Konsep Data Mining

Penerapan Data Mining Dalam Pengumpulan Data di Rumah Sakit

Tahapan - tahapan Knowledge Discovery in Database (KDD)

• KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi dan visualisasi dari pola-pola sejumlah kumpulan data. 
• Knowledge discovery in databases (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti.

Tahapan Proses KDD

1. Data Selection

• Menciptakan himpunan data target , pemilihan himpunan data, atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan. 
• Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-processing/ Cleaning 

• Pemprosesan pendahuluan dan pembersihan data merupakan operasi dasar seperti penghapusan noise dilakukan. 
• 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 inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). 
• 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

• Pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung kepada goal yang ingin dicapai.
• Merupakan proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses ini merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data

4. Data mining

• Pemilihan tugas data mining; pemilihan goal dari proses KDD misalnya klasifikasi, regresi, clustering, dll. 
• Pemilihan algoritma data mining untuk pencarian (searching) 
• Proses Data mining yaitu 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

• Penerjemahan pola-pola yang dihasilkan dari data mining. 
• Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah mimengerti oleh pihak yang berkepentingan. 
• Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.

Macam - Macam Algoritma Classification

Algoritma Decision Tree

Decision Tree (Pohon Keputusan) merupakan teknik paling mudah untuk dipahami dalam mengklasifikasi data.
Decision Tree memiliki:

1.             Akar dan setiap node internalnya memiliki pertanyaan.

2.             Cabang merepresentasikan setiap kemungkinan jawaban untuk dikaitkan dengan pertanyaan

3.             Setiap leaf node merepresentasikan prediksi jawaban dari masalah

Leaf node menunjukkan kelas untuk tuple yang sesuai. Tuple merupakan sekumpulan urutan elemen yang nilainya bukan integer negatif.

Decision Tree memiliki tiga bagian:

1.             Decision Tree

2.             Algoritma untuk membuat Decision Tree

3.             Algoritma yang menerapkan tree menjadi data

 Algoritma Pohon Keputusan :

Input:

 T = Decision Tree

 D = Input Database

Output:

 M = Prediksi Model

Proses:

 t = prediksi

 arc = cabang

For each t element D do

  n = root node of T;

  while n not leaf node do

    Dapatkan jawaban dari pertanyaan n lalu taruh pada t;

    If arc from t berisi jawaban benar

      n = node berakhir pada cabang ini;

    Buat prediksi ulang untuk t selanjutnya berdasarkan label n terakhir;

Algoritma Naive Bayes

1. Konsep Naive Bayes

Simple naive Bayesian classifiermerupakan salah satu metode pengklasifikasi berpeluang sederhana yang berdasarkan pada penerapan Teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen).Algoritma ini memanfaatkan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Dua kelompok peneliti, satu oleh Pantel dan Lin, dan yang lain oleh Microsoft Research memperkenalkan metode statistik Bayesian ini pada teknologi anti spam filter. Tetapi yang membuat algoritma Bayesian filtering ini popular adalah pendekatan yang dilakukan oleh Paul Graham. Dasar dari teorema naive digunakan dalam pemrograman adalah rumus Bayes berikut ini:

P (A|B) = (P(B|A) * P(A))/P(B)

Artinya Peluang kejadian A sebagai B ditentukan dari peluang B saat A, peluang A, dan peluang B.

2. Penggunaan Naive Bayes

Contoh penggunaan Algoritma Naive Bayes antara lain:

Untuk klasifikasi Dokumen

Untuk deteksi SPAM atau fitering SPAM Dan masalah klasifikasi lainnya

3.     Algoritma Naive Bayes

Teorema Bayes:

P(C|X) = P(X|C)·P(C) / P(X)

Dimana :

P(X) bernilai konstan utk semua klas

P(C) merupakan frek relatif sample klas C

Dicari P(C|X) bernilai maksimum, sama halnya dengan P(X|C)·P(C) juga bernilai maksimum

Masalah à menghitung P(X|C) tidak mungkin

ü  Apabila diberikan k atribut yang saling bebas (independence), nilai probabilitas dapat diberikan sebagai berikut.

