Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna Indonesia Menggunakan SQL Server 2005

Transkripsi

1 Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna Indonesia Menggunakan SQL Server 2005 Muhamad Adi Prasetyo 1, Ahmad Saikhu 2, Sarwosri 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS mas_adi@cs.its.ac.id 1 ABSTRAK Data Warehouse merupakan sebuah data base relational yang diperuntukkan untuk kebutuhan query dan analisis, bukan untuk proses transaksi. Data Warehouse dapat dimanfaatkan sebagai pendukung sistem keputusan dengan menyimpan dan mengolah data dari berbagai sumber dengan menggunakan alat bantu seperti Online Analit ical Processing (OLAP). OLAP dimanfaatkan untuk membuat laporan jalur proses produksi pada PT Aneka Tuna Indonesia. PT Aneka Tuna Indonesia ialah perusahaan yang bergerak dalam bidang pengolahan ikan tuna menjadi beberapa produk yang pasarnya sebagian keluar negri. Laporan yang dibuat menggambarkan dinamika produksi pada periode tertentu yang mulai dari pengiriman ikan oleh supplier hingga staffing. Laporannya akan ditampilkan dalam bentuk tabel dan grafik. Dengan adanya aplikasi ini diharapkan dapat membantu pihak managemen PT Aneka Tuna Indonesia dalam mengontrol dan mengawasi proses dan hasil produksinya dan mendukung pengambilan keputusan perusahaan. Keywords: OLAP, Cube, SQL Server, Laporan, ATI, Analysis Services, Report. 1. Pendahuluan PT. Aneka Tuna Indonesia (ATI) adalah sebuah perusahaan yang didirikan pada tahun Perusahaan ini merupakan joint venture antara Itochu Corporation, Hagoromo Food Corporation (pemilik sebuah merk ikan tuna terkemuka di Jepang), serta Solar Pacific Resources Ltd. Perusahaan ini terletak di Jalan Raya Surabaya Malang Km 38, Gempol, Pasuruan. Pada tahun 1992, perusahaan ini mulai beroperasi dengan spesialisasi pada produksi dan penjualan produk ikan tuna kalengan [4]. Pada PT. Aneka Tuna Indonesia, terjadi proses produksi mulai dari pemilihan dan pengukuran berat ikan (fish selection and fish sizing) sampai dengan pelabelan produk jadi (labelling). Pencatatan tentang informasi bahan baku pada proses fish sizing sampai dengan fish cleaning telah dilakukan namun masih secara semi manual dengan menggunakan aplikasi spreadsheet (excel). Untuk saat ini, pencatatan tersebut masih memadai [2]. Sampai saat ini, mekanis me pencatatan tersebut masih memadai. Namun apabila data hasil pencatatan tersebut digunakan untuk, misalnya, pelaporan produk tentu saja diperlukan suatu pengembangan. Perusahaan perlu mengembangkan suatu sistem pelaporan produk (Summary Report) yang mempunyai kemampuan melaporkan hasil dari proses proses produksi mulai dari supplier datang hingga produk akhir dihasilkan. Data yang tersimpan dalam database akan lebih berarti apabila disimpan sebagai data warehouse sebagai salah satu cara untuk melakukan pengamatan dan analisis dari record record yang telah tersimpan. Hasil dari analisis data warehouse dapat digunakan oleh pihak manajemen untuk membantu pengambilan keputusan. Dalam jangka panjang, hal ini juga dapat memberikan kontribusi untuk kepentingan Customer Relationship Management. Untuk membantu pengambilan keputusan ini, ada banyak hal yang dapat dilakukan. Salah satunya adalah menggunakan OLAP (Online Analitical Processing). OLAP merupakan sistem yang bertugas untuk mengubah data yang disimpan dalam data warehouse dan mentransformasikan data menjadi struktur multidimensi (cube). Hasilnya nanti juga akan dapat dibuat sebagai sebuah summary report yang multidimensi. Hal inilah yang mendasari topik tugas akhir yang penulis ajukan, yaitu menbuat aplikasi pelaporan yang mempermudah pemantauan proses produksi. 2. Tinjauan Pustaka 2.1 Data Warehouse Data warehouse merupakan sebuah database relational yang secara spesifik strukturnya dirancang untuk proses analisis dan query sehingga tidak untuk proses transaksi yang meliputi proses 1

