Tabel Perbedaan Mendasar Antara Data Mining , Data Warehouse Dan Bisnis Intelegent

A. Perbedaan Data Mining vs Bisnis Intelegent

Perbedaan
Data Mining	Bisnis Intelegent
Data Mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar. Kegunaan data mining adalah untuk menspesifikasikan pola yang harus ditemukan dalam tugas data mining	Bisnis Inteligent  (BI)  adalah aplikasi dan teknologi untuk mengumpulkan , menyimpan, menganalisis dan akses data untuk membantu pengguna perusahaan membuat keputusan bisnis yang lebih baik.
Tidak dirancang untuk memprediksi masa lalu dan masa depan yang terlalu jauh.	Mampu memprediksi masa lalu, masa kini, dan masa yang akan datang
Prinsip kerja data mining merupakan suatu rangkaian proses yang terdiri dari : Pembersihan data, Integrasi data, Transformasi data, Aplikasi teknik DM, Evaluasi, Presentasi pengetahuan (dengan teknik visualisasi)	Prinsip kerja sistem BI memberikan sudut pandang historis, saat ini, serta prediksi operasi bisnis, terutama dengan menggunakan data yang telah dikumpulkan ke dalam suatu gudang data dan kadang juga bersumber pada data operasional.

B. Perbedaan Data Warehouse vs Bisnis Intelegent

Perbedaan
Data Warehouse	Bisnis Intelegent
Bisa digunakan untuk penerapan bisnis intelegent	Pengembangan yang lebih kompleks dari data warehouse
3 komponen utama : Data staging area, Data presentation area, Data access tools	4 komponen utama : data operasional, ETL, data Warehouse dan OLAP atau data mining
Fungsi utamanya untuk melihat data lalu dilakukan pengambilan keputusan	Fungsi utamanya untuk mendapatkan data dengan cara penyelidikan, mengamankan data, penggalangan sistem
data warehouse akan mencakup semua data operasional organisasi yang disimpan secara konsisten	Bisnis Intelegent menyediakan aplikasi historis, saat ini, dan input dilihat dari operasi bisnis

C. Perbedaan Data Warehouse dan Data Mining

Perbedaan
Data Mining	Data Warehouse
Digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang Data Analyst dan Business Analyst	digunakan untuk melakukan OLAP (On-line Analytical Processing)
Menggunakan bidang ilmu yang lebih spesifik dan khusus serta tidak hanya bersumber dari database	Hanya mencakup bidang ilmu yang bersumber dari database
Arsitektur data mining meliputi : Data cleaning, data integration, Data Mining Engine, Pattern evaluation, dan GUI	Arsitektur data warehouse meliputi : Operational database layer, Data access layer, metadata layer, Informational access layer.
Proses data mining meliputi Proses CRISP-DM (Cross Industry Standard Process for Data Mining) yaitu Business understanding , Data Understanding , Data preparation , Model Building , Testing and Evaluation	Proses data warehouse meliputi Data Sources , Data Extraction , Data Loading , Comprehensive databas , Metadata , Middleware tools