan pada cube penjualan untuk menganalisis pola pembelian

pelanggan pada daerah dan periode waktu tertentu. Teknik data mining juga

dapat diaplikasikan untuk memprediksi measures, sebagai contohnya : besar

penjualan dan keuntungan toko. Contoh lainnya ialah clustering. Data mining

dapat mengelompokkan pelanggan berdasarkan properti dan measure dimensi.

Data mining tidak hanya dapat menemukan pola dalam cube, tetapi juga

menyusun ulang desain cube berdasarkan hasil model data mining. (Tang,

2005, pp11-12).

2.5.6. Data Mining Project Cycle

Menurut Tang (2005, pp13-17), langkah-langkah proyek data mining

meliputi:

1. Data Collection

Data mengenai aktivitas bisnis disimpan dalam berbagai sistem

dalam perusahaan. Sebagai contoh: Microsoft memiliki ratusan database

OLTP dan lebih dari 70 data warehouse. Langkah pertama dalam data

mining adalah mengambil data yang diperlukan dan menyimpannya ke

dalam suatu database atau suatu data mart di mana analisis data akan

34

dilakukan. Data dalam data warehouse belum cukup untuk keperluan data

mining, sehingga data masih dikumpulkan dari sumber lainnya.

2. Data Cleaning dan Transformation

Tujuan Data Cleaning adalah untuk membuang informasi yang

tidak berhubungan dari dataset. Tujuan transformasi data adalah untuk

mengubah data sumber ke dalam bentuk format yang berbeda sesuai

dengan nilai dan tipe data yang ada. Ada beberapa teknik yang dapat

digunakan dalam Data Cleaning dan Transformation, antara lain:

Data type transform

Merupakan transformasi data yang paling mudah. Contohnya

adalah mengubah tipe data Boolean menjadi integer. Alasan

transformasi ini adalah adanya beberapa algoritma data mining yang

berfungsi lebih baik pada data integer, sedangkan algoritma yang lain

berfungsi lebih baik pada data Boolean.

Continuous column transform

Transformasi data berfungsi untuk membagi data continuous ke

dalam kelompok-kelompok tertentu. Selain mengelompokkan, teknik

seperti normalisasi juga biasanya digunakan untuk mengubah data

continuous. Normalisasi mengubah semua nilai numerik menjadi angka

antara 0 dan 1 (atau -1 sampai 1) agar angka-angka yang besar tidak

menominasi angka-angka yang lebih kecil selama proses analisis.

Grouping

Biasanya terdapat banyak nilai yang berbeda pada kolom diskrit

sehingga diperlukan pengelompokan pada kolom ini ke dalam beberapa

35

kelompok untuk mengurangi kompleksitas model. Pengelompokan ini

membuat model lebih mudah diinterpretasikan.

Aggregation

Misalkan terdapat sebuah tabel berisi catatan detail mengenai

panggilan telepon (Call Detail Record/CDR) untuk setiap pelanggan,

dan akan dilakukan pengelompokan pelanggan berdasarkan

penggunaan telepon perbulannya. Karena informasi CDR terlalu detail

untuk model, maka perlu dilakukan agregasi untuk seluruh panggilan

menjadi beberapa atribut, seperti jumlah total panggilan dan rata-rata

durasi panggilan. Atribut inilah yang akan digunakan dalam model.

Missing value handling

Ada beberapa penyebab hilangnya data. Sebagai contoh, tabel

demografis pelanggan dapat memiliki kolom umur, tetapi pelanggan

tidak selalu memberitahukan umurnya pada saat pendaftaran. Contoh

lainnya adalah terdapat tabel nilai penutupan harian bursa saham MSFT

dan bursa saham tutup setiap akhir minggu sehingga akan ada nilai null

pada tanggal-tanggal tersebut dalam tabel.

Ada beberapa cara untuk mengatasi masalah ini. Kita dapat

mengganti nilai yang hilang dengan nilai yang paling umum (tetap).

Jika kita tidak mengetahui umur pelanggan, kita dapat menggantinya

dengan umur rata-rata semua pelanggan. Jika suatu record memiliki

banyak nilai yang hilang, maka dapat dihapus. Untuk kasus yang lebih

tinggi tingkatannya, dapat dibuat mining model dengan menggunakan

data yang lengkap, dan kemudian menggunakan model untuk

36

memprediksikan nilai yang paling mendekati nilai dari tiap missing

case.

Removing outliers

Outlier merupakan data abnormal dalam sebuah dataset. Data

abnormal akan mempengaruhi kulitas model. Outliers dapat dibuang

berdasarkan kumpulan atribut. Algoritma clustering dapat digunakan

untuk mengelompokkan outliers ke dalam beberapa cluster berbeda.

