Konsep Data Mining (Contoh kasus yang melingkup KDD)

PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGANAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUANA KOMPUTER KOTA SOLOK)

Abstrak - Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised), dan K-Means merupakan salah satu metode data Clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Tujuan pembuatan aplikasi ini yaitumemberi informasi yang terkandung dari suatu data, sehingga usermendapatkan informasi yang belum didapatkandari data tersebut. Berdasarkan hasil uji coba,cepat atau lambatnya proses pengelompokan data (Clustering) dipengaruhi oleh spesifikasi suatu perangkat keras yang menjalankan aplikasi ini, operating sistem yang digunakan dan banyaknya data atau pembagiankelompok dari suatu data.

Kata kunci : Clustering, K-Means, Informasi

1.     PENDAHULUAN

Latar Belakang

Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi suatu elemen penting dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi yang tinggi kadang tidak diimbangi dengan penyajian informasi yang memadai, sering kali informasi tersebut masih harus digali ulang dari data yang jumlahnya sangat besar.

Toko Tri Buwana Komputer merupakan toko yang bergerak dalam penjualan computer. Dalam rangka menghadapi persaingan bisnis terdapat beberapa permasalahan yang kerap muncul mengenai penjualan laptop. Toko Tri Buwana Computer sulit mendapatkan informasi-informasi strategis seperti tingkat penjualan per periode. Ketersediaan data penjualan yang besar DI Toko Tri Buwana Computer tidak digunakan semaksimal mungkin, sehingga data penjualan tersebut tidak dimanfaatkan secara optimal.

Berdasarkan pada latar belakang diatas maka permasalahan diatas maka permasalahan yang ada yaitu belum adanya penerapan data mining untuk mengolah data penjualan computer. Berdasarkan kebutuhan diatas penulis mencoba memberi alternatif bantuan yang diwujudkan dalam sebuah penelitian dengan judul “PENERAPAN ANALYSIS CLUSTERING PADA PENJUALAN KOMPUTER DENGAN PERANCANGAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA K-MEANS (STUDY KASUS TOKO TRI BUWANA KOMPUTER KOTA SOLOK)”

Perumusan Masalah

Berdasarkan permasalahan diatas, maka rumusan masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut :

1.    Bagaimanakah aplikasi data mining mengefektifkan kinerja Toko Tri Buwana Komputer yang masih cenderung lambat?

2.       Bagaimana aplikasi data mining memberikan arti yang sempurna dalam pengolahan data, karena dengan pengolahan data yang baik akan mudah mengakses data yang dibutuhkan?

3.       Bagaimana aplikasi data mining ini dapat membantu pihak toko dalam memprediksi tingkat penjualan laptop di Toko Tri Buwana Komputer?

Hipotesa

Dari rumusan diatas maka dapat dikemukakan hipotesa yaitu, dengan menganalisa data penjualan laptop pada Toko Tri Buwana Komputer diharapkan membantu pihak toko dalam menganalisa dan mengambil keputusan serta dapat mengefektifkan kinerja toko yang masih cenderung lambat.

Tujuan Penelitian

Penelitian ini bertujuan untuk membangun sebuah perangkat lunak untuk memprediksi presentase suatu produk laptop, dimana perangkat lunak ini dapat mudah dioperasikan dan dipahami oleh pihak toko Tri Buwana Computer dalam menganalisa dan mengambil keputusan serta dapat mengoptimalkan dan mengefektifkan kinerja toko tersebut.

2.     LANDASAN TEORI

Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis ( Fajar Astuti Hermawati, 2009).

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar (Turban,dkk. 2005) / (Kusrini & Luthfi,2009).

Pengelompokan Data Mining

Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dilakukan, yaitu (Larose, 2005) / (Kusrini & Luthfi,2009) :

1.          Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suaramungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit didukung dalam pemilihan presiden.

Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2.          Estimasi

Estimasi hamper sama dengan klasifikasi, kecuali variable target estimasilebih kearah numeric dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variable target sebagai nilai prediksi. Selanjutnya , pada peninjauan berikutnya estimasi nilai dari variabel target dapat dibuat berdasarkan nilai variable prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variable prediksi dalam proses pembelajararn akan menghasilkan model estimasi. Model estimasi yang digunakan untuk kasus baru lainnya.

3.          Prediksi

Prediksi hamper sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada dimasa mendatang.

