analisis jurnal 3

ANALISIS JURNAL

CUSTOMER RELATIONSHIP MANAGEMENT :

MEMBANGUN PERANGKAT LUNAK MANAJEMEN

MELALUI APLIKASI DATA MINING

DALAM MENINGKATKAN NILAI PELANGGAN

Pengarang :

Teddy Oswari, Miftah Andriansyah & C. Dewi Wulandari

Fakultas Ekonomi, Fakultas Ilmu Komputer dan Teknologi Informasi

Universitas Gunadarma, Jalan Margonda Raya No. 100 Depok

{toswari, didi, c_dewi}@staff.gunadarma.ac.id

Judul  / Tema
Customer Relationship Management

Membangun Perangkat Lunak Manajemen Melalui Aplikasi Data Mining Dalam Meningkatkan Nilai Pelanggan           

Masalah
Apa sajakah dan seperti apa kebutuhan dalam bidang pemasaran, solusi yang dipikirkan para internal perusahaan, pemanfaatan, cara kerja, tugas dan metodologi – metodologi populer pada data mining.

Latar Belakang
Saat ini banyak data yang telah dilahirkan dan terus - menerus bertambah di bidang ilmu pengetahuan, bisnin, dan pemerintahan. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekspektasi “pengetahuan” dari data.

Tujuan
Agar para pemerhati memperoleh gambaran mengenai data mining di dunia bisnis pemasaran, sekaligus juga mengenal konsep – konsep teoritis yang melandasi teknologi data mining.

Hasil
Data mining, yang hadir sebagai teknologi untuk memanfaatkan ketersediaan data bisnis yang melimpah, telah membantu para pelaku bisnis untuk mempertahankan dan mengembangkan bisnis mereka. Akan tetapi, agar teknologi data mining dan KDD ini dapat dimanfaatkan terus dengan baik, teknologi ini harus dapat “bekerja” berdampingan dengan bidang lain di dunia teknologi informasi yang berkembang dengan sangat cepat. Penyempurnaan sana – sini masih terus diperlukan, karena itu peluang riset dibidang ini masih terbuka lebar.

Metodologi
Pada pembahasan ini digunakan istilah pola dan model. Pola diartikan sebagai instansiasi dari model. Sebagai contoh f(x) = 3x2 + x adalah pola dari model f(x) = ax2 + bx. Data mining melakukan pencocokan model atau menentukan pola dari data yang diobservasi.

·         Pendekatan matematis yang digunakan dalam pencocokan model :

1.      Statistic                        :           memberikan efek non deterministic

2.      Logic               :           yang murni deterministic

            Yang lebih banyak digunakan adalah pendekatan statistic, mengingat ketidakpastian yang ada dalam proses pembangkitan data di dunia nyata. Kebanyakan metode data mining didasarkan pada konsep mesin, belajar, pengenalan atau pencocokan pola dari statistic ( klasifikasi, pengelompokkan (clustering), pemodelan grafis, dan regresi ).

1.      Klasifikasi

Fungsi pembelajaran yang mengklasifikasi sebuah unsure ( item ) data ke dalam salah satu dari beberapa kelas yang sudah didefinisikan.

2.      Regresi

Fungsi pembelajaran yang memetakan sebuah unsure data ke sebuah variable prediksi bernilai nyata.

3.      Pengelompokkan ( clustering )

Merupakan tugas deskripsi yang banyak digunakan dalam mengidentifikasi sebuah himpunan terbatas pada kategori atau clustering untuk mendeskripsikan data yang ditelaah.

4.      Pemodelan Grafis

Penemuan sebuah model yang mendeskripsikan kebergantungan yang signifikan antara variable – variable.