OLAP dan Data-Mining

Suatu data warehouse hanya bermanfaat apabila berbagai informasi penting dapat dihasilkan, dan untuk menghasilkan informasi penting diperlukan perangkat lunak aplikasi pemroses data. Ada dua sistem perangkat lunak yang biasa digunakan untuk menarik informasi dari data warehouse, yaitu: On Line Analytical Processor (OLAP) dan Data-mining.

Olap adalah perangkat lunak yang melakukan pemrosesan yang memanipulasi dan menganalisa data bervolume besar dari berbagai perspektif (multidimensi). Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran. Atribut dimensi adalah atribut kualitatif seperti nama barang, warnanya, dan jenisnya, sedang atribut ukuran adalah atribut kuantitatif seperti jumlah barang dan harganya. OLAP dapat digunakan untuk menganalisis data lebih dalam lagi dengan teknik drill-down, slicing, dan consolidation.

• Drill-down adalah pengolahan data sedemikian rupa sehingga dari data yang ringkas dapat dijabarkan menjadi data yang lebih detil agar dapat diperoleh informasi yang rinci.
• Slicing adalah pengolahan data untuk melihat data dari berbagai sudut pandang, misalnya dengan melihat hubungan penjualan satu macam produk berdasarkan kategorinya, seperti penjualan sirup berdasarkan rasa strawberry, mawar, pisang ambon, dsb.
• Consolidation adalah pengolahan data dengan cara melakukan pengelompokan, misalnya data penjualan pertahun selama 5 tahun berturut-turut, atau menurut triwulan, dan bulanan.

Beberapa perangkat lunak OLAP yang dipasarkan adalah:

• PowerPlay (Cognos Software)
• Metacube (Informix/Stanford Technology Group)
• Express Server (Oracle)
• HighGate (Sybase)

Data-Mining adalah perangkat lunak yang digunakan untuk menemukan pola-pola tersembunyi maupun hubungan-hubungan yang terdapat dakam kumpulan basisdata seperti data warehouse. Data mining memanfaatkan berbagai teknik analisis untuk menemukan pola tersebut, antara lain: statistik, logika fuzzi, jaringan syaraf tiruan, algoritma genetika, dan teknologi kecerdasan buatan lainnya.

Sebagai contoh tersedia data penjualan mobil selama beberapa tahun dalam bentuk data warehouse, dengan data-mining ternyata kemudian ditemukan fakta bahwa “kebanyakan pembeli mobil Xenia adalah wanita berusia antara 25 sampai dengan 35 tahun”, oleh sebab itu segmen pasar ini perlu digarap semaksimal mungkin.

Aplikasi data mining dalam bidang perbankan misalnya digunakan untuk mendeteksi pola penyalahgunaan kartu kredit serta tingkat loyalitas nasabah. Pada bidang pemasaran dapat ditemukan pola pembelian para konsumen, serta segmen pasar potensial produk tertentu.