P(x₁,…,x_k|C) = P(x₁|C) x … x P(x_k|C)

ü  Jika atribut ke-i bersifat diskret, maka P(x_i|C) diestimasi sebagai frekwensi relatif dari sampel yang memiliki nilai x_i sebagai atribut ke i dalam kelas C.

ü  Namun jika atribut ke-i bersifat kontinu, maka P(x_i|C) diestimasi dengan fungsi densitas Gauss.

		1			x		2
f (x)				e	2  2

 2

dengan  = mean, dan  = deviasi standar.

Algoritma Logistic Regression

Regresi logistic merupakan salah satu analisi multivariate, yang berguna untuk memprediksi dependent variabel berdasarkan variabel independen.

Data

Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan binary logistic, dan ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistic regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan ordinal logistic regression.

Konsep Regresi Logistik

Regresi logistik merupakan alternative uji jika asumsi multivariate normal distribution pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metric) dan kategorial (non metric). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya.

Asumsi Regresi Logistik

· Regresi logistik tidak membutuhkan hubungan linier antara variabel bebas dengan

   variabel terikat.

· Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non

  linier log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering

  dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau

  berhasil atau odd seorang anak dapat lulus atau tidak pada Ujian Nasional.

·  Variabel bebas tidak memerlukan asumsi multivariate normality

·  Asumsi homokedastis tidak diperlukan

·  Variabel bebas tidak perlu dirubah ke bentuk metric (interval atau skala ratio)

 Algoritma Support Vector Machine

Support Vector Machine (SVM) adalah salah satu metode PR yang akhir-akhir ini banyak mendapat perhatian. Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori teor ikomputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane (Duda & Hart tahun 1973, Cover tahun 1965, Vapnik 1964, dsb.), kernel diperkenalkan oleh Aronszajn tahun 1950, dan demikian juga dengan konsep-konsep pendukung yang lain. Akan tetapi hingga tahun 1992, belum pernah ada upaya merangkaikan komponen – komponen tersebut. Prinsip dasar SVM adalah linear classifier, dan selanjutnya dikembangkan agar dapat bekerja pada problem non-linear. dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi.

(SVM ) juga dikenal sebagai teknik pembelajaranmesin (machine learning) paling mutakhir setelah pembelajaran mesin sebelumnya yang dikenal sebagai  Neural  Network ( NN). Baik SVM maupun NN tersebut telah berhasil digunakan dalam pengenalan pola. Pembelajaran dilakukan dengan menggunakan pasangan data input dan data output berupa sasaran yang diinginkan. Pembelajaran dengan cara ini disebut dengan pembelajaran terarah (supervised learning). Dengan pembelajaran terarah ini akan diperoleh fungsi yang menggambarkan bentuk ketergantungan input dan outputnya.  Selanjutnya, diharapkan fungsi yang diperoleh mempunyai kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut dapat digunakan untuk data input di luar data pembelajaran. 

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Gambar 1a memperlihatkan beberapa pattern yang merupakan anggota dari dua buah class : positif (dinotasikan dengan +1) dan negatif (dinotasikan dengan –1). Pattern yang tergabung pada class negatif disimbolkan dengan kotak, sedangkan pattern pada class positif, disimbolkan dengan lingkaran. Proses pembelajaran dalam problem klasifikasi diterjemahkan sebagai upaya menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. 

Berbagai alternatif garis pemisah (discrimination boundaries) ditunjukkan pada Gambar 1a. Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin hyperplane tsb. dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing class. Subset data training set yang paling dekat ini disebut sebagai support vector Garis solid pada Gambar 1b menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik kotak dan lingkaran yang berada dalam lingkaran hitam adalah support vector. Upaya mencari lokasi hyperplane optimal ini merupakan inti dari proses pembelajaran pada SVMD data yang tersedia dinotasikan sebagai sedangkan label masing-masing dinotasikan untuk i= 1,2,…,l, yang mana l adalah banyaknya data. Diasumsikan kedua class – 1 dan +1 dapat terpisah secara sempurna oleh hyperplane berdimensi d, yang didefinisikan: Sebuah pattern yang termasuk class –1 (sampel negatif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan: sedangkan pattern yang termasuk class +1 (sampel positif):