Contoh prediksi dalam bisnis dan penelitian adalah:

a.          Prediksi harga beras dalam tiga bulan yang akan datang.

b.          Prediksi  presentase  kenaikan kecelakaan  lalu  lintas  tahun  depan jika batas bawah kecepatan dinaikkan Beberapa  metode  dan  teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.

4.          Klasifikasi

Dalam klasifikasi, terdapat target variable kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adalah:

a.         Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.

b.         Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk.

c.          Mendiagnosa penyakit seorang pasien untuk mendapatkan termasuk kategori apa.

5.          Pengklusteran

Pengklusteran merupakan pengelompokan record pengamatan , atau memperhatikan atau membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variable target dalam pengklusteran. Pengklusteran tidak mencoba           untuk    melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variable target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan dengan record dalam kelompok lain akan bernilai minimal.

Contoh pengklusteran dalam bisnis dan penelitian adalah:

a.         Mendapatkan    kelompok - kelompok konsumen  untuk  target  pemasaran dari  suatu produk bagi  perusahaan yang tidak memiliki dana pemasaran yang besar.

b.         Untuk  tujuan  audit akutasi, yaitu melakukan pemisahan terhadap prilaku financial dalam baik dan mencurigakan.

c.          Melakukan pengklusteran terhadap ekspresi dari gen, dalam jumlah besar.

6.          Asosiasi

Tugas asosisasi dalam data mining adalah menentukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

Contoh asosiasi dalam penelitian adalah:

a.         Meneliti        jumlah pelanggan  dari  perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.

b.         Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan.

Tantangan Dalam Data Mining

Tantangan dalam data mining meliputi ( Fajar Astuti Hermawati, 2009) :

1.         Scalability, yaitu besarnya ukuran basis data yang digunakan.

2.         Dimensionality, yaitu banyaknya jumlah atribut dalam data yang akan diproses.

3.         Complex and Heterogeneous Data, yaitu data yang kompleks dan mempunyai variasi yang beragam.

4.         Data Quality, kualitas data yang akan diproses seperti data yang bersih dari noise, missing value, dsb.

5.         Data Ownership and Distribution, yaitu siapa yang memiliki data dan bagaimana distribusinya.

6.         Privacy Preservation, yaitu menjaga kerahasiaan data yang banyak dierapkan pada data nasabah perbankan.

7.         Streaming Data, yaitu aliran data itu sendiri.

Kemajuan Dalam Data Mining Kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa factor, antara lain (Larose, 2005) / (Kusrini & Luthfi,2009).

1.       Pertumbuhan yang cepat dalm kumpulan data.

2.       Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses ke dalam database yang andal.

3.       Adanya peningkatan akses data melalui navigasi web dan intranet.

4.       Tekanan kompetensi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.

5.       Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi).

6.       Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan.

Tahap-tahap Data Mining

Istilah data mining dan knowledge discovery in database (KDD) sering kali

digunakan secara bergantian unutk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda,tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Fayyad, 1996) / ((Kusrini & Luthfi,2009).

1.       Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai dari data hasil seleksi yang akan digunakan untuk proses data mining disimpan dalam suatu berkas, terpisah dari basis data operasional.

2.       Pre-processing / Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada. Dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.

       

3.         Transformation

Coding adalah proses transformasi pada data yang telah dipilih sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung kepada jenis atau pola informasi yang akan dicari dalam bisnis data.

                  

4.         Data Mining

                    

Data Mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.

5.         Interpretation/Evaluation

                    

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

                    

Clustering

Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain (Fajar Astuti Hermawati,2013).

Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode Data Mining, yang tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke suatu „wilayah‟ yang sama dan data dengan karakteristik yang berbeda ke „wilayah‟ yang lain.

Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering.

Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan.

Tujuan Clustering

Ada pun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster (Jurnal Sistem dan Informatika Vol. 3, 2007).

K-means

Defenisi K-means

K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. (Jurnal Sistem dan Informatika Vol. 3, 2007).

