DATA WAREHOUSE DAN DATA MINING UNTUK SISTEM PENDUKUNG MANAJEMEN
Oleh: OPIM SALIM SITOMPUL Pidato Pengukuhan Jabatan Guru Besar Tetap dalam Bidang Kecerdasan Buatan pada Fakultas Matematika dan Ilmu Pengetahuan Alam, diucapkan di hadapan Rapat Terbuka Universitas Sumatera Utara Gelanggang Mahasiswa, Kampus USU, 10 September 2008
UNIVERSITAS SUMATERA UTARA MEDAN 2008
ABSTRAK Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi sistem-sistem pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana data warehouse menyiapkan tahapan untuk kegiatan data mining yang efektif. Teknologi data warehouse telah memungkinkan sebuah organisasi untuk mengelola dan menyimpan data bisnis dalam volume yang sangat besar dalam bentuk yang dapat dianalisa. Kematangan dalam bidang kecerdasan buatan telah pula menciptakan sekumpulan teknik machine learning (mesin pembelajaran) yang berguna untuk mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan pola-pola dalam database. Dalam pidato ini, akan diperkenalkan konsep data warehouse dan data mining sebagai teknologi dalam sistem pendukung keputusan. Dalam implementasinya, teknik-teknik ini dapat diterapkan di lingkungan perguruan tinggi sebagai salah satu upaya untuk mempertinggi efisiensi dan efektifitas pengelolaan dalam rangka meningkatkan mutu universitas. Kata kunci: data warehouse, data mining, model multidimensi, sistem pendukung keputusan
PENDAHULUAN Kemampuan untuk menghasilkan dan mengumpulkan data secara elektronik pada masa sekarang ini meningkat sangat cepat dengan dukungan berbagai teknologi seperti bar code, komputerisasi berbagai proses bisnis dan kemajuan dalam alat-alat pengumpul data yang melenyapkan beban pemasukan data (keying burden) yang selama ini dirasakan dalam proses pengumpulan data (Chen et al. 1996, Maimon & Last 2000). Penggunaan yang luas atas teknologi komputer dan jaringan telah membentuk database-database elektronik besar yang menyimpan berbagai transaksi bisnis (Bose & Mahapatra 2001). Bagi sebuah organisasi hal ini sangat menguntungkan karena data yang diperlukan untuk mengambil keputusan sangat tergantung pada kelengkapan data yang dimiliki. Akan tetapi, di lain pihak besarnya jumlah data ditambah kemungkinan tersebarnya lokasi penyimpanannya, akan lebih mempersulit pengaksesan data tersebut pada saat diperlukan. Para pengambil keputusan di sebuah organisasi pada suatu saat akan menyadari bahwa mereka memerlukan alat-alat yang lebih tangguh daripada alat yang umumnya digunakan dalam sistem transaksi online. Untuk memperoleh kecerdasan bisnis (business intelligence) dari sumbersumber data korporasi bagi sistem pendukung keputusan yang digunakan, mereka harus menggunakan cara yang berbeda dalam memperlakukan data yang besar. Kecerdasan bisnis tersebut meliputi topik-topik seperti penggudangan data (data warehousing), online analytical processing (OLAP), penambangan data (data mining), dan multidimensionalitas (Turban & Aronson 2001). Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi sistem-sistem pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana data warehouse menyiapkan tahapan untuk kegiatan data mining yang efektif (Inmon 1996). Teknologi data warehouse telah memungkinkan sebuah organisasi untuk mengelola dan menyimpan data bisnis dalam volume yang sangat besar dalam bentuk yang dapat dianalisa. Kematangan dalam bidang kecerdasan buatan telah pula menciptakan sekumpulan teknik machine learning (mesin pembelajaran) yang berguna untuk mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan pola-pola dalam database. Faktor-faktor ini telah mengubah cara menganalisa data dan melahirkan data mining, yang mengintegrasikan machine learning, analisa statistik, dan teknik-teknik visualisasi, dengan intuisi dan pengetahuan para analis untuk menemukan pola-pola menarik dan bermakna dalam data (Bose & Mahapatra 2001). Di dalam sebuah data warehouse, berbagai sumber data operasional yang berbeda-beda diintegrasikan ke dalam sebuah tempat penyimpanan data terpusat untuk dapat diakses oleh alat-alat analisis informasi seperti OLAP, visualisasi data, sistem informasi eksekutif/sistem pendukung keputusan, lembar kerja, data mining, dan bahasa-bahasa pengembangan lain. Secara umum alat-alat ini diklasifikasikan ke dalam tiga kelas besar, yaitu OLAP, data mining, dan alat-alat kueri. Sistem OLAP terutama digunakan untuk analisis yang menggunakan kemampuan komputasi terdistribusi dan mendukung satu kelas kueri khusus berupa pendekatan pertanyaan dan