CONTOH KASUS

Sebuah rumah sakit ingin ingin menekan  biaya perawatan pasien tanpa mengurangi kualitas pelayanan. Salahsatu potensi yang dapat dimanfaatkan pada penerapan data mining di rumah sakit adalah mengidentifikasi atribut-atribut penentu biaya pasien rawat inap. Dengan mengetahui atribut penentu biaya rawat, diharapkan pihak manajemen rumah sakit dapat melakukan kontrol terhadap biaya, sehingga ongkos perawatan pasien dapat ditekan tanpa mengurangi kualitas pelayanan.

Untuk mengidentifikasi atribut penentu biaya pasien rawat inap, digunakan data kunjungan pasien rawat inap RSUP Dr. Cipto Mangunkusumo dengan jaminan Jamkesmas periode 1 Januari 2009 s/d 30 September 2010 daridatabase SIMRS sebanyak 2022 kunjungan (jumlah sebelum dilakukan data cleaning 8383). Dengan teknik analisa Atttibute Importance (AI) didapatkan atribut-atribut penentu biaya dengan urutan sebagai berikut: prosedur medis 1 (AI=0,16), prosedur medis 4 (AI=0,15), prosedur medis 3 (AI=0,14), LOS (AI=0,13), prosedur medis 2 (AI=0,13), organisasi (AI=0.10), diagnosa utama (AI=0,08), jenis kelamin (AI=0.02) dan status kawin (AI=0.01). Hasil klasifikasi dengan teknik Algoritma Naive Bayes menunjukkan model yang dibuat memiliki predictive confidence sebesar 50,41%.

Data

Untuk mengidentifikasi atribut-atribut penentu biaya pasien rawat inap, digunakan data kunjungan pasien rawat inap RSUP Dr. Cipto Mangunkusumo dengan jaminan Jamkesmas periode 1 Januari 2009 s/d 30 September 2010 yang diambil dari database SIMRS sebanyak 8383 kunjungan pasien. Setelah dilakukan data cleaning, didapatkan 2022 kunjungan pasien yang layak untuk dianalisa.

Perangkat Lunak

Untuk analisa data mining digunakan perangkat lunak Oracle Data Miner dan database Oracle 11g.

Metode & Teknik

Atribute Importance (AI)

Attribute Importance (AI) memberi peringkat atribut dengan menghilangkan atribut yang berulang, tidak relevan, atau tidak informatif dan mengidentifikasi atribut yang mungkin memiliki pengaruh yang paling tinggi dalam membuat prediksi.

AI menggunakan algoritma Minimum Description Length (MDL). Algoritma MDL mempertimbangkan setiap atribut sebagai model prediktif sederhana dari kelas target. Teknik AI digunakan untuk mengoptimalkan analisa model classification dengan mengurangi atribut yang digunakan dan akan meningkatkan kecepatan dan akurasi saat membangun model.

Data Scoring

Setelah model dibuat dengan aplikasi data mining, model tersebut bisa digunakan untuk membuat prediksi dari data baru yang dalam hal ini diterapkan untuk memprediksi pola biaya data kunjungan pasien. Model biasanya dibuat dengan menggunakan data historis dari kunjungan pasien sebelumnya.