K-means Clustering

Menggunakan pendekatan partitional clustering . Tiap cluster dihubungkan dengan sebuah centroid (titik pusat). Tiap titik pusat ditempatkan          ke            dalam    cluster    dengan centroid terdekat. Jumlah cluster, K, harus ditentukan. Algoritma dasarnya sangat sederhana, yaitu (Fajar Astuti Hermawati, 2013) :

1.       Pilih K titik sebagai centroid  awal

2.       Ulangi

3.       Bentuk K cluster dengan menempatkan semua titik yang terdekat.

4.       Ulangi perhitungan centroid dari tiap cluster.

5.       Sampai centroid  tidak berubah.

3.      Analisa dan Hasil

1.       Analisa Sistem

Untuk analisa sistem, penulis menggunakan aturan asosiasi dimana bentuk umum dari aturan asosiasi adalah :

Algoritma pengelompokkan data :

a.       Ambil nilai jarak tiap pusat cluster dengan data

b.       Cari nilai jarak terkecil

c.        Kelompokkan data dengan pusat cluster yang memiliki jarak terkecil.

1.       Penentuan pusat cluster baru Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai anggota cluster dan pusat cluster. Pusat cluster yang baru digunakan untuk melakukan iterasi selanjutnya, jika hasil yang didapatkan belum konvergen. Proses iterasi akan berhenti jika telah memenuhi maksimum iterasi yang dimasukkan oleh user atau hasil yang dicapai sudah konvergen (pusat cluster baru sama dengan pusat cluster lama). Algoritma penentuan pusat cluster :

a.     Cari jumlah anggota tiap cluster

b.     Hitung pusat baru dengan rumus

Dimana :

X1, X2, X3,.... Xn = anggota cluster

Xp = pusat lama

Dari  aturan-aturan  asosiasi  tersebut,  penulis merancang sistem dengan melakukan perhitungan terhadap data yang telah didapat. Data yang masuk dalam perhitungan, penulis menggunakan beberapa data transaksi saja sebagai sampel dari perancangan sistem.

Tabel Transaksi Penjualan

Pada tahap ini akan dilakukan proses utama yaitu segmentasi atau pengelompokkan data Penjualan Barang yang diakses dari database, yaitu sebuah metode clustering algoritma K-Means.

Dari banyak data penjualan yang diperoleh, Percobaan dilakukan dengan menggunakan parameter-parameter berikut :

Jumlah cluster : 2

Jumlah data : 18

Jumlah atribut : 2

Pada table dibawah ini merupakan sampel data yang digunakan untuk melakukan percobaan perhitungan manual.

2.       Proses Iterasi ke-1

1.  Penentuan pusat awal cluster

Pusat awal cluster atau centroid didapatkan secara random, untuk penentuan awal cluster di asumsikan :

Pusat Cluster 1: (37 ,24)

Pusat Cluster 2: (19,8)

  2.    Perhitungan jarak pusat cluster

Untuk mengukur jarak antara    data        dengan   pusat      cluster digunakan Euclidian distance, kemudian akan didapatkan matrik jarak sebagai berikut:

                   Rumus           euclidian      distance             :

       

             d =| x - y |= åⁿ₌ (x_i  - y_i )²

i     1

X = Pusat cluster

Y = data

Dari 10 data yang dijadikan sampel telah dipilih pusat awal cluster yaitu C1 (37 , 24), dan C2 (19 , 8). Lalu dilakukan penghitungan jarak dari sisa sampel data dengan pusat cluster yang dimisalkan dengan M(a,b), dimana a merupakan jumlah stock, dan b jumlah terjual yang diperkecil menjadi angka puluhan juta agar cara penghitungan lebih mudah.

1.     M1 = (34,17)

2.     M2 = (35,24)

3.     M3 = (55,31)

4.     M4 = (27, 24)

5.     M5 = (36,24)

6.     M6 = (31,26)

7.     M7 = (14,5)

8.     M8 = (25,10)

9.     M9 = (13,7)

10.  M10 = (27,11)

11.  M11 = (23,11)

12.  M12 = (19,11)

13.  M13 = (14,2)

14.  M14 = (45,26)

15.  M15 = (23,13)

16.  M16 = (16,7)

17.  M17= (20,5)

18.                M18 = (19,11)

       Gambar Hasil Diagram Clustering

       Hitung Euclidean distance dari semua data kesetiap titik pusat pertama :

       Dengan cara yang sama hitung jarak titik ketitik pusat ke-2 dan kita akan mendapatkan :

       Dari hasil penghitungan Euclidean distance, kita dapat membandingkan :

       Antara C1 dan C2, C1 menerangkan barang yang tidak laris sedangkan C2 menerangkan barang yang laris. Disini penulis hanya mengambil dua cluster karena penulis ingin membatasinya.