2 insert, delete, update. Biasanya data warehouse mengandung data history yang diambil dari data transaksional dari berbagai sumber dan platform. Sedangkan menurut Bill Inmon, definisi dari Data warehouse adalah sekumpulan atau koleksi data yang mendukung pengambilan keputusan pihak manajemen yang mempunyai karakteristik sebagai berikut [3]: tambahan untuk mempopulasikan data dari data warehouse ke dalam beberapa data mart. c. Aplikasi yang berada pada layer pengguna berkembang menjadi beberapa model misalnya: berbasis web, berbasiskan desktop, ataupun berbasiskan sistem mobile. a. Subject Oriented Data warehouse dirancang dan dibangun untuk memenuhi kebutuhan analisis data berdasarkan subject tertentu, seperti : Bagaima laporan pernjualan waktu ini? Atau Produk apa yang paling banyak dihasilkan tahun ini? Dll. b. Integrated Untuk memenuhi kebutuhan analisis secara menyeluruh, sebuah Data Warehouse harus mampu mengintegrasikan data dari berbagai sumber data yang beragam. Data warehouse mengintegrasikan atau menggabungkan dari berbagai data source, baik dalam database yang sama, yang berbeda, ataupun flat file. c. Non volatile Data dalam sebuah data warehouse tidak dapat diubah (insert, delete, update). Data tersebut merupakan data historis yang digunakan untuk memenuhi kebutuhan analisis, bukan untuk menangani transaksi seperti pada basisdata transaksional pada umumnya. d. Time Variant Model analisis yang diterapkan pada sebuah Data Warehouse berfokus pada perubahan data faktual berdasarkan waktu. Dalam hal ini Data Warehouse harus mampu menyimpan data untuk sebuah subjek tertentu dalam waktu yang berbedabeda. 2.2 Arsitektur Data Warehouse Untuk membangun suatu arsitektur data warehouse sangat tergantung pada kebutuhan sistem. Gambar 2.1 menunjukkan salah satu contoh dari arsitektur data warehouse, dengan penjelasan sebagai berikut [3]: a. Data input bagi data warehouse tidak lagi hanya berasal dari sistem internal (sumber operasional pada umumnya), melainkan dirancang untuk dapat mengakomodasi sumber eksternal (data dari luar sistem operasional) misalnya : data dari internet (dengan teknologi web farming), ataupun data dari sistem mobile. b. Informasi yang tersimpan dalam data warehouse dapat dispesialisasikan lagi menjadi beberapa data warehouse yang lebih khusus (Data Mart) sehingga dalam arsitektur terdapat proses Gambar 2. 1 Arsitektur Data Warehouse 2.3 Online Analytical Processing (OLAP) OLAP adalah suatu metode pemodelan data multidimensional untuk memenuhi kebutuhan analisis terhadap data [1]. Online Analytical Processing juga merupakan pernyataan yang bertolak belakang atau kontras dengan OLTP (Online Transaction Processing). OLAP menggambarkan sebuah klas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apabila pada proses transaksi pada umumnya semata-mata adalah pada relational database, OLAP muncul dengan sebuah cara pandang multidimensi data. Cara pandang multimensi ini didukung oleh tehnologi multidimensi database. Cara ini memberikan tehnik dasar untuk kalkulasi dan analisa oleh sebuah aplikasi bisnis. OLTP mempunyai karakteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, lagi pula OLTP sangat optimal untuk updating data. OLAP aplikasi digunakan untuk analisa dan mengatur frekuensi level dari agregat atau jumlah data. Database biasanya di update pada kumpulan data, jarang sekali dari multiple source dan menempatkan kekuatan analisa pada pada back-end pada operasi aplikasi. Sebab itulah maka sangat optimal digunakan untuk analisis. 2.4 Schema Data OLAP Schema adalah kumpulan obyek-obyek database. Pada relational data warehouse terdapat 2