Prosesnya dapat digambarkan sebagai berikut:

Teknik Data Mining

4.1  Persiapan Data

Sebelum dilakukan teknik data mining dilakukan eksplorasi data untuk mengetahui distribusi data pasien berdasarkan atribut tertentu (misal: distribusi pasien berdasar umur) dan juga untuk mengidentifikasi data yang tidak normal (outliers). Data divisualisasikan dalam bentuk histogram. Beberapa histogram profil kunjungan pasien ditampilkan sebagai berikut :

                                           Distribusi berdasarkan Gender

                                           Distribusi berdasarkan Umur

                                  Distribusi berdasarkan Unit Kunjungan

Keterangan Gambar  :

178 = A - Penyakit Dalam      105 = A - Onkologi Obgin

108 = A – Bedah                    121 = Kebidanan (IGD)

173 = A - Bedah LT 4             113 = A - Obgin

176 = A - Mata                       175 = A - THT

109 = A – Neurologi               101 = PJT - Intermediate Ward Lt. 4

                                 Distribusi berdasarkan Status Kematian

                                     Distribusi berdasartkan Length of Stay

Dalam studi ini data kunjungan pasien di RSCM akan diamati atribut-atribut yang akan mempengaruhi pola biaya pasien yang dirawat di RSCM. Untuk biaya di buat skala RENDAH, SEDANG dan TINGGI. Dengan aturan sebagai berikut :

Jika Biaya Tagihan < 10 juta Maka Pola biaya RENDAH.

Jika Biaya Tagihan >10 juta dan < 50 juta maka biaya SEDANG.

Sedangkan jika Biaya tagihan > 10 juta maka pola biaya TINGGI.

Permasalahan pada data yang memiliki banyak atribut seperti data rekam medis pasien adalah tidak semua data akan berkontribusi jika diterapkan model prediktif, bahkan beberapa atribut cenderung mengaburkan hasil (noise). Teknik Attribute Importance (AI) digunakan untuk mengidentifikasi indikator yang paling berpengaruh terhadap pasien dengan pola biaya tinggi atau rendah. Setelah dianalisa menggunakan teknik Attribute Importance (AI), data akan dianalisa menggunakan teknik klasifikasi menggunakan Algoritma Naïve Bayes yang kemudian akan digunakan untuk melakukan scoring terhadap kasus kunjungan pasien.

Sumber : http://www.sigitprabowo.id/2013/04/data-mining-tahap-tahapan-knowladge.html
               http://fazri-indop.blogspot.co.id/2012/03/contoh-kasus-data-mining.html

Manajemen Sistem Layanan Informasi

2.3 Komponen - komponen pada Information Technology Infrastructure Library

Service Support

Service support membahas tentang proses dan komponen dalam operasional IT sehari hari seperti Incident Management, Problem Management, Change Management, Configuration Management dan Release Management. Pada dasarnya service support menjelaskan proses support dari IT untuk operasional sehari-hari, bagaimana cara menangani suatu incident sebelum akhirnya masuk ke dalam problem management. Setiap komponen dari proses pada IT service management mempunyai peran masing-masing diantaranya adalah :

§  Service desk sebagai single point of contact.

§  Release Management dalam melakukan testing suatu teknologi baru sebelum diimplementasi.

§  Build knowledge based untuk membantu mempercepat penyelesaian suatu incident.

Service Delivery

Komponen-komponen dari Service Delivery ini adalah Financial Management for IT Services, Availability Management, Capacitiy Management, IT Service Continuity Management, Service Level Management. Service Delivery ini merupakan tactical proses artinya untuk mendukung bisnis dari sisi IT Service Management dalam jangka panjang bukan untuk operasional yang dilakukan setiap hari. 

Contohnya dalam bagian IT Service Continuity Management, misalnya dilakukannya service level agreement (SLA), melakukan Risk Management berfungsi untuk mengetahui dan dapat mengidentifikasi bentuk resiko, menentukan tingkat resiko yang akan terjadi, untuk mengetahui asset mana saja yang mempunyai resiko, dsbnya. ITIL memberikan dasar dan konsep IT sebagai bagian dari service ke customer atau user, bagaimana proses yang baik antara satu entity dengan entity lainnya.

Sumber: http://www.dicsr-qnt.com/2016/04/information-technology-infrastructure.html

Manajemen Layanan Sistem Informasi

2.2 Tujuan dari Information Technology Infrastructure Library (ITIL)

Tujuan ITIL

Tujuan dari Information Technology Infrastructure Library adalah untuk menyediakan petunjuk untuk praktek terbaik dalam manajemen layanan teknologi informasi. Ini mencakup pilihan yang dapat diadopsi dan diadaptasi oleh organisasi berdasarkan kebutuhan bisnis, keadaan dan kedewasaan dari penyedia layanan.

