Konsep Data MIning contoh kasus KDD

Prediksi Data Anggaran Pendapatan Belanja Daerah Menggunakan Algoritma K-Means

 Abstrak

Penelitian ini dilakukan untuk mempelajari dan mengimplementasikan metode algoritma K-Means. Permasalahan yang terjadi pada Dinas Pengelola Keuangan dan Aset (DPKA) yaitu sulitnya pengelompokkan data Anggaran Pendapatan Belanja Daerah (APBD) pertahun, sehingga sulit untuk memprediksi Anggaran Pendapatan Belanja Daerah pada tahun yang akan datang. Oleh karena itu digunakan algoritma K-Means untuk mengelompokkan data-data Anggaran Pendapatan Belanja Daerah (APBD). Algoritma K-Means adalah salah satu algoritma yang paling sederhana untuk menyelesaikan permasalahan clustering dengan baik. Algoritma K-Means sangat populer untuk menemukan cluster dalam dataset dalam perhitungan perulangan. Metode algoritma K-Means dapat menggunakan software Tanagra. Agar hasil yang diharapkan pada sistem ini

dapat memberikan prediksi untuk Anggaran Pendapatan Belanja Daerah (APBD) pada tahun mendatang

Kata Kunci : Data Mining, Clustering, K-Means, APBD

1.        Pendahuluan

Pada setiap instansi atau lembaga yang mengelola keuangan daerah terdapat begitu banyak data, sehingga menimbulkan kesulitan dalam hal pengelompokan data. Penatausahaan anggaran pendapatan belanja daerah pada Pemerintah Kota Payakumbuh belum efektif dilaksanakan disebabkan banyaknya kendala dalam penatausahaan tersebut, di antaranya keterbatasan sumber daya manusia.

Data mining adalah teknik untuk menggali nilai tambah dari suatu kumpulan data dari suatu pengetahuan yang belum diketahui secara manual. Data mining sering melibatkan analisis dari data yang tersimpan dalam data warehouse. Data mining merupakan proses pencarian pola dan relasi-relasi yang tersembunyi dalam sejumlah data yang besar dengan tujuan untuk melakukan klasifikasi, estimasi,

forecasting, asosiasi rule, sequential pattern, clustering, regression, deskripsi dan visualisasi [1].

Data Anggaran Pendapatan Belanja Daerah (APBD) merupakan suatu rencana keuangan tahunan pemerintah daerah yang disetujui oleh Dewan Perwakilan Rakyat Daerah, yang dikelola oleh Dinas Pengelola Keuangan dan Aset (DPKA) pada suatu kota tertentu.

Kendala yang dihadapi oleh lembaga keuangan pemerintah di daerah Kota Payakumbuh adalah bagaimana mengelola dan mengidentifikasi data APBD yang begitu banyak. Namun seiring dengan perkembangan Teknologi Informasi (TI) muncul berbagai cara dan solusi untuk mengatasi dan meminimalisir kesulitan dalam mengidentifikasi masalah tersebut. Berdasarkan permasalahan diatas

algoritma K-Means akan diterapkan untuk memprediksi data anggaran pendapatan belanja daerah sehingga dari hasil penelitian ini akan terbangun clusterisasi data APBK kota Payakumbuh sebagai tempat objek penelitian. Selanjutnya dari hasil penelitian ini juga dapat ditentukan jumlah cluster yang paling tepat dan akurat terhadap data APBD, dapat mengelompokkan dan menentukan jumlah cluster yang paling tepat dan akurat terhadap data APBD serta mampu menganalisa hasilnya untuk menentukan parameter-parameter batasan berdasarkan karakteristik masing-masing.

2.        Landasan Teori

2.1   Knowledge Discovery in Databases (KDD)

Knowledge Discovery in Databases merupakan sekumpulan proses untuk menemukan pengetahuan yang bermanfaat dari data. KDD terdiri dari serangkaian langkah perubahan, termasuk data preprocessing dan juga post processing. Data propecessing merupakan langkah untuk mengubah data mentah menjadi format yang sesuai untuk tahap analisis berikutnya. Selain itu data preprocessing juga digunakan untuk membantu dalam pengenalan atribut dan data segmen yang relevan dengan task Data Mining.