jawaban (query and answer) yang memerlukan persyaratan-persyaratan logika yang kompleks, fungsi-fungsi statistik, dan analisis time-series. Manakala kegunaan data mining adalah untuk pengungkapan pengetahuan (knowledge discovery) dimana para penggunanya mencari pola-pola yang menarik dalam sekumpulan besar data dan mencoba memformulasikan sebuah kueri yang dapat menangkap esensi dari pola-pola yang menarik tersebut. Sistem pendukung keputusan menyokong para pengambil keputusan suatu organisasi dengan menyediakan data tingkat-tinggi untuk keputusan-keputusan yang kompleks dan penting. DATA WAREHOUSE Definisi data warehouse yang paling sering digunakan diberikan oleh W. H. Inmon pada tahun 1992, yaitu kumpulan data yang berorientasi-subjek, terintegrasi, nonvolatile, dan varian-waktu untuk mendukung keputusan manajerial. Sifat berorientasi subjek sebuah data warehouse menunjukkan bahwa pengorganisasian data bergantung kepada proses bisnis tertentu dan akan berbeda antara satu sistem dengan sistem yang lain. Sifat terintegrasinya menunjukkan bahwa data warehouse merupakan sebuah tempat pengintegrasian data dari berbagai proses bisnis sedemikian hingga data yang sama memiliki jenis data yang sama dan setiap atribut data memiliki himpunan nilai yang sama pula. Karena data warehouse dibangun untuk tujuan-tujuan analisis misalnya seperti analisis tren data dan keputusan strategis jangka panjang, maka data disimpan dalam periode waktu yang panjang. Sifat varian waktunya menghendaki bahwa data warehouse memiliki sebuah dimensi temporal untuk merekam dimensi waktu ketika transaksi berlangsung. Selanjutnya, sifat manajerial data warehouse menunjukkan bahwa data warehouse dirancang dengan tujuan analisis data dan pengambilan keputusan manajerial. Target dibangunnya sistem data warehouse adalah untuk mengubah volume penyimpanan data yang sangat besar, yang telah terkumpul sepanjang sejarah suatu organisasi, menjadi informasi pengambilan keputusan strategis dan memberikan penyelesaian kepada pengguna. Dalam hal ini data warehouse berperan untuk memberi para manajer organisasi suatu kemampuan untuk melakukan kueri secara efisien terhadap database yang sangat besar agar dapat memperoleh ringkasan informasi secara cepat, serta menyusun data kedalam berbagai perspektif yang berbeda-beda dan independen. PENTINGNYA DATA WAREHOUSE Data yang dipelihara dalam berbagai database operasional secara kontinu bertambah sepanjang pengoperasian organisasi dari hari ke hari. Pihak manajemen eksekutif, data analis, dan pengguna-akhir sebagai pekerja pengetahuan (knowledge worker) suatu organisasi lambat laun menyadari bahwa mereka memerlukan sebuah alat yang tepat untuk mengendalikan dan mengakses data tersebut agar dapat memperoleh informasi yang berguna. Alat yang biasanya digunakan untuk memanipulasi data historikal yang dipelihara di dalam sebuah data warehouse ternyata tidak lagi memadai untuk mendukung operasi-operasi yang lebih kompleks misalnya