3 dua skema yang digunakan, yaitu star schema dan snowflake schema [3]. a. Star Schema Skema star terdiri dari satu atau lebih tabel fakta dan satu atau lebih tabel dimensi. Tabel fakta merupakan pusat dari star schema, karena fungsinya sebagai pengikat dari tabel-tabel dimensi yang terletak disekelilingnya. Hubungan antara tabel-tabel tersebut menggunakan foreign key, metadata atau keduanya. Gambar 2.2 menunjukkan pemodelan database multidimensi dengan star schema. time time_key day day_of_the_week month quarter year branch branch_key branch_name Measures b. Snowflake Schema Sales Fact Table time_key item_key branch_key location_key units_sold dollars_sold avg_sales Gambar 2.2 Star Schema item item_key item_namebr and_typesup plier_type location location_key street city state_or_province Snowflake schema merupakan pengembangan dari star schema. Perbedaannya terletak pada normalisasi data dan jumlah tabel. Pada snowflake schema tabel dimensi dinormalisasi secara sebagian atau keseluruhan untuk mengurangi nilai duplikat pada tabel. Hal inilah yang membuat jumlah tabel dimensi pada snowflake schema lebih dari satu, tidak seperti pada star schema. Sehingga, dengan menggunakan schema ini akan diperlukan lebih banyak join yang akan membuat performance menjadi lebih lambat. Dalam snowflake schema, hanya satu tabel utama yang dihubungkan dengan tabel fakta. Sedangkan tabel-tabel lainnya dihubungkan dengan tabel utama. Gambar 2.3 menunjukkan pemodelan data menggunakan snowflake schema. Berikut ini adalah pemodelan data dengan menggunakan snowflake schema. time time_key day day_of_the_week month quarter year branch branch_key branch_name branch_type Measures Gambar 2.3 Snowflake Schema 2.5 Konsep Multidimensional Data Pada Relational database data dikelompokan dalam sebuah list record. Setiap record mempunyai informasi yang dikelompokan dalam fields. Sedangkan yang dimaksud data multidimensi (lihat representasinya pada gambar 2.4) adalah ketika sebuah data dapat dipandang dari berbagai sudut. Pusat dari objek metadata pada Multidimensional adalah cube atau kubus yang mengandung hubungan struktur dimensi, hirarki, level dan anggota. Dapat disebut juga sebagai OLAP metadata model. Misalnya pada hasil penjualan suatu barang dipandang dari dimensi waktu, lokasi, pembeli dan lain-lain. Sehingga jika digambarkan, sumbu x mewakili dimensi waktu, sumbu y mewakili dimensi produk dan sumbu z mewakili dimensi lokasi. a. Dimensi Sales Fact Table time_key item_key branch_key location_key units_sold dollars_sold avg_sales item Gambar 2.4 Data Multidimensi item_key item_nam brand type supplier_key supplier supplier_key Supplier_typ e city city_key city state_or_province Data penjualan (2002, Produk A, Surabay a) Dimensi merupakan sebuah kategori yang independent dari multidimensional database. tipe dari dimensi ini mengandung item yang digunakan sebagai kriteria query untuk ukuran database. Contoh pendistribusian busana di suatu daerah. Dimensi Daerah = {Jawa Timur, Jawa Barat, Jawa Tengah, Sumatra Selatan, Surabaya, Bandung, 3

4 Jakarta, Palembang, Dago, Caringin, Senen, Matraman}. Dimensi Waktu = { tahun 2003, tahun 2004, tahun 2005, bulan Januari, bulan Februari, bulan Maret, hingga bulan Desember, tanggal 1, tanggal 2, tanggal 3, tanggal 4, hingga tanggal 28/29/30/31}. Dimensi Busana = { Koko, Daster, Kaos, celana panjang, celana pendek, kerudung, dll}. b. Hirarki Hirarki merupakan bentuk kesatuan dari dimensi. Sebuah dimensi bisa terbentuk dari multilevel, yang mempunyai parent-child relationship. Hirarki didefinisikan bagaimana hubungan antar level. Sebagai contoh pada dimensi Daerah, hirarki mungkin akan melakukan agregasi data dari