Istilah Data Mining dan Knowledge Discovery in Databases (KDD) sering kali digunakan secara bergantian untuk 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 Knowledge Discovery in Databases (KDD) secara garis besar dapat dijelaskan sebagai berikut [5] :

  

Gambar 1. Tahapan Knowledge Discovery in

Databases (KDD)

1.    Data Selection

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

2.    Pre-processing atau cleaning

Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus knowledge data discovery. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkosisten, 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 KDD, seperti data atau informasi eksternal.

3.    Transformation

Coding adalah proses tranformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses Data Mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis 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 atau 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.

2.2 Data mining

Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan dalam database. Data Mining adalah proses yang menggunakan teknik variabel, matematika, kecerdasan buatan dan machine learning untuk mengektraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [8].

Menurut Gartner Group Data Mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik 74 variabel dan matematika [6].

2.2.1       Pengelompokan Data Mining

Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu [7] :

1.     Deskripsi

Deskripsi adalah menggambarkan pola dan kecenderungan yang terdapat dalam data yang memungkinkan memberikan penjelasan dari suatu pola atau kecenderungan tersebut.

2.     Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih 74kearah

numerik daripada kearah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai variabel target sebagai nilai prediksi.

3.     Prediksi

Prediksi hamper sama dengan klasifikasi dan estimasi, akan tetapi dalam prediksi nilai dari hasil akan datang ada di masa mendatang.

4.     Klasifikasi

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya.

5.    Pengklusteran

Pengklusteran merupakan pengelompokkan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Cluster adalah kumpulan record yang memilki kemiripan satu dengan yang lainnya dan memiliki kemiripan dengan record-record dalam cluster lain.

6.    Asosiasi

Asosiasi dalam Data Mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

2.2.2       Proses Data Mining

Tahapan proses dalam Data Mining adalah sebagai berikut :

1.    Pembersihan data yang merupakan fase semua data yang tidak relevan akan dihapus.

2.    Integrasi data yaitu tahapan mengkombinasi data yang bersifat heterogen dari sumber data yang sama.

3.    Seleksi data yaitu data yang relevan dengan analisis diambil dari proses pengumpulan data.

4.    Trasformasi data yaitu fase di mana data yang akan dipilih berubah bentuk sesuai kebutuhan dalam proses Data Mining.

5.    Evaluasi pola yang merupakan kegiatan menarik pola yang mewakili pengidentifikasian pengetahuan berdasarkan langkah-langkah yang diberikan.

6.    Persentasi pengetahuan merupakan tahap akhir di mana pengetahuan ditemukan secara visual yang ditampilkan pada pengguna atau tahap ini merupakan tahap teknik visualisasi untuk

membantu pengguna memahami dan menginterpretasikan hasil Data Mining.

2.3 Clustering

Clustering adalah salah satu teknik Data Mining untuk menemukan kumpulan objek hingga objek-objek dalam satu kelompok yang sama (punya hubungan) dengan yang lain dan berbeda (tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak antar cluster.

2.3.1. K-Means

Algoritma K-Means merupakan algoritma pengelompokan iterative yang melakukan partisi set

data ke dalam sejumlah K cluster yang telah ditetapkan di awal. Algoritma K-Means sederhana untuk

diimplementasikan dan dijalankan, relatif cepat, mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means menjadi salah satu algoritma yang paling penting dalam bidang Data Mining [7].

Secara historis, bentuk esensial K-Means ditemukan oleh sejumlah peneliti dari lintas disiplin ilmu. Yang paling berpengaruh adalah Lloyd (1982), Forgey (1965), Friedman dan Rubin (1967), dan McQueen (1967). Algoritma K-Means berkembang hingga menjadi konteks yang lebih besar sebagai algoritma hill-climbing, seperti yang disampaikan oleh Gray dan Nuhoff (1998).

Dasar algoritma K-Means sebagai berikut [7] :

1.     Inisialisasi : tentukan nilai K sebagai jumlah cluster yang diinginkan dan metrik ketidakmiripan (jarak) yang diinginkan. Jika perlu, tetapkan ambang batas perubahan fungsi objektif dan ambang batas perubahan posisi centroid.