Tabel Hasil Iterasi 1

{M1, M2,M3,M4,M5,M6,M14}: Anggota C1

{,M7,M8,M9,M10,M11,M12,M13,M15,M16,17,M18}    : Anggota C2

Kesimpulan : M1,M2,M3,M4,M5,M6,M14 merupakan anggota dari cluster 1 dan M7,M8,M9,M10,M11,M12,M15,M16,M17,M 18 merupakan anggota dari cluster 2.

                               

{,M7,M8,M9,M10,M11,M12,M13,M15,M16,17,M18}         : Anggota C2

Kesimpulan :

M1,M2,M3,M4,M5,M6,M14 merupakan anggota dari cluster 1 dan M7,M8,M9,M10,M11,M12,M15,M16,M17,M 18 merupakan anggota dari cluster 2.

5.  PENUTUP Kesimpulan

Dari  penulisan  penelitian  ini  mulai dari tahapan analisa permasalahan yang ada, hingga  pengujian  aplikasi  sistem  yang  baru maka  dapat  diambil    beberapa   kesimpulan yaitu :                   1. Aplikasi data mining ini dapat membantu pimpinan untuk mengambil keputusan dalam menigkatkan efektifitas penjualan laptop di toko Tri Buana Computer yang sebelumnya masing cenderung lambat.

   2. Aplikasi data mining memberikan kemudahan dalam pengolahan data, pimpinan hanya menginputkan data lalu aplikasi akan melakukan proses dan melakukan hasil analisa.

   3. Dari hasil analisa yang telah dilakukan maka aplikasi dapat membantu mempermudah pihak toko dalam memprediksi tingkat penjualan.

Dari hasil analisis yang dilakukan, sistem yang dirancang masih memiliki keterbatasan yaitu, aplikasi data mining ini pada intinya hanya bisa memberikan informasi kepada pimpinan untuk menganalisa dan mengambil keputusan terhadap proses analisa barang

         

DAFTAR PUSTAKA

Hermawati, Fajar Astuti.2013, Data Mining, Bandung : Dunia Koputer.

Kusrini, Emha Taufiq Lutfhi, 2011 Algoritma Data  Mining.  Bandung  :  Andi Publisher.

Oktavian, Diar Puji, 2013. Komputerpedia Membuat ebsite Powerfull menggunakan PHP. Yogyakarta : MEDIA KOM

Sommerville, lan, 2013, Softare Enginering. Jakarta : Erlangga.

S, Rosa A. dan M Shalahuddin, 2013. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung : Informatika

Tugas Softskills - Manajemen Layanan Sistem Informasi

helloooo guysss, apa kabar ?? udah lama nih gak pernah upload lagi, nah baru sekarang nih bisa upload lagi :) biasa deh upload artikel untuk kebutuhan tugas softskills.
Okee deh untuk kali ini artikel yang mau gue upload adalah tentang Manajemen Layanan Sistem Informasi.
Apa itu Manajemen Layanan Sistem Informasi ??
yaudah gaperlu banyak-banyaakkk cincayy lah yaaa, ini dia artikelnya......

Manajemen Layanan Sistem Informasi

1. Pengertian ITSM

ITSM (Information Technology Service Management, Manajemen Layanan Teknologi Informasi) adalah suatu metode pengelolaan sistem teknologi informasi (TI) yang secara filosofis terpusat pada perspektif konsumen layanan TI terhadap bisnis perusahaan. ITSM merupakan kebalikan dari pendekatan manajemen TI dan interaksi bisnis yang terpusat pada teknologi. Istilah ITSM tidak berasal dari suatu organisasi, pengarang, atau pemasok tertentu dan awal penggunaan frasa inipun tidak jelas kapan dimulainya.

ITSM berfokus pada proses dan karenanya terkait dan memiliki minat yang sama dengan kerangka kerja dan metodologi gerakan perbaikan proses (seperti TQM, Six Sigma, Business Process Management, dan CMMI). Disiplin ini tidak memedulikan detail penggunaan produk suatu pemasok tertentu atau detail teknis suatu sistem yang dikelola, melainkan berfokus pada upaya penyediaan kerangka kerja untuk menstrukturkan aktivitas yang terkait dengan TI dan interaksi antara personel teknis TI dengan pengguna teknologi informasi.