tiap level-level. Seperti pada gambar 2.5 dan 2.6. Gambar 2.5 Hirarki Dimensi Daerah Contoh lainnya adalah hirarki dimensi waktu. c. Level Indonesia Propinsi Tahun Kab / Kodya Bulan Kecamatan Minggu Kel / Desa Hari Jam Gambar 2.6 Hirarki Dimensi Daerah Level merepresentasikan sebuah posisi pada hirarki. Level mengumpulkan data untuk agrefasi dan digunakan untuk proses komputasi. Sebagai contoh pada dimensi Daerah pada contoh sebelumnya, level yang mungkin didefinisikan adalah level Kel./Desa, level kecamatan, level Kab./Kodya, level propinsi, dan level Negara. Setiap level diatas level terendah merupakan agregasi dari level dibawahnya. Jika data dari pelanggan disimpan dalam format Kelurahan atau desa (level Kel./Desa), maka data dapat di agregasi sesuai dengan level yang ada diatasnya, seperti level Kecamatan, level Kab/Kodya, level Propinsi dan level Negara. d. Attribute Attribute merepresentasikan informasi tambahan pada sebuah level tertentu. Sebuah level dapat memiliki lebih dari satu attribute, tetapi minimal harus memiliki satu attribute. Nilai attribute berguna sebagai nilai yang akan mewakili level ketika data multidimensi ditampilkan kepada pengguna. Hal ini disebabkan tidak semua nilai pada level bisa dimengerti dan dipahami oleh pengguna. Misalnya, level product name menyimpan nilai product id, sedangkan attributenya menyimpan nilai dari product brand, dengan demikian yang akan ditampilkan kepada pengguna ketika pengguna memilih level product name adalah nilai pada kolom product brand, bukan product id. e. Tabel Fakta Tabel fakta merupakan pusat dari schema pada OLAP. Didalam tabel fakta mempunyai dua tipe kolom, yaitu kolom yang menyimpan nilai-nilai numeric atau yang biasa disebut dengan measure dan kolom yang menyimpan foreign key yang mengacu ke tabel dimensi, seperti yang terdapat pada gambar 2.2. Nilai numeric yang ada pada tabel fakta merupakan nilai agregat dari data yang berasal dari tabel dimensi. Hubungan antara tabel fakta dengan tabel dimensi adalah one to many, sehingga masing-masing primary key dari tabel dimensi dijadikan key acuan pada tabel fakta. Dengan denikian, tabel fakta menyimpan setiap kombinasi key tabel dimensi yang melingkupinya. f. Measure Nilai measure terletak pada tabel fakta. Measure juga cerminan dari fakta dan juga mengandung data yang akan dianalisa seperti contoh pada gambar 2.7. OLAP catalog memerlukan informasi kolom bertipe numeric yang akan dijadikan measure. g. Cube Sales Fact Table time_key Item_key Location_key Unit_sold Avg_sales Dollars_Sold measure Gambar 2.7 Measure dari Tabel Fakta Cube adalah obyek OLAP yang tersusun dari measure, dimensi dan attribute. Sisi-sisi pada cube 4

5 ditentukan oleh masing-masing dimensi yang terlibat dalam cube itu. Cube memiliki sisi-sisi yang menggambarkan dimensi-dimensi yang terlibat didalamnya, yang paling banyak ditemui adalah dalam bentuk tiga dimensi yang mewakili sisi baris, sisi kolom dan sisi page. misalnya dimensi waktu, dimensi lokasi dan dimensi produk, seperti yang terlihat pada gambar 2.8. subset pada data. Operasi Slice adalah proses pemotongan data pada cube berdasarkan nilai pada satu atau beberapa dimensi. Misalnya data dari seluruh penjualan dari 3 buah dimensi yaitu produk, wilayah, dan waktu dilakukan operasi slice, maka data dari dimensi produk dan lokasi akan ditampilkan berdasarkan dimensi waktu = 2002, sehingga OLAP akan menampilkan data semua penjualan untuk semua produk dan semua lokasi untuk tahun seperti yang terlihat pada gambar Gambar 2.8 Visualisasi Cube 2.6 Operasi Data Multidimensi Pada data mult idimensi, terdapat operasioperasi dasar yang digunakan untuk analisa agar mendapatkan data yang diinginkan, yaitu : a. Rotation / Pivoting Rotation / pivoting merupakan operasi pada OLAP untuk merubah berbagai macam sudut pandang data sehingga perubahan perspektif sudut pandang menjadi lebih mudah, dengan kata lain analisa data dengan merubah posisi atau pivot dimensinya. Operasi ini dilakukan dengan melakukan rotasi atau perputaran untuk tiap-tiap dimensi. Misalnya dilakukan proses rotation / pivoting pada dimensi produk yang diwakili oleh sumbu Y, dimensi waktu yang diwakili oleh sumbu X dan dimensi lokasi diwakili oleh sumbu Z, dimana dimensi lokasi di rotasi dengan dimensi waktu sehingga hasil yang tampak seperti pada gambar 2.9. Gambar 2.10 Proses Slice Sedangkan proses dice (gambar 2.11) adalah pemotongan hasil slice menjadi bagian subset data yang lebih kecil. Misalnya menampilkan data dari seluruh penjualan berdasarkan dimensi waktu = 2002, kemudian dilakukan proses dice dengan dimensi lokasi wilayah = semarang, sehingga data akan menampilkan data semua produk di semarang pada tahun Gambar 2.11 Proses Dicing Gambar 2.9 Proses Rotation / Pivoting b. Slice dan Dice Operasi Slicing dan Dicing merupakan kemampuan OLAP untuk melakukan pemilahan c. Drill Down dan Roll Up Operasi drill down merupakan kemampuan OLAP untuk melihat suatu subset data secara lebih detail. Proses ini melibatkan proses agregasi data. Sebaliknnya, operasi roll up untuk melihat data secara global atau rangkuman (agregasi data pada level yang lebih tinggi). Kedua proses ini memanfaatkan hirarki pada dimensi yang membentuk cube. Proses ini ditunjukkan oleh gambar

6 3 Metodologi Gambar 2.12 Proses Drill Down dan Roll Up Sebenartnya, didalam proses drill down itu dilakukan proses slice dan atau dice. 2.7 SQL Server 2005 Analysis Services Microsoft SQL Server 2005 Analysis Services (SSAS) adalah komponen dari Microsoft SQL Server 2005 yang didesain untuk membantu pengembangan data warehouse yang menggunakan Business Intelligence Development Studio untuk membuat dan men-deploy Analysis Services Project dan memanfaatkan SQL Server Management Studio untuk mengelola data base relational dari project tersebut. Analysis Services menghasilkan OLAP dan data mining untuk aplikasi Business Intelligence dengan membolehkan developer untuk melakukan design, create, dan mengatur struktur multidimensional yang mengandung agregasi data dari data source. Analysis Service membangun data cube untuk membantu dalam analisa multidimensional. Analysis Services menyediakan beberapa tool dan wizard yang dapat digunakan untuk mengakses data multidimensional. Microsoft SQL Server 2005 Analysis Services juga mendefiniskan Key Performance Indicators (KPI) di dalam projectnya. Hal inilah yang membedakan dengan versi sebelumnya yaitu Microsoft SQL Server Analysis Service KPI menyediakan framework untuk mendefinisikan kalkulasi pada sisi server yang menjadi ukuran kesuksesan dari data yang kita analisa dan sebagai standar bagaimana hasil informasi ditampilkan. 3.1 Spesifikasi Kebutuhan Sistem Dalam pembuatan tugas akhir ini, data base yang digunakan adalah data base rancangan sendiri yang mendapat persetujuan pihat PT ATI. Hal ini karena PT ATI belum memiliki sistem informasi yang menyimpan data proses produksi dan mengolah data tersebut menjadi informasi. Sehingga jika ada keperluan review data dan pelaporan, mereka melakukannya secara manual. Data base tersebut disesuaiakan dengan proses bisnis mereka. Data base ini dirancang untuk menampung data data proses produksi ikan tuna. Data base tersebut dapat dimanfaatkan untuk kebutuhan pelaporan. Pelaporan yang dimaksud adalah: a. Laporan Proses Pengiriman Ikan (Dari Supplier) Melaporkan jumlah ikan yang dikirim oleh supplier juga asal negara supplier. b. Laporan Proses Penerimaan Ikan (Receiving) Melaporkan Jumlah ikan yang