2.     Pilih K data dari set data X sebagai centroid.

3.     Alokasikan semua data ke centroid terdekat dengan jarak metrik jarak yang sudah ditetapkan .

=₁  − ₁   ² +   ₁  − ₁   ²

4.     Hitung kembali centoid C berdasarkan data yang mengikuti cluster masing-masing.

=	1

5.     Ulangi langkah 3 dan 4 hingga kondisi konvergen tercapai, yaitu :

a.     Perubahan fungsi objektif sudah di bawah ambang batas yang diinginkan.

b.     Tidak ada data yang berpindah cluster.

c.     Perubahan posisi centroid sudah di bawah ambang batas yang ditetapkan.

1.             Metodologi Penelitian

Metodologi penelitian ini dimulai dari mempelajari beberapa literatur yang berhubungan dengan topik penelitian yang sedang dilakukan, dilanjutkan dengan mengumpulkan data-data yang berhubungan dan merumuskan masalah penelitian sebagai langkah awal terhadap proses yang dilakukan. Tahapan selanjutnya menganalisa proses data mining dengan metode K-Means dan mengimplementasikan metode K-Means tersebut dengan menggunakan tools Tanagra. Tahapan terakhir adalah pengujian terhadap sistem untuk mengetahui tingkat validitas dari sistem yang dibangun. Tahapan lengkap penelitian sebagaimana

yang dijabarkan diatas terdapat dalam gambar 1 dibawah.

Gambar 2. Metodologi Penelitian

4.          Analisis Sistem

4.1 Analisis Clustering dengan Algoritma K-Means

K-Means termasuk dalam metode Data Mining partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu memungkinkan bagi setiap data yang termasuk dalam cluster terntuntu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster lain. K-Means memisahkan data ke K daerah bagian yang terpisah, di mana K adalah bilangan integer positif. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasi data besar dan outlier dengan sangat cepat.

Tabel 1. List jenis pendapatan

Data	Jenis		M	Jumlah	Jumlah
ke-	Pendapatan		ke-	Pendapatan	Instansi
1	Pajak Daerah		1	49	18
2	Retribusi		2	7	18
	daerah
3	Hasil		3	3	10
	Pengelolaan
	kekayaan
	daerah	yang
	Dipisahkan
4	Lain-lain		4	12	12
	PAD	yang
	sah
5	Dana	Bagi	5	74	18
	hasil	Pajak/
	Bagi	hasil
	bukan pajak
6	Dana Alokasi		6	191	15
	Umum
7	Dana Alokasi		7	21	5

	Khusus
8	Hibah		8	2	18
9	Dana Darurat		9	638	18
10	Dana	Bagi	10	11	18
	Hasil	Pajak
	dari	Provinsi
	dan	Pemda
	Lainnya
11	Dana		11	20	18
	Penyesuaian
	dan	Otonomi
	Khusus
12	Bantuan		12	3	10
	Keuangan
	dari	Provinsi
	atau	Pemda
	Lainnya
13	Lain-lain		13	3	5

Tabel 2. Pengelompokan cluster 1

Data	Jenis	M	Jumlah	Jumlah
ke-	Pendapatan	ke-	Pendapatan	Instansi
1	Dana Darurat	9	638	18

Tabel 3. Pengelompokan cluster 2

Data	Jenis		M	Jumlah	Jumlah
ke-	Pendapatan		ke-	Pendapatan	Instansi
1	Pajak Daerah		1	49	18
2	Retribusi		2	7	18
	daerah
3	Hasil		3	3	10
	Pengelolaan
	kekayaan
	daerah   yang
	Dipisahkan
4	Lain-lain		4	12	12
	PAD	yang
	sah
5	Dana	Bagi	5	74	18
	hasil	Pajak/
	Bagi	hasil
	bukan pajak
6	Dana Alokasi		6	191	15
	Umum
7	Dana Alokasi		7	21	5
	Khusus
8	Hibah		8	2	18
9	Dana	Bagi	10	11	18
	Hasil	Pajak
	dari	Provinsi
	dan	Pemda
	Lainnya
10	Dana		11	20	18
	Penyesuaian
	dan	Otonomi
	Khusus
11	Bantuan		12	3	10
	Keuangan
	dari	Provinsi
	atau	Pemda
	Lainnya
12	Lain-lain		13	3	5

Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. Dari kedua cluster yang terbentuk kita dapat mengklasifikasikan sebagai berikut :