3. Model Building

Setelah memahami kegiatan dalam proses data mining, akan lebih

mudah untuk menentukan algoritma yang tepat, tetapi akan sulit untuk

menentukan algoritma data mining yang cocok sebelum dilakukan training

model. Tingkat akurasi algoritma tergantung pada data, seperti jumlah

status atribut prediksi, distribusi nilai tiap atribut, hubungan antar atribut,

dan lainnya. Sebagai contoh, jika hubungan di antara semua atribut input

dan atribut yg diprediksi sama, algoritma decision tree merupakan pilihan

yang baik. Jika hubungan antar atribut lebih rumit, algoritma neural

network adalah pilihan yang tepat.

Cara yang tepat adalah membuat berbagai model dengan

menggunakan algoritma yang berbeda kemudian membandingkan akurasi

tiap model dengan menggunakan tool, seperti lift chart. Untuk algoritma

yang sama, perlu dibangun beberapa model menggunakan parameter

setting yang berbeda untuk menemukan akurasi model yang terbaik.

37

4. Model Assessment

Terdapat beberapa tools yang digunakan untuk menilai model dan

yang paling sering digunakan adalah lift chart. Lift chart menggunakan

model yang sudah di-training untuk memprediksikan nilai testing dataset.

Berdasarkan nilai dan kemungkinan yang diprediksi, model digambarkan

dalam bentuk grafik.

5. Reporting

Reporting merupakan langkah penyajian hasil penemuan dari proses

data mining. Data mining tools memiliki fasilitas laporan yang

memungkinkan user untuk membuat laporan dari model data mining dalam

bentuk tekstual atau grafik. Ada dua tipe laporan, yaitu laporan tentang

penemuan (pola) dan laporan tentang prediksi atau ramalan.

6. Prediction (Scoring)

Tujuan akhir data mining adalah mengunakan model untuk

melakukan prediksi. Prediksi disebut juga scoring dalam istilah data

mining. Untuk melakukan prediksi, diperlukan trained model dan

sekumpulan data baru.

7. Application Integration

Memasukkan data mining ke dalam aplikasi bisnis berarti

menerapkan intelligence pada bisnis. Menggabungkan fasilitas data

mining, terutama prediksi secara real time ke dalam aplikasi merupakan

salah satu langkah penting dalam proyek data mining.

38

8. Model Management

Pada sebagian besar analisis bisnis, model yang telah dibuat harus

dilakukan training ulang. Contohnya pada toko buku online di mana setiap

harinya terbit buku baru. Seperti data lainnya, mining model juga memiliki

masalah keamanan sehingga perlu adanya pengaturan hak akses untuk

masing-masing user.

2.5.7. Hubungan Data Mining dengan Data Warehouse

Menurut Connolly (2005, p1233), informasi yang banyak dan kompleks

dalam data warehouse menyebabkan data warehouse sulit mengidentifikasi

tren dan hubungan antar datanya dengan menggunakan query yang sederhana

dan reporting tools. Data mining merupakan cara terbaik untuk menemukan

tren dan pola yang ada dalam data warehouse. Data mining dapat menemukan

informasi yang tidak dapat dihasilkan secara efektif dengan menggunakan

query dan laporan. Walaupun demikian, data mining dan data warehouse tetap

berhubungan.

Menurut Connolly (2005, p1242), salah satu halangan organisasi dalam

mengembangkan data mining adalah menemukan data yang tepat untuk

digunakan dalam data mining. Data mining memerlukan data sumber yang

tunggal, clean, terintegrasi, dan konsisten. Berikut adalah alasan mengapa data

warehouse digunakan untuk menyediakan data untuk data mining:

Konsistensi dan kualitas data merupakan prasyarat dalam data mining

untuk menjamin keakuratan model prediksi, dan data warehouse dibuat

dari data yang clean dan konsisten.

39

Jika data yang digunakan berasal dari banyak sumber maka akan

mempermudah dalam mencari hubungan antar data, dan data warehouse

berisi data yang berasal dari sejumlah sumber.

Memilih subset yang relevan dari records dan fields untuk data mining

memerlukan query yang digunakan dalam data warehouse.

Penelusuran yang dilakukan pada uncovered pattern dapat digunakan agar

hasil data mining dapat dimanfaatkan secara maksimal. Data warehouse

dapat berhubungan dengan data source untuk mendukung hal ini.

2.6. Web – Based

Web-Based Application merupakan sebuah aplikasi yang memanfaatkan

teknologi World Wide Web sebagai interface-nya, yang berarti data yang

diinginkan dapat diakses dan diubah dengan menggunakan sebuah Web Browser.

Ini sangat menguntungkan sebuah perusahaan karena aplikasi ini dapat dijalankan

pada semua komputer yang memiliki Web Browser di dalamnya.

Beberapa keuntungan dari Web-Based Applications diantaranya:

1. Data dapat diakses kapan dan dari mana saja,

2. Mudah dipakai, pemakai cukup melakukan point & click,

3. Perusahaan tidak harus membeli program pengakses karena browser umumnya

tersedia secara gratis di Internet. Contoh browser yang gratis adalah Mozilla,

Netscape, dan Opera.