Keuntungan ITIL

Menurut Cartlidge (2007, p8), beberapa keuntungan dari ITIL, antara lain :

·         Meningkatkan kepuasan pengguna dan pelanggan terhadap layanan IT

·         Memperbaiki ketersediaan layanan, yang berpengaruh secara langsung dalam 

          meningkatkan keuntungan dan pendapatan bisnis.

·         Menghemat keuangan, dari pengurangan kerja, kehilangan waktu

·         Memperbaiki manajemen sumber daya dan keguanaan

·         Memperbaiki pembuatan keputusan dan mengoptimalkan resiko

·         Memperbaiki waktu terhadap pasar untuk produk baru dan layanan

    

     Sumber:

     http://tugasmarsarmy.blogspot.co.id/2017/03/information-technology-infrastructure.html

Manajemen Layanan Sistem Informasi

2.1 Information Technology Infrastucture Library (ITIL)

ITIL singkatan dari Information Technology Infrastructure Library, yang merupakan best practice framework dalam mengelola teknologi informasi berbasis layanan. Nama ITIL dan IT Infrastructure Library merupakan merek dagang terdaftar dari Office of Government Commerce (OGC) Britania Raya.

ITIL memberikan deskripsi detil 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 awalnya ITIL adalah serangkaian lebih dari 40 buku pedoman tentang pengelolaan layanan IT yang terdiri dari 26 modul. Perpustakaan besar pertama ini juga dikenal sebagai ITIL 1.0. Antara 2000 dan 2004 disebabkan oleh peningkatan pelayanan yang berkesinambungan dan adaptasi terhadap situasi saat ini dalam lingkungan (TI) modern ITIL 1.0 di rilis besar dan digabungkan menjadi delapan inti manual: ITIL 2.0. Pada awal musim panas 2007 ITIL 3.0 diterbitkan. Ini didirikan struktur yang sama sekali baru. Ini terdiri dari tiga bidang utama:

·         ITIL Core Publikasi

·         ITIL Pelengkap Bimbingan

·         ITIL Web Support Services

Pada 30 Juni 2007, OGC (Office of Government Commerce) 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

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:

·         Service Portfolio Management

·         Financial Management

·         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

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. 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 dirubah 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

Sebuah perusahaan yang mengimplementasi ITIL secara nyata tentunya mendapat banyak sekali keuntungan, misalnya, pelayanan IT menjadi lebih fokus kepada departemen lainnya di dalam satu perusahaan, biaya lebih efisien dan dapat diatur dengan baik, serta perubahan-perubahan IT yang dapat lebih mudah untuk diatur, dan masih banyak keuntungan lainnya yang pada akhirnya akan berdampak pada income perusahaan itu sendiri.

framework ITIL dikembangkan sejak 1980-an oleh Office of Government Commerce (Departemen Perdagangan) Inggris sebagai guidance bagi organisasi/perusahaan di sana. Pertengahan 1990-an, ITIL diakui dunia menjadi standar de facto di bidang service management. ITIL menyediakan sekumpulan best practice yang lengkap dan konsisten untuk ITSM, serta mempromosikan pendekatan kualitas untuk mencapai efektivitas dan efisiensi organisasi dalam penggunaan sistem informasi. ITIL mencakup 8 aspek, yakni: dukungan layanan, delivery, rencana pengembangan, manajemen infrastruktur TI, manajemen aplikasi, perspektif bisnis, manajemen sekuriti, dan manajemen aset software.

Saat ini ITIL telah memiliki paket materi dan menyediakan kursus pelatihan, ujian dan sertifikasi. Sebagai sebuah framework, ITIL telah memasuki versi terbaru, yaitu ITIL V3 – Service Life Cycle.

Sumber: https://mumtazgalery.wordpress.com/2013/12/11/apa-sih-it-infrastruktur-library-itil-itu/