diterima untuk pemrosesan awal termasuk jenis ikan. c. Laporan Proses Pengukuran Ikan (Sizing) Melaporkan jumlah ikan yang diproses dalam pengukuran ikan dan jenis ikan. d. Laporan Proses Penyimpanan Ikan (Coldstorage) Melaporkan jumlah ikan yang disimpan antara proses sizing dengan defrost atau antara pengiriman dari supplier dengan sizing. e. Laporan Proses Pencairan Suhu Ikan (Defrost) Melaporkan jumlah ikan yang dicairkan suhunya berserta jenisnya. f. Laporan Proses Pemotongan Ikan (cutting) Melaporkan jumlah ikan yang olah untuk proses pengambilan isi (jeoran)-nya beserta jenisnya. g. Laporan Proses Pemasakan Ikan (cooking) Melaporkan jumlah ikan yang dimasak beserta jenisnya. h. Laporan Proses pembersihan Awal Ikan (PreCleaning) Melaporkan jumlah ikan yang dibersihkan beserta jenisnya. i. Laporan Proses Pembersihan Ikan (Cleaning) Melaporkan jumlah ikan yang dibersihkan lagi (kelanjutan dari proses PreCleaning) beserta jenisnya. j. Laporan Proses Pengisian Wadah (Packing) 6

7 Melaporkan jumlah jenis produk yang akan dihasilkan. k. Laporan Proses Pengumpulan Wadah (Retort) Melaporkan jumlah wadah yang dikumpulkan dalam suatu wadah penampung. l. Laporan Proses Penyimpanan (Warehouse) Melaporkan jumlah penyimpanan produk di gudang. m. Laporan Proses Jet Print Produk Melaporkan jumlah dan jenis produk yang diberi label dengan jet print. Juga menyimpan data pallete. n. Laporan Proses Pengiriman Produk (Staffing) Melaporkan jumlah dan jenis produk yang akan dikirim beserta negara tujuan. Semua laporan direpresentasikan dalam bentuk tabel dan diagram batang dan disusun dalam rangkaian waktu. 3.2 Perancangan Perancangan Data Warehouse Pada perancangan data ini, akan ditampilkan data yang berhubungan dengan aplikasi OLAP ini yang mengambil sumber dari data base PT. ATI. Tabel-tabel yang terdapat dalam ERD adalah yang digunakan sebagai data masukan atau input, dan kemudian digunakan dalam pembuatan data warehouse. Dalam perancangan data warehouse, cube merupakan salah satu cara untuk dapat menampilkan data secara multidimensional yang nantinya data dalam cube inilah yang akan menjadi bahan untuk dianalisa. Untuk membuat desain atau rancangan pada data warehouse tidak terlepas dari sebuah schema, karena schema merupakan representasi dari perancangan cube, sebagaimana yang diinginkan sesuai dengan kebutuhan, yang biasa berupa star schema dan snowflake schema. Hal ini tergantung hubungan antara table dimensi dengan table fakta. Langkah-langkah dalam pembuatan cube adalah terlebih mendefinisikan Data Source Views yang akan diguanakan. Dari Data Source Views inilah ditentukan pilihan mana tabel yang akan digunakan sebagai tabel fakta dan mana yang digunakan sebagai table dimensi. Tidak harus semua tabel dalam Data Source Views harus dilibatkan dalam pembuatan cube ini. Kemudian akan dihasilkan cube dengan struktur (schema) dan measure dari tabel tabel yang dilibatkan tadi. Measure dan dimensi masih dapat ditambahkan meski cube sudah terbentuk. Data Source Views sendiri merupakan view dari Data Sources yang sudah didefinisikan sebelumnya. Langkah detail dari pendefinisan Data Sources, Data Source Views dan pembuatan cube akan dibahas pada subbab selanjutnya. Dalam tugas akhir ini dibuat beberapa cube. a. Cube Pengiriman Cube ini akan diolah untuk menghasilkan laporan proses Pengiriman Ikan (Dari Supplier). Cube ini melibatkan tabel Pengiriman, Supplier, Vessel, dan Nationality. b. Cube Penerimaan Pengukuran Cube ini akan diolah untuk menghasilkan laporan proses penerimaan ikan (Receiving) dan laporan proses Pengukuran Ikan (Sizing). Cube ini melibatkan tabel Sizing, Receiving, Master_Ikan, dan Grup_Ikan. c. Cube Coldstorage Cube ini dibuat untuk menghasilkan informasi proses penyimpanan ikan (Coldstorage). Cube ini melibatkan tabel ColdStorage, Master_Ikan, dan Grup_Ikan. d. Cube Defrost Cube ini akan diolah untuk menghasilkan laporan proses pencairan suhu ikan (Defrost). Cube ini melibatkan tabel Defrost, Master_Ikan, dan Grup_Ikan. e. Cube Cutting Cooking Cube ini melibatkan tabel Cutting, Cooking, Master_Ikan, dan Grup_Ikan. Cube ini akan diolah untuk menghasilkan laporan proses pemotongan ikan (Cutting), dan laporan proses pemasakan ikan (Cooking). f. Cube PreCleaning Cleaning Cube ini melibatkan tabel PreCleaning, Cleaning, Master_Ikan, dan Grup_Ikan. Cube ini akan diolah untuk menghasilkan laporan proses pembersihan awal ikan (PreCleaning), dan laporan proses pembesihan ikan (Cleaning). g. Cube Pack Retort-Wh Cube ini melibatkan tabel Packing, Retort, Warehouse, dan Produk. Cube ini akan diolah untuk menghasilkan laporan proses pengisian wadah (Packing), laporan proses pengumpulan wadah (Retort), dan laporan proses Penyimpanan (Warehouse) Perancangan Antar Muka Pada perancangan muka laporan dibuat dengan menggunakan Microsoft Visual Studio 2005 Reporting Service. Secara umum. Bentuk antarmuka hanya dua, yaitu dalam bentuk tabel dan diagram. Rancangan umum dari antar muka 7

8 laporan dalam bentuk tabel dapat dilihat pada gambar 3.1. Gambar 3. 3 Select Build Method Gambar 3. 1 Laporan dalam Bentuk Tabel Sedangkan untuk tampilan dalam bentuk grafik, seperti pada gambar 3.2. c. Pada window Select Data Source View pada gambar 3.4, pastikan data source view-nya telah terpilih), wizard akan melihat tabel pada database yang didefinisikan pada data source views. Kemudian tekan Next. Gambar 3. 2 Laporan dalam Bentuk Diagram Implementasi Pembuatan Cube Dari keenam cube, hanya diambil satu contoh cara pembuatan cube Pengiriman karena secara umum langkah pembuatannya sama. Langkah langkahnya adalah sebagai berikut: a. Pada Solution Explorer klik kanan Cube, kemudian klik New Cube, maka akan muncul window Welcome to the cube wizards, klik Next. Gambar 3. 4 Select Data Source View d. Pada window Identify Fact and Dimension Tables pilih tabel yang akan digunakan sebagai tabel fakta pada bagian Fact dan bagian Dimension untuk tabel dimensi (centang seperti pada gambar 3.6), dan pilih tabel yang dijadikan dimensi waktu (pilih None jika tak ada) pada list Time Dimension Table. b. Setelah window Select Build Method muncul, pilih Build the cube using a data source dan lakukan uncheck pada checkbox Auto Build seperti pada gambar 3.3, kemudian klik Next. Gambar 3. 5 Select Measures 8

9 h. Beri nama cube pada textbox Cube Name di window Completing the Wizard seperti yang terlihat pada gambar 3.8. Gambar 3. 8 Completing Wizard Cube Gambar 3. 6 Identify Fact & Dimension Tables i. Setelah cube dibuat, buka Solution Explorer kemudian klik cube yang telah dibuat agar muncul tabnya. Pada tab tersebut, terdapat subtab Cube Structure yang berisi Measures, Dimension, dan Data Source view dari cube yang bersangkutan. Cube struktur dari cube Pengiriman adalah seperti yang terlihat pada gambar selain subtab Cube structure terdapat subtab yang lain. e. Selanjutnya pada window Review Shared Dimensions, klik Next. Karena masih pertama kali pembuatan cube, tidak ada shared dimensions yang tersedia. f. Selanjutnya, pilih measure yang akan digunakan pada window Select Measure seperti pada gambar 3.5. Kemudian tekan Next. g. Kemudian muncul window Review New Dimensions seperti ditunjukkan pada gambar 3.7. Klik Next. Gambar 3. 9 Browser Cube Gambar Cube Structure Gambar 3. 7 Review New Dimension j. Untuk melihat hasil cube, klik tab Browser pada Pengiriman.cube. kemudian drag field-field yang akan ditampilkan pada cube. Contoh hasilnya seperti yang terlihat pada gambar

10 Selain itu juga didefinisikan dimensi Time yang ditambahkan ke semua cube. Tujuan dari dimensi ini adalah untuk hirarki waktu. 4 Uji Coba dan Pembahasan 2. Selanjutnya, jika ingin melihat versi diagram dari tabel diatas, klik tombol View Chart. Maka akan tampil halaman web yang menampikan report Pengiriman Ikan (Dari Supplier) dalam bentuk diagram batang seperti pada gambar 4.2. Pelaksanaan uji coba Tugas Akhir ini meliputi dua hal yaitu uji coba aplikasi dan uji coba kinerja sistem dalam melakukan fungsi fungsi OLAP. 4.1 Uji Coba Cube Uji coba hanya dilakukan pada report dari cube pengiriman. Sedangkan cube yang lain memiliki pola cara yang sama. Cube Pengiriman mendefinisikan skema keterkaitan data yang menyimpan informasi pengiriman ikan dari supplier. Dari cube ini dibuat report Pengiriman Ikan (Dari Supplier). Report ini akan menampilkan informasi pengiriman dalam bentuk tabel dan diagram. Uji coba tidak hanya berusaha menampilkan informasi tetapi juga filterisasi data untuk mendapatkan informasi yang lebih spesifik sesuai dengan definisi user. 1. Untuk menampilkan laporan pengiriman ikan dari Supplier, maka klik tombol Pengiriman pada menu. Kemudian akan tampil halaman yang terlihat pada gambar 4.1. Gambar 4. 2 Report Diagram Pengiriman Ikan dari Supplier 3. Jika diperhatikan, pada tabel maupun diagram, semua informasi ditampilkan. Lalu, bagaimana jika user ingin menspesifikkan informasi pengiriman misalnya berdasarkan tahun atau bulan tertentu, atau berdasarkan supplier atau asal negara tertentu. Hal ini dapat dilakukan dengan menspesifikkan kebutuhan informasi pada filter. Semisal, dari informasi yang tampak pada gambar, akan difilter untuk menampilkan informasi kuantitas pengiriman ikan dari supplir hanya untuk tahun 2002 dan Centang pilihan Calender 2002 dan Calender 2007 pada kolom filter year. Kemudian klik View Report. Maka informasi yang ditampilkan akan berubah seperti yang tampak pada gambar 4.3. Gambar 4. 1 Report Tabel Pengiriman Ikan dari Supplier Tabel pada gambar 4.1 diatas menunjukkan jumlah ikan yang dikirim oleh supplier pada semua periode. Bagian baris menunjukkan ID Supplier, dan bagian kolom menunjukkan waktu pengiriman. Jika diklik pada ID supplier, akan muncul nama supplier, dan jika diklik lagi, akan muncul asal negara supplier. Begitu juga pada kolom, kalendar tahun jika diklik akan muncul detail bulan pengiriman, selanjutnya akan muncul detail hari(tanggal) pengiriman. Ini merupakan proses drilldown akan dibahas pada uji coba selanjutnya. Gambar 4. 3 Hasil Filter Report Pengiriman Ikan dari Supplier 10

11 Dari report pada gambar 4.3 diatas tampak bahwa hanya informasi pada tahun 2002 dan 2007 saja yang ditampilkan. 4.2 Uji Coba Operasi Olap Pada bagian ini, akan diuji coba untuk menjalankan operasi-operasi dasar OLAP antara lain : drili-up atau drill-down, slicing atau dicing, dan rotation atau pivoting Drill Down dan Roll up Proses drill down merupakan kemampuan OLAP untuk melihat suatu subset data secara lebih detail, proses detail data ini diturunkan berdasarkan konsep hirarki pada tiap dimensi yang ada. Sedangkan proses roll up merupakan kebalikan dari prose drill down yaitu proses penggabungan atau penyatuan data ke dalam level yang lebih tinggi. Semua report tabel disusun berdasarkan periode waktu. Periode waktu tersebut dapat di drill down dari tahun ke bulan. Kemudian jika bulan di drill down lagi akan muncul hari. Gambar 4.4 adalah contoh drill down tahun ke bulan ke hari dari report penerimaan ikan dari supplier. supplier, jenis ikan atau produk. Aplikasi OLAP harus bisa menampilkan perubahan sudut pandang dengan menukar posisi kolom dan baris. Penukaran ini dilakukan pada saat pendefinisian report. Untuk melakukan rotasi klik