1.    Cluster pertama : dari 13 data pendapatan didapat 1 pendapatan yang besar.

2.    Cluster kedua : dari 13 data pendapatan didapat 12 pendapatan tidak besar.

Tabel 4. List jenis belanja

Data	Jenis Belanja		M	Jumlah	Jumlah
ke-			ke-	Belanja	Instansi
1	Belanja Pegawai		1	200	18
2	Belanja Bunga		2	200	18
3	Belanja Subsidi		3	250	18
4	Belanja Hibah		4	20	8
5	Belanja	Bantuan	5	25	10
	Sosial
6	Belanja Bagi Hasil		6	20	18
	kepada
	Prop/Kab/Kota
	dan Pemdas
7	Belanja	Bantuan	7	20	8
	Keuangan	kepada
	Prop/Kab/Kota
	dan Pemdas
8	Belanja	Tidak	8	10	18
	terduga
9	Belanja	Barang	9	80	18
	dan Jasa
10	Belanja Modal		10	120	18

Tabel 5. Pengelompokan cluster 1

Data	Jenis Belanja		M	Jumlah	Jumlah
ke-			ke-	Belanja	Instansi
1	Belanja Hibah		4	20	8
2	Belanja	Bantuan	5	25	10
	Sosial
3	Belanja	Bagi	6	20	18
	Hasil	kepada
	Prop/Kab/Kota
	dan Pemdas
4	Belanja	Bantuan	7	20	8
	Keuangan
	kepada
	Prop/Kab/Kota
	dan Pemdas
5	Belanja	Tidak	8	10	18
	terduga
6	Belanja	Barang	9	80	18
	dan Jasa

Tabel 6. Pengelompokan cluster 2

Data	Jenis	M	Jumlah	Jumlah
ke-	Belanja	ke-	Belanja	Instansi
1	Belanja	1	200	18

	Pegawai
2	Belanja	2	200	18
	Bunga
3	Belanja	3	250	18
	Subsidi
4	Belanja	10	120	18
	Modal

Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. Dari kedua cluster yang terbentuk kita dapat mengklasifikasikan sebagai berikut :

1.     Cluster pertama : dari 10 jenis belanja didapat 6 belanja yang besar.

2.     Cluster kedua : dari 10 jenis belanja didapat 4 belanja yang tidak besar.

5. Implementasi Dan Hasil

Hasil yang didapat seteleh melakukan pengujian dengan software Tanagra adalah sebagai berikut :

Gambar 3. Cluster yang terbentuk melalui software tanagra

Dari    kedua   cluster    yang    terbentuk    dengan

menggunakan software tanagra kita dapat mengklasifikasikan sebagai berikut :

1.     Cluster pertama : dari 13 data pendapatan didapat 1 pendapatan yang besar.

2.     Cluster kedua : dari 13 data pendapatan didapat 12 pendapatan tidak besar.

6.         Kesimpulan dan Saran

6.1  Kesimpulan

Berdasarkan uraian pada bab-bab yang sudah dibahas sebelumnya maka dapat diambil kesimpulan:

1.     Penelitian  ini   menganalisis  data  Anggaran

PendapatanBelanjaDaerah(APBD)

menggunakan clustering dengan algoritma K-Means.

2.    Sistem  clustering  data  Anggaran  Pendapatan

Belanja Daerah (APBD) menggunakan algoritma K-Means dapat mengelompokan dan memprediksi data pada tahun berikutnya.

6.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan maka diharapkan penelitian selanjutnya :

1.    Menggunakan data historis yang lebih banyak untuk menemukan pola yang lebih baik.

2.    Diuji kembali dengan menggunakan algoritma clustering lainnya.

3.    Proses penyimpanan data diharapkan menggunakan sistem komputerisasi sehingga data bisa tersimpan lebih baik, sehingga ketika dibutuhkan dapat diolah lebih cepat, apabila nanti adanya pengembangan sistem.

4.    Pengembangan sistem sebaiknya dilakukan untuk menutupi kekurangan dari sistem yang telah ada saat ini.

Referensi

[1]   Narendra Sharma, Aman Bajpai, Mr. Ratnesh Litoriya

(2012). “Comparison the various clustering algorithms of weka tools”, India.

[2]       Hemlata  Sahu,  Shalini  Shrma,  Seema  Gondhalakar

(2012). “A Brief Overview on Data Mining Survey”,

India.

[3]       Minky Jindal, Nisha Kharb (2013). “K-means Clustering Technique on Search Engine

Dataset using Data Mining Tool”, India.