ITSM umumnya menangani masalah operasional manajemen teknologi informasi (kadang disebut operations architecture, arsitektur operasi) dan bukan pada pengembangan teknologinya sendiri. Contohnya, proses pembuatan perangkat lunak komputer untuk dijual bukanlah fokus dari disiplin ini, melainkan sistem komputer yang digunakan oleh bagian pemasaran dan pengembangan bisnis di perusahaan perangkat lunak-lah yang merupakan fokus perhatiannya. Banyak pula perusahaan non-teknologi, seperti pada industri keuangan, ritel, dan pariwisata, yang memiliki sistem TI yang berperan penting, walaupun tidak terpapar langsung kepada konsumennya.

Sesuai dengan fungsi ini, ITSM sering dianggap sebagai analogi disiplin ERP pada TI, walaupun sejarahnya yang berakar pada operasi TI dapat membatasi penerapannya pada aktivitas utama TI lainnya seperti manajemen portfolio TI dan rekayasa perangkat lunak.

Kerangka kerja (framework) yang dianggap dapat memberikan contoh penerapan ITSM di antaranya:

1. Information Technology Infrastructure Library (ITIL)
2. Control Objectives for Information and Related Technology (COBIT)
3. Software Maintenance Maturity Model
4. PRM-IT IBM’s Process Reference Model for IT
5. Application Services Library (ASL)
6. Business Information Services Library (BISL)
7. Microsoft Operations Framework (MOF)
8. eSourcing Capability Model for Service Providers (eSCM-SP) dan eSourcing Capability Model for Client Organizations (eSCM-CL) dari ITSqc for Sourcing Management.

Dalam kerangka kerja diatas, yang akan dibahas kali ini adalah mengenai ITIL (Indormation Technology Infrastructure Library).

I.T.I.L

1. Pengertian ITIL 

ITIL atau Information Technology Infrastructure Library (Bahasa Inggris, diterjemahkan Pustaka Infrastruktur Teknologi Informasi), adalah suatu rangkaian konsep dan teknik pengelolaan infrastruktur, pengembangan, serta operasi teknologi informasi (TI). ITIL diterbitkan dalam suatu rangkaian buku yang masing-masing membahas suatu topik pengelolaan TI. Nama ITIL dan IT Infrastructure Library merupakan merek dagang terdaftar dari Office of Government Commerce (OGC) Britania Raya. ITIL memberikan deskripsi detail tentang beberapa praktik TI penting dengan daftar cek, tugas, serta prosedur yang menyeluruh yang dapat disesuaikan dengan segala jenis organisasi TI.

Walaupun dikembangkan sejak dasawarsa 1980-an, penggunaan ITIL baru meluas pada pertengahan 1990-an dengan spesifikasi versi keduanya (ITIL v2) yang paling dikenal dengan dua set bukunya yang berhubungan dengan ITSM (IT Service Management), yaitu Service Delivery (Antar Layanan) dan Service Support (Dukungan Layanan).

Pada 30 Juni 2007, OGC menerbitkan versi ketiga ITIL (ITIL v3) yang intinya terdiri dari lima bagian dan lebih menekankan pada pengelolaan siklus hidup layanan yang disediakan oleh teknologi informasi. Kelima bagian tersebut adalah:

1. Service Strategy
2. Service Design
3. Service Transition
4. Service Operation
5. Continual Service Improvement

Kelima bagian tersebut dikemas dalam bentuk buku, atau biasa disebut sebagai core guidance publications. Setiap buku dalam kelompok utama ini berisi:

1. Practice fundamentals – menjelaskan latar belakang tahapan lifecycle serta kontribusinya terhadap pengelolaan layanan TI secara keseluruhan.
2. Practice principles – menjelaskan konsep-konsep kebijakan serta tata kelola tahanan lifecycle yang menjadi acuan setiap proses terkait dalam tahapan ini.
3. Lifecycle processes and activities – menjelaskan berbagai proses maupun aktivitas yang menjadi kegiatan utama tahapan lifecycle. Misalnya proses financial management dan demand management dalam tahapan Service Strategy.
4. Supporting organization structures and roles – proses-proses ITIL tidak akan dapat berjalan dengan baik tanpa defini roles dan responsibilities. Bagian ini menjelaskan semua aspek yang terkait dengan kesiapan model dan struktur organisasi.
5. Technology considerations – menjelaskan solusi-solusi otomatisasi atau software ITIL yang dapat digunakan pada tahapan lifecycle, serta persyaratannya.
6. Practice Implementation – berisi acuan/panduan bagi organisasi TI yang ingin mengimplementasikan atau yang ingin meningkatkan proses-proses ITIL.
7. Complementary guideline – berisi acuan model-model best practice lain selain ITIL yang dapat digunakan sebagai referensi bagian tahapan lifecycle.
8. Examples and templates – berisi template maupun contoh-contoh pengaplikasian proses.

Di samping buku-buku dalam core guidance publications, ada juga complementary guidance. Dimana buku-buku dalam kategori nantinya dimaksudkan untuk memberikan model, acuan dan panduan bagi penerapan ITIL pada sektor-sektor tertentu seperti jenis industri tertentu, tipe organisasi serta arsitektur teknologi. Dengan demikian, ITIL akan dapat lebih diterima serta diadaptasi sesuai dengan lingkungan serta behaviour dari setiap organisasi TI.

1. Siklus Layanan ITIL

Kelima bagian ITIL yang seperti tersebut di atas biasanya disebut juga sebagai bagian dari sebuah siklus. Dikenal pula dengan sebutan Sikuls Layanan ITIL. Secara singkat, masing-masing bagian dijelaskan sebagai berikut.

1. 
   Service Strategy 

Inti dari ITIL Service Lifecycle adalah Service Strategy. Service Strategy memberikan panduan kepada pengimplementasi ITSM pada bagaimana memandang konsep ITSM bukan hanya sebagai sebuah kemampuan organisasi (dalam memberikan, mengelola serta mengoperasikan layanan TI), tapi juga sebagai sebuah aset strategis perusahaan. Panduan ini disajikan dalam bentuk prinsip-prinsip dasar dari konsep ITSM, acuan-acuan serta proses-proses inti yang beroperasi di keseluruhan tahapan ITIL Service Lifecycle.

Topik-topik yang dibahas dalam tahapan lifecycle ini mencakup pembentukan pasar untuk menjual layanan, tipe-tipe dan karakteristik penyedia layanan internal maupun eksternal, aset-aset layanan, konsep portofolio layanan serta strategi implementasi keseluruhan ITIL Service Lifecycle. Proses-proses yang dicakup dalam Service Strategy, di samping topik-topik di atas adalah:

1. Service Portfolio Management
2. Financial Management
3. Demand Management

Bagi organisasi TI yang baru akan mengimplementasikan ITIL, Service Strategy digunakan sebagai panduan untuk menentukan tujuan/sasaran serta ekspektasi nilai kinerja dalam mengelola layanan TI serta untuk mengidentifikasi, memilih serta memprioritaskan berbagai rencana perbaikan operasional maupun organisasional di dalam organisasi TI.

Bagi organisasi TI yang saat ini telah mengimplementasikan ITIL, Service Strategy digunakan sebagai panduan untuk melakukan review strategis bagi semua proses dan perangkat (roles, responsibilities, teknologi pendukung, dll) ITSM di organisasinya, serta untuk meningkatkan kapabilitas dari semua proses serta perangkat ITSM tersebut.

2. Service Design

Service Design Agar layanan TI dapat memberikan manfaat kepada pihak bisnis, layanan-layanan TI tersebut harus terlebih dahulu di desain dengan acuan tujuan bisnis dari pelanggan. Service Design memberikan panduan kepada organisasi TI untuk dapat secara sistematis dan best practice mendesain dan membangun layanan TI maupun implementasi ITSM itu sendiri. Service Design berisi prinsip-prinsip dan metode-metode desain untuk mengkonversi tujuan-tujuan strategis organisasi TI dan bisnis menjadi portofolio/koleksi layanan TI serta aset-aset layanan, seperti server, storage dan sebagainya.

Ruang lingkup Service Design tidak melulu hanya untuk mendesain layanan TI baru, namun juga proses-proses perubahan maupun peningkatan kualitas layanan, kontinyuitas layanan maupun kinerja dari layanan. Proses-proses yang dicakup dalam Service Design yaitu:

1. Service Catalog Management
2. Service Level Management
3. Supplier Management
4. Capacity Management
5. Availability Management
6. IT Service Continuity Management
7. Information Security Management

3. Service Transition 

Service Transition menyediakan panduan kepada organisasi TI untuk dapat mengembangkan serta kemampuan untuk mengubah hasil desain layanan TI baik yang baru maupun layanan TI yang diubah spesifikasinya ke dalam lingkungan operasional. Tahapan lifecycle ini memberikan gambaran bagaimana sebuah kebutuhan yang didefinisikan dalam Service Strategy kemudian dibentuk dalam Service Design untuk selanjutnya secara efektif direalisasikan dalam Service Operation. Proses-proses yang dicakup dalam Service Transition yaitu:

1. Transition Planning and Support
2. Change Management
3. Service Asset & Configuration Management
4. Release & Deployment Management
5. Service Validation
6. Evaluation
7. Knowledge Management

4. Service Operation 

Service Operation merupakan tahapan lifecycle yang mencakup semua kegiatan operasional harian pengelolaan layanan-layanan TI. Di dalamnya terdapat berbagai panduan pada bagaimana mengelola layanan TI secara efisien dan efektif serta menjamin tingkat kinerja yang telah diperjanjikan dengan pelanggan sebelumnya. Panduan-panduan ini mencakup bagaiman menjaga kestabilan operasional layanan TI serta pengelolaan perubahan desain, skala, ruang lingkup serta target kinerja layanan TI. Proses-proses yang dicakup dalam Service Transition yaitu:

1. Event Management
2. Incident Management
3. Problem Management
4. Request Fulfillment
5. Access Management

5. Continual Service Improvement 

Continual Service Improvement (CSI) memberikan panduan penting dalam menyusun serta memelihara kualitas layanan dari proses desain, transisi dan pengoperasiannya. CSI mengkombinasikan berbagai prinsip dan metode dari manajemen kualitas, salah satunya adalah Plan-Do-Check-Act (PDCA) atau yang dikenal sebagi Deming Quality Cycle.
Sumber:
https://id.wikipedia.org/wiki/ITSM ( Diakses pada tanggal : 26 Maret 2016)
https://id.wikipedia.org/wiki/ITIL (Diakses pada tanggal : 26 Maret 2016)


Framework / Kerangka Kerjanya
Kerangka kerja (bahasa Inggris: framework) adalah suatu struktur konseptual dasar yang digunakan untuk memecahkan atau menangani suatu masalah kompleks. Istilah ini sering digunakan antara lain dalam bidang perangkat lunak untuk menggambarkan suatu desain sistem perangkat lunak yang dapat digunakan kembali, serta dalam bidangmanajemen untuk menggambarkan suatu konsep yang memungkinkan penanganan berbagai jenis atau entitas bisnis secara homogen.
Six Sigma adalah suatu alat manajemen baru yang digunakan untuk mengganti Total Quality Management ( TQM ), sangat terfokus terhadap pengendalian kualitas dengan mendalami sistem produksi perusahaan secara keseluruhan. Memiliki tujuan untuk, menghilangkan cacat produksi, memangkas waktu pembuatan produk, dan mehilangkan biaya. Six sigmajuga disebut sistem komprehensive – maksudnya adalah strategi, disiplin ilmu, dan alat – untuk mencapai dan mendukung kesuksesan bisnis. Six Sigma disebut strategi karena terfokus pada peningkatan kepuasan pelanggan, disebut disiplin ilmu karena mengikuti model formal,yaitu DMAIC ( Define, Measure, Analyze, Improve, Control )dan alat karena digunakan bersamaan dengan yang lainnya, seperti Diagram Pareto(Pareto Chart) dan Histogram. Kesuksesan peningkatan kualitas dan kinerja bisnis, tergantung dari kemampuan untuk mengidentifikasi dan memecahkan masalah. Kerangka kerja (framework) yang dianggap dapat memberikan contoh penerapan Manajemen Layanan Sistem Informasi diantaranya adalah:
– Information Technology Infrastructure Library (ITIL)
– Control Objectives for Information and Related Technology (COBIT)
– Software Maintenance Maturity Model
– PRM-IT IBM’s Process Reference Model for IT
– Application Services Library (ASL)
– Business Information Services Library (BISL)
– Microsoft Operations Framework (MOF)
– eSourcing Capability Model for Service Providers (eSCM-SP) dan eSourcing Capability Model for Client Organizations (eSCM-CL) dari ITSqc for Sourcing Management.


Nah itu dia artikel yang gue bahas skrng, semoga informasi yg gue berikan bisa bermanfaat buat semuanya yaa guyss. see you next artikel :)

Sumber : 

www.tersesyad.id

kolisbervespa.wordpress.com