seperti perencanaan dan peramalan. Dalam lingkungan bisnis sekarang ini, menganalisis tren data dan korelasinya dari berbagai aspek bisnis yang berbeda untuk tujuan perencanaan dan peramalan merupakan keperluan kueri bisnis yang paling berharga (Gardner 1998). Alat yang biasa digunakan untuk memanipulasi data operasional yang dikenal dengan nama online transaction processing (OLTP) dirancang untuk mengotomasi tugas-tugas pemrosesan yang terstruktur dan berulangulang. Secara tipikal, transaksi OLTP adalah pendek, atomik, dan terisolasi; memerlukan data yang terperinci dan uptodate; dan membaca atau mengupdate beberapa rekod saja (Chauduri & Dayal 1997). Permintaan pengguna diproses secara reliabel dan efisien dari satu snapshot data operasional saat ini menggunakan program aplikasi khusus seperti tagihan, pengendalian inventori, penggajian, dan pendukung manufaktur dimana masing-masing aplikasi menyimpan data transaksi dalam sebuah database tersendiri. Keragaman format dan lokasi data operasional tersebut menyebabkan ketidakefisienan OLTP untuk mendukung aplikasi sistem pendukung keputusan (Dunham 2003). Sebaliknya, data warehouse tidak hanya memelihara data operasional saat ini, tetapi juga menyimpan data historis yang telah diakumulasikan dalam periode waktu yang panjang dari berbagai sumber informasi, menjadikan jumlah data yang tersimpan itu besarnya jauh melampaui jumlah data yang tersimpan dalam database operasional, yakni hingga ke ukuran terabyte (212 byte). Namun demikian, pengintegrasian data ke dalam sebuah tempat penyimpanan sentral ini memungkinkan pihak eksekutif organisasi menganalisis secara komprehensif, mengeksplorasi, mengidentifikasi trentren yang berguna, dan membuat ringkasan data untuk aktifitas pengambilan keputusan tingkat tinggi.
ARSITEKTUR DATA WAREHOUSE Umumnya sebuah sistem data warehouse terdiri dari tiga komponen utama, yaitu alat back-end, data warehouse, dan alat front-end seperti diilustrasikan pada Gambar 1. Alat back-end adalah sekumpulan perangkat lunak akuisisi data dengan tiga tugas utama: meng-ekstrak data dari sumber-sumber eksternal, mengkonsolidasikan data ke dalam sebuah skema global, dan memuat data ke dalam data warehouse (Garcia-Molina et al. 2002). Aktivitas-aktivitas ini umumnya dikenal sebagai proses ETL (Extract, Transform, and Load). Modul-modul yang bertanggung jawab untuk proses ekstraksi, konsolidasi dan pemuatan tersebut adalah wrapper/monitor dan integrator (Widom 1995). Modul wrapper bertugas mengubah sumber-sumber informasi dari format asalnya menjadi format dan model data yang digunakan oleh sistem data warehouse. Ada beberapa proses yang dilakukan pada saat berlangsungnya konversi, yaitu pemformatan ulang, pencucian, pengintegrasian, dan peringkasan sumber-sumber informasi (Dunham 2003). Peranan modul monitor adalah untuk mendeteksi secara otomatis setiap perubahan dalam sumber informasi dan melaporkannya kepada modul integrator, yang kemudian melakukan sederetan operasi seperti penyaringan, peringkasan, penggabungan, dan penginstalasian informasi ke dalam data warehouse. Untuk memenuhi keperluan sekelompok pemakai tertentu atau untuk tugas pengambilan keputusan, sistem data warehouse mungkin juga menyediakan data marts dalam bentuk data terpakai untuk analisis pengguna akhir. Data mart merupakan sub-divisi dari data warehouse menurut tingkat departemental, regional, atau fungsional yang dapat menyokong jenis aplikasi analitik yang lebih spesifik secara efisien. Dari sudut pandangan bisnis, data mart adalah tingkat ritel dimana konsumer data (dalam hal ini pengguna akhir) memperoleh informasi spesifik dari data warehouse (Moody & Kortink 2000). Alat front-end terdiri dari perangkat lunak klien yang dapat digunakan untuk mengakses informasi yang disimpan di dalam data warehouse atau data mart. Sistem data warehouse biasanya menyediakan berbagai alat aplikasi untuk mengakomodasi tingkat kemahiran pengguna akhir yang berbeda-beda. Tergantung pada bagaimana data disimpan di dalam data warehouse, alat-alat tersebut dapat mengakses server data warehouse untuk melakukan kueri. Server itu kemudian melakukan konsultasi ke tempat penyimpanan metadata dan database untuk menjawab kueri tersebut. Tempat penyimpanan metadata digunakan dalam data warehouse untuk mencatat deskripsi data baik dari sumber-sumber informasi maupun dari data warehouse itu sendiri. Metadata itu seperti kartu katalog perpustakaan yang menunjuk ke sebuah lokasi dan makna dari berbagai objek informasi di dalam data warehouse (Barquin & Edelstein 1997). Alat-alat back-end dan front-end melakukan permintaan informasi berdasarkan pemilihan yang dibuat dari katalog tersebut. Sebagai contoh, alat back-end dapat berkonsultasi dengan penyimpanan metadata tentang lokasi sebuah data tertentu, waktu untuk memperoleh data tersebut, format data dalam
sumber informasi dan transformasi atau tindakan lain yang harus dilakukan terhadap data tersebut bilamana data itu dimuat ke dalam data warehouse. Manakala alat front-end mungkin perlu mengetahui tentang deskripsi item data tertentu, format data tersebut dalam data warehouse, informasi yang sesuai yang diperlukan untuk memungkinkan pemilihan kueri pengguna yang akurat, cara peringkasan data, dan bagaimana menyajikan hasil yang diperoleh untuk memberi jawaban terbaik terhadap kueri. MODEL MULTIDIMENSI Konsep data warehouse dapat ditinjau dari berbagai aspek seperti perangkat aplikasi, arsitektur, layanan informasi, dan infrastruktur komunikasi untuk mensintesa informasi yang berguna untuk pengambilan keputusan dari sumber-sumber data operasional yang heterogen dan terdistribusi (Golfarelli et al. 1998). Model yang ditujukan untuk mendukung aplikasi dan implementasi data warehouse disebut model multidimensi. Dalam model multidimensi, data disajikan dalam bentuk fakta dan dimensi dimana tiap-tiap data dihubungkan ke berbagai dimensi. Dengan cara ini, fakta merupakan fokus perhatian dimana data dianalisis menurut konteks kuantitas yang tersimpan di dalam pengukuran dan konteks kualifikasi yang ditentukan melalui level-level dimensional (Hüsemann et al 2000). Pengkategorian data dalam bentuk dimensi ini adalah cara untuk mengorganisasikannya ke dalam level-level hirarki sedemikian hingga data dapat dipandang melalui potongan-potongan kecil dari yang halus hingga yang lebih kasar. (Agrawal et al. 1997). Model multidimensi sebagai sebuah pandangan konseptual memainkan peranan penting dalam perancangan data warehouse. Model ini dapat dianggap sebagai perantara antara sistem analis dan pengguna pada saat mereka bekerja sama dalam memformulasikan keperluan-keperluan data warehouse. Pada level konseptual, baik analis maupun pengguna dapat mengajukan pendapat mereka dalam peristilahan yang saling mereka pahami, sehingga dapat menghindarkan jargon-jargon teknis dan teoritis. Selain itu, rancangan konseptual merupakan blok bangunan dasar untuk tahapan-tahapan perancangan data warehouse berikutnya, seperti perancangan logikal dan fisikal. Tahapan perancangan konseptual ini dianggap sebagai tahapan terpenting bagi keberhasilan perancangan data warehouse secara keseluruhan, dimana kesalahan-kesalahan pemodelan dapat dideteksi secara dini dan skema dapat diperluas secara mudah. Dalam sebuah sistem data warehouse data diintegrasikan dari berbagai sumber untuk memberikan sebuah pandangan menyeluruh terhadap data dengan konsekuensi bahwa data yang akan dianalisa menjadi sangat besar dan kompleks. Akan tetapi, kompleksitas sebuah data warehouse bukan hanya berkaitan dengan besarnya volume sumber-sumber informasi tersebut, melainkan berkaitan juga dengan multidimensionalitas modelmodel data yang digunakan (Hüsemann et al. 2000). Untuk mengakomodasi pandangan multidimensi data tersebut, sistem data warehouse mengimplementasikan model multidimensi. Model ini mengklasifikasikan data menjadi dua jenis, yaitu data numerik dan data tekstual dimana data numerik merupakan pengukuran terhadap fakta-fakta
bisnis yang menarik untuk dianalisa menurut konteks tekstualnya (Abelló et al. 2001). Pada dasarnya, fakta, dimensi dan hirarki dimensi adalah tiga konstruksi model multidimensi yang umum ditemukan dalam perancangan data warehouse. Fakta adalah peristiwa atau proses yang terjadi secara dinamik dalam dunia organisasi untuk menghasilkan data sepanjang waktu. Fakta dapat dipandang sebagai sebuah entitas transaksi yang mengandung pengukuran atau kuantitas dan dapat diringkaskan melalui berbagai dimensi. Pengukuran atau nilai kuantifikasi merupakan fokus perhatian bagi proses pengambilan keputusan. Dimensi adalah objek-objek yang dihubungkan melalui asosiasi yang berfungsi sebagai konteks kualifikasi dan terstruktur menurut satu atau lebih jalur agregat yang berkongsi level dimensi akhir. Dimensi berasal dari atribut-atribut diskrit yang menentukan butiran-butiran fakta minimum dan dikategorikan secara sintaksis guna menetapkan cara-cara untuk melihat informasi, sesuai dengan perspektif alamiah bisnis dimana analisa faktanya dapat dilakukan. Hirarki dimensi terbentuk dari atribut-atribut diskrit dimensi yang dihubungkan oleh asosiasi dan menentukan bagaimana fakta dapat disusun dan dipilih secara signifikan untuk proses pengambilan keputusan. Hirarki dimensi dapat diklasifikasikan ke dalam dua jenis dasar (Akoka et al. 2001), yaitu hirarki sederhana dan hirarki majemuk. Hirarki sederhana hanya terdiri dari satu jalur agregat linier di dalam sebuah dimensi, misalnya kota propinsi negara. Sementara hirarki dimensi majemuk, terdiri dari sekurang-kurangnya dua jalur agregat berbeda dalam sebuah dimensi. Sebagai contoh, dimensi mahasiswa di sebuah domain universitas terdiri dari mahasiswa diploma, sarjana dan pascasarjana. Mahasiswa sarjana terdiri dari empat kelas yang menunjukkan tahun si mahasiswa di universitas, sedangkan mahasiswa pascasarjana boleh mahasiswa program magister atau mahasiswa program doktor. Gambar 2 berikut mengilustrasikan representasi grafik kedua hirarki dimensi di atas.
DATA MINING Data mining adalah bagian dari proses KDD (Knowledge Discovery in Databases) yang terdiri dari beberapa tahapan seperti pemilihan data, pra pengolahan, transformasi, data mining, dan interpretasi hasil (Maimon & Last 2000). Pemilihan data bertujuan untuk memilih data yang akan dianalisa dengan cara menentukan rekod dan atribut yang diperlukan. Setelah melalui proses pemilihan, kemudian dilakukan pra pengolahan terhadap data yang dipilih tersebut dengan cara membersihkannya dari nilai-nilai yang hilang atau tidak diketahui, serta mencari dan membuang atau memperbaiki data pencilan (outliers data). Apabila terdapat butir-butir data yang bersifat temporal (misalnya tanggal), maka selanjutnya dilakukan proses transformasi ke dalam bentuk periode waktu sehingga dapat dilakukan analisis deret berkala (time series). Proses transformasi ini merupakan prasyarat untuk dapat dilakukannya proses data mining yang berhasil. METODE-METODE DATA MINING Metode data mining secara garis besar dapat dibagi dalam dua kelompok: verifikasi dan discovery. Metode verifikasi umumnya meliputi teknik-teknik statistik seperti goodness of fit, Uji-T rata-rata, dan analisis variansi. Metode discovery lebih lanjut dapat dibagi atas model prediktif dan model deskriptif. Model prediktif melakukan prediksi terhadap data dengan menggunakan hasil-hasil yang telah diketahui dari data yang berbeda. Model ini dapat dibuat berdasarkan penggunaan data historis lain. Sementara itu, model deskriptif bertujuan mengidentifikasi pola-pola atau hubungan dalam data dan memberikan cara untuk mengeksplorasi sifatsifat data yang diselidiki (Dunham 2003). Taksonomi metode-metode data mining diberikan secara lengkap dalam Gambar 3 (lihat Maimon & Last 2000, Dunham 2003).
PROSES DATA MINING Proses data mining merupakan sebuah proses iteratif untuk menghasilkan pengetahuan baru dan hipotesa baru yang digunakan untuk menyesuaikan kualitas dan kandungan data agar menjadi lebih baik. Proses ini dapat diilustrasikan dalam sebuah metodologi enam-langkah seperti diperlihatkan pada Gambar 4 (Kamrani et al. 2001).
Langkah pertama adalah pendefinisian masalah untuk mengidentifikasi tujuan menggunakan data mining pada masalah yang diinginkan. Langkah ini kemudian dilanjutkan dengan mendapatkan latar belakang pengetahuan untuk mengetahui apakah terdapat kemungkinan bias dan efek pemilihan data yang kemudian dilanjutkan dengan pemilihan data yang relevan untuk digunakan dan dianalisis guna memperoleh jawaban terhadap permasalahan yang dihadapi. Meskipun data yang terdapat pada data warehouse mungkin telah memuat data yang relevan, para ahli diberi kebebasan untuk menambahkan atribut-atribut baru untuk membantu prosedur data mining dengan melakukan pra-pengolahan terhadap data sebelum dianalisa. Dalam langkah analisa dan interpretasi, para ahli perlu memiliki pengalaman dan pengetahuan tentang subjek permasalahan yang sedang dipelajari baik untuk menganalisis maupun menerjemahkan hasil yang diperoleh. Pada langkah terakhir, hasil yang diperoleh dapat digunakan untuk berbagai keperluan seperti proses pengambilan keputusan dan pengintegrasian ke aplikasi pengguna akhir. Selain itu juga dapat digunakan untuk memprediksi pola dan perilakunya, mengorganisasikan, menyortir, serta memilih sejumlah data tertentu untuk pembuktian terhadap klaim yang diajukan oleh ahli terhadap suatu permasalahan. DESAIN KONSEPTUAL DATA WAREHOUSE UNTUK DOMAIN UNIVERSITAS Dalam bagian ini penulis akan memaparkan proses perancangan model multidimensi sebagai langkah awal perancangan sebuah sistem data
warehouse. Sebagai contoh kasus kita akan mengambil contoh dari domain universitas, seperti ditunjukkan dalam penggalan ER (Entity Relationship) diagram pada Gambar 5.
Dengan menggunakan sebuah metodologi yang disebut metodologi berorientasi-transformasi (Sitompul & Noah 2003), ER model yang diilustrasikan dalam Gambar 3 di atas akan ditransformasikan ke dalam bentuk model multidimensi. Contoh hasil transformasi untuk entiti Mahasiswa dapat dilihat pada Gambar 6.
Model multidimensi untuk entiti mahasiswa seperti terlihat pada Gambar 4 dihasilkan secara otomatis oleh metodologi berorientasi-transformasi
berdasarkan model ER yang terlihat pada Gambar 3. Oleh karena itu, model ini tergantung sepenuhnya pada ER model yang tersedia. Untuk mengubah model multidimensi ini sesuai dengan keperluan pengguna yang spesifik dapat dilakukan beberapa modifikasi (Sitompul & Noah 2005). Salah satu contoh modifikasi yang dapat dilakukan diperlihatkan pada Gambar 7.
Model multidimensi seperti pada Gambar 7 di atas memperlihatkan bagaimana para pengambil keputusan dapat menganalisa data mahasiswa. Sebagai contoh, analisa dapat dilakukan untuk melihat jumlah mahasiswa untuk setiap semester berdasarkan asal mahasiswa (menurut kota dan propinsi), jenis kelamin, kelompok usia (usian 20-an, 30-an, dan 30-an), serta berdasarkan jurusan dan fakultas. Dengan cara yang sama dapat pula dilakukan analisa mengenai dosen, akademik, keuangan, dll. yang terdapat dalam domain universitas. PENUTUP Dalam makalah ini telah dipaparkan konsep dan sistem data warehouse sebagai teknologi pendukung pengambilan keputusan. Perancangan data warehouse di dukung oleh sebuah model data yang disebut model multidimensi yang memungkinkan para pengambil keputusan melakukan analisis terhadap butiran-butiran data yang diperlukan. Selanjutnya dipaparkan pula konsep-konsep yang berkaitan dengan data mining sebagai salah satu alat yang dapat digunakan untuk mengekstrak data implisit, belum diketahui sebelumnya, dan secara potensial berguna bagi para pengambil keputusan. Pengimplementasian sistem data warehouse di lingkungan universitas dapat membantu pihak pengambil keputusan untuk menganalisa berbagai persoalan berkaitan dengan universitas. Dari implementasi ini dapatlah dibangun sebuah sistem informasi yang mampu mendukung sistem pengambilan keputusan.