[4]       Athanasia O. P. Dewi, Wiranto H. Utomo, Sri Yulianto

J.P (2013). “Identification of Potential Student Academic Ability Using Comparison Algorithm K-Means and Farthest First”, Indonesia.

[5]     Kusrini, Emha Taufiq Luthfi (2009). “Algoritma Data Mining”, STMIK AMIKOM Yogyakarta.

[6]     Larose, Daniel T (2005). “Discovering Knowledge in

Data : An Introduction to Data Mining”.

[7]       Eko Prasetyo (2014). “Data Mining Mengolah Data Menjadi Informasi menggunakan matlab”, Yogyakarta.

[8]       Turban, E, dkk (2005), “Decesion Support System and Intelligent Systems”, Yogyakarta.

[9]       http://jurnal.stmik-amik-riau.ac.id/index.php/satin/article/view/109/pdf

Nama : Dhinda Afsaryna Awanys

NPM  : 1B117093

Kelas  : 4KA44

Nama : Dhinda Afsaryna Awanys

Kelas  : 4KA44

NPM  : 1B117093

Microsoft

Microsoft adalah perangkat lunak paket aplikasi perkantoran buatan Microsoft dan dirancang untuk dijalankan di bawah sistem operasi Microsoft Windows dan Mac OS X. Beberapa aplikasi di dalam Microsoft Office yang terkenal adalah Excel, Word, dan PowerPoint.

Visi, Misi dan Tujuan Perusahaan Microsoft Corporation

Hai para Blogger...Siapa yang tidak mengenal "Microsoft" ? Perusahaan raksasa yang bergerak di bidang teknologi khususnya dalam Perangkat Lunak yang bernama "Windows" untuk Komputer, yang sekarang telah merambah juga di dunia elektronik untuk komunikasi, yaitu Smartphone dengan nama Lumia. Bill Gates adalah pendiri dari perusahaan "Microsoft" ini, lalu apa yang membuat beliau bisa sukses dalam membangun perusahaan raksasa miliknya? Ya, beliau sukses karena tekad dan keberaniannya yang kuat serta didukung dengan Visi, Misi dan Tujuan yang jelas. Mau tahu apa Visi, Misi dan tujuan dari Perusahaan yang beliau bangun? Berikut akan saya jelaskan mengenai Visi, Misi dan Tujuannya.

Visi Microsoft :

• Menjadi pemimpin pasar global dengan membuat terobosan baru untuk menciptakan revolusi besar di bidang teknologi mikroprosesor.

Misi Microsoft:

• ·         Memberikan layanan terbaik dengan memenuhi keinginan pelanggan guna menjaga hubungan baik.
• ·         Menciptakan suatu layanan dengan memberikan kemudahaan dan kenyamanan bagi para penggunanya atau menciptakan lingkungan antarmuka.
• ·         Merekrut karyawan pekerja keras yang memiliki pengetahuan dan keterampilan pemrograman.
• ·         Menetapkan standar industri untuk menjadi pemimpin industri.
• ·         Membuat produk yang berkualitas dengan harga yang murah.

Tujuan Microsoft :

• ·        Dapat menguasai pangsa pasar di Seluruh Negara.
• ·         Meningkatkan kepuasan pelanggan dengan menciptakan inovasi baru untuk memudahkan para penggunanya. Microsoft mengukur kepuasan pelanggan dengan menggunakan user interface atau disebut jaringan tatapmuka pengguna.
• ·         Menciptakan efektifitas kerja.

Budaya Kerja Microsoft

1. Work is a place that you do not just a place you go to

Di microsoft, bekerja adalah mengenai sesuatu yang kita lakukan. Yang kita hasilkan. Bukan hanya mengenai tempat ke mana kita pergi (untuk melakukan pekerjaan itu). Artinya, di microsoft Anda boleh bekerja kapan pun di mana pun. Yang terpenting adalah hasil dari pekerjaan Anda.

2. Everybody Could Speak Up!

Di microsoft, anak magang punya suara yang sama dengan karyawan. Asalkan mereka memang berkompeten.

3. Come as you are and do what you love!

Di microsoft semua karyawan dibebaskan untuk menjadi dirinya sendiri. Asal mampu menempatkan diri. Silakan, berangkat ke kantor pakai kaos! Tetapi tentu saja yang sepertinitu tidak berlaku saat para microsofties bertemu dengan konsumen/patner dari kantor lain.

4. Hiring a Great Talent!

Di Microsoft, memberikan kesempatan emas kepada para talenta hebat adalah budaya. Kesempatan terbuka ke Microsoft di seluruh dunia.

  

5. Attracting Gen-Y

Program kerja di microsoft adalah kegiatan yang menarik bagi para generasi Y. Generasi Y adalah generasi yang lahir antara tahun 1980 hingga 1990 an. Generasi yang mulai melek komputer. Microsoft memastikan bahwa apa yang mereka rancang akan menarik dan menantang untuk dilakukan oleh generasi Y.

6. Celebration of Success

Kami menghargai achievement setiap individu. Di sana selalu ada orang Indonesia yang naik ke atas panggung karena mereka berprestasi.

7. Flexible WorkStyle

Kita bekerja dengan Microsoft office link sehingga kita bisa bekerja flexible kapan saja dan dari mana saja. Microsoft office Link adalah sebuah perangkat lunak edisi enterprise yang bisa digunakan untuk kolaborasi pekerjaan di perkantoran.

Sumber :

https://studentstelkomuniversity.com/begini-budaya-kerja-yang-ada-di-microsoft-indonesia/

http://septandi.blogspot.co.id/2015/03/visi-misi-dan-tujuan-perusahaan.html

Nama  : Dhinda Afsaryna Awanys

kelas   : 4KA44

NPM   : 1B117093

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.

IT Service Management Memberikan Nilai Lebih Untuk Perusahaan Anda

Perkembangan Teknologi Informasi (TI) saat ini begitu pesat, serta dirasakan sangat berperan penting dalam menciptakan value bagi organisasi. Pemanfaatan TI membuat organisasi semakin ketergantungan terhadap layanan TI agar dapat unggul dalam persaingan (Competitive Advantage), karena itu pengelolaan layanan TI merupakan hal yang sangat diperhatikan serta senantiasa diperbaiki dalam rangka mengingatkan pelayanan kepada pelanggan.

Layanan (service) adalah sarana penyampaian nilai (Value Delivery) kepada pelanggan dengan memfasilitasi hasil akhir yang diinginkan pelanggan tanpa kepemilikan atas biaya dan resiko tertentu.  Information Technology Service  merupakan layanan TI yang disediakan oleh penyedia layanan untuk pelanggan (IT Service Customer)  baik internal maupun eksternal, yang bertujuan untuk membantu berjalannya proses bisnis yang ada.

Information Technology Service Management (ITSM) adalah suatu cara untuk menyelaraskan antara penyedia layanan TI dengan kebutuhan bisnis perusahaan, sehingga mampu memberikan layanan TI lebih efektif serta efisien yang berorientasi kepada kebutuhan bisnis perusahaan. ITSM dapat diimplementasikan dalam berbagai jenis orhanisasi yang telah menggunakan Teknologi Informasi dalam proses bisnisnya. ITSM memberikan keuntungan kepada perusahaan dan membantu perusahaan dalam mencapai tujuan strategis, sehingga ITSM dapat membuat perusahaan memiliki daya saing (competitive advantage).

Dalam Layanan TI harus memperhatikan tiga domain berikut:

1.  People

Domain ini berkaitan dengan organisasi perusahaan,  job deskription, fungsi-fungsi yang ada di perusahaan.

2.  Process

Terkait dengan proses bisnis, tata kelola, prosedur yang ada di perusahaan.

3.  Technology

Merupakan suatu tools yang digunakan untuk menjalan setiap proses bisnis, sehingga mampu meningkatkan efektifitas dan efisiensi dari proses bisnis  perusahaan.

Secara Umum, tujuan dari implementasi ITSM pada perusahaan ialah untuk menyelaraskan antara layanan TI dengan kbutuhan bisnis perusahaan. Dengan penerapan ITSM perusahaan dapat melakukan efisiensi dan efektifitas kinerja proses bisnis perusahaan, sehingga menghasilkan profit yang lebih bagi perusahaan. Menurut penelitian yang dilakukan oleh Internal Data Corporation (IDC), Massachusets Institute of Technology (MIT), dan Alinean, manfaat yang diperoleh perusahaan dari implementasi IT adalah sebagai berikut:

1.      Penyelarasan antara bisnis dan TI menjadi lebih baik,

2.      Meningkatkan ketangkasan,

3.      Mereduksi biaya yang dikeluarkan untuk TI,

4.      Keuntungan perusahaan lebih meningkat,

5.      Mengurangi resiko keamanan dan regulasi,

6.      Meningkatkan kepuasan terhadap TI.

Terdapat berbagai framework yang dapat dijadikan pedoman dan standar untuk ITSM, salah satunya adalah Information Technology Infrastructure Library (ITIL).

sumber 

https://id.wikipedia.org/wiki/ITSM

http://smartprosolusi.com/news/it-service-management-memberikan-nilai-lebih-untuk-perusahaan-anda.html 

NAMA                : DHINDA AFSARYNA AWANYS

KELAS/NPM     : 3DB03/32114940

Tugas softskill

                 TINGKAT KESEHATAN BANK

v Pengertian Tingkat Kesehatan Bank

Secara sederhana dapat dikatakan bahwa bank yang sehat adalah bank yang dapat menjalankan fungsi-fungsinya dengan baik. Dengan kata lain, bank yang sehat adalah bank yang dapat menjaga dan memelihara kepercayaan masyarakat, dapat menjalankan fungsi intermediasi, dapat membantu kelancaran lalu lintas pembayaran serta dapat digunakan oleh pemerintah dalam melaksanakan berbagai kebijakannya, terutama kebijakan moneter. 

v 6 TINGKAT KESEHATAN BANK (CAMELS) :

Kesehatan atau kondisi keuangan dan non keuangan Bank merupakan kepentingan semua pihak terkait, baik pemilik, pengelola (manajemen) Bank, masyarakat pengguna jasa Bank, Bank Indonesia selaku otoritas pengawasan Bank, dan pihak lainnya. Kondisi Bank tersebut dapat digunakan oleh pihak-pihak tersebut untuk mengevaluasi kinerja Bank dalam menerapkan prinsip kehati-hatian, kepatuhan terhadap ketentuan yang berlaku dan manajemen risiko. Perkembangan industri perbankan, terutama produk dan jasa yang semakin kompleks dan beragam akan meningkatkan eksposur risiko yang dihadapi Bank. Perubahan eksposur risiko Bank dan penerapan manajemen risiko akan mempengaruhi profil risiko Bank yang selanjutnya berakibat pada kondisi Bank secara keseluruhan. Perkembangan metodologi penilaian kondisi Bank senantiasa bersifat dinamis sehingga sistem penilaian tingkat kesehatan Bank harus diatur kembali agar lebih mencerminkan kondisi Bank saat ini dan di waktu yang akan datang. Pengaturan kembali tersebut antara lain meliputi penyempurnaan pendekatan penilaian (kualitatif dan kuantitatif) dan penambahan faktor penilaian. Bagi perbankan, hasil akhir penilaian kondisi Bank tersebut dapat digunakan sebagai salah satu sarana dalam menetapkan strategi usaha di waktu yang akan datang sedangkan bagi Bank Indonesia, antara lain digunakan sebagai sarana penetapan dan implementasi strategi pengawasan Bank. Untuk hal tersebut Bank Indonesia telah menerbitkan Peraturan Bank Indonesia No. 6/10/PBI/2004 dan Surat Edaran Bank Indonesia No.6/ 23 /DPNP Tentang Sistem Penilaian Tingkat Kesehatan Bank Umum. Tingkat Kesehatan Bank adalah hasil penilaian kualitatif atas berbagai aspek yang berpengaruh terhadap kondisi atau kinerja suatu Bank melalui Penilaian Kuantitatif dan atau Penilaian Kualitatif terhadap faktor-faktor Capital, Asset Quality, Management, earning, liquidity dan sensitivity to market risk yang disingkat CAMELS. Penilaian terhadap faktor tersebut secara umum dapat diuraikan sebagai berikut :

1.     Permodalan (Capital)

 Penilaian terhadap faktor permodalan meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. kecukupan, komposisi, dan proyeksi (trend ke depan) permodalan serta kemampuan permodalan Bank dalam mengcover aset bermasalah

b. kemampuan Bank memelihara kebutuhan penambahan modal yang berasal dari keuntungan, rencana permodalan Bank untuk mendukung pertumbuhan usaha, akses kepada sumber permodalan, dan kinerja keuangan pemegang saham untuk meningkatkan permodalan Bank.

2.     Kualitas Aset (Asset Quality)

 Penilaian terhadap faktor kualitas aset meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. kualitas aktiva produktif, konsentrasi eksposur risiko kredit, perkembangan aktiva produktif bermasalah, dan kecukupan penyisihan penghapusan aktiva produktif (PPAP).

 b. kecukupan kebijakan dan prosedur, sistem kaji ulang (review) internal, sistem dokumentasi, dan kinerja penanganan aktiva produktif bermasalah.

 3. Manajemen (Management)

Penilaian terhadap faktor manajemen meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. kualitas manajemen umum dan penerapan manajemen risiko.

 b. kepatuhan Bank terhadap ketentuan yang berlaku dan komitmen kepada Bank Indonesia dan atau pihak lainnya.

4. Rentabilitas (Earning)

 Penilaian terhadap faktor rentabilitas meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. pencapaian return on assets (ROA), return on equity (ROE), net interest margin (NIM), dan tingkat efisiensi Bank.

 b. perkembangan laba operasional, diversifikasi pendapatan, penerapan prinsip akuntansi dalam pengakuan pendapatan dan biaya, dan prospek laba operasional.

5. Likuiditas (Liquidity)

Penilaian terhadap faktor likuiditas meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. rasio aktiva/pasiva likuid, potensi maturity mismatch, kondisi Loan to Deposit Ratio (LDR), proyeksi cash flow, dan konsentrasi pendanaan.

 b. kecukupan kebijakan dan pengelolaan likuiditas (assets and liabilities management / ALMA), akses kepada sumber pendanaan, dan stabilitas pendanaan.

6. Sensitivitas Terhadap Risiko Pasar (Sensitivity To Market Risk)

Penilaian terhadap faktor sensitivitas terhadap risiko pasar meliputi penilaian terhadap komponen-komponen sebagai berikut:

a. kemampuan modal Bank dalam mengcover potensi kerugian sebagai akibat fluktuasi (adverse movement) suku bunga dan nilai tukar.

b. kecukupan penerapan manajemen risiko pasar.

Untuk penetapan peringkat setiap komponen dilakukan perhitungan dan analisis dengan mempertimbangkan indikator pendukung dan atau pembanding yang relevan dengan mempertimbangkan unsur judgement yang didasarkan atas materialitas dan signifikansi dari setiap komponen yang dinilai. Berdasarkan hasil penetapan peringkat setiap faktor ditetapkan Peringkat Komposit (composite rating) sebagai berikut:

a. Peringkat Komposit 1 (PK-1), mencerminkan bahwa Bank tergolong sangat baik dan mampu mengatasi pengaruh negatif kondisi perekonomian dan industri keuangan.

 b. Peringkat Komposit 2 (PK-2), mencerminkan bahwa Bank tergolong baik dan mampu mengatasi pengaruh negatif kondisi perekonomian dan industri keuangan namun Bank masih memiliki kelemahan-kelemahan minor yang dapat segera diatasi oleh tindakan rutin.

c. Peringkat Komposit 3 (PK-3), mencerminkan bahwa Bank tergolong cukup baik namun terdapat beberapa kelemahan yang dapat menyebabkan peringkat kompositnya memburuk apabila Bank tidak segera melakukan tindakan korektif

d. Peringkat Komposit 4 (PK-4), mencerminkan bahwa Bank tergolong kurang baik dan sensitif terhadap pengaruh negatif kondisi perekonomian dan industri keuangan atau Bank memiliki kelemahan keuangan yang serius atau kombinasi dari kondisi beberapa faktor yang tidak memuaskan, yang apabila tidak dilakukan tindakan korektif yang efektif berpotensi mengalami kesulitan yang membahayakan kelangsungan usahanya.

e. Peringkat Komposit 5 (PK-5), mencerminkan bahwa Bank tergolong tidak baik dan sangat sensitif terhadap pengaruh negatif kondisi perekonomian dan industri keuangan serta mengalami kesulitan yang membahayakan kelangsungan usahanya.

REFERENSI : 
- www. http://hehepangibulan.blogspot.co.id/2013/05/6tingkat-kesehatan-bank-camels.html (diakses pada tangal 4 maret 2017 jam 14:31)
- www.mdhaqiqi.wordpress.com/2010/01/06/pengukuran-tingkat-kesehatan-bank-di-indonesia-dengan-menggunakan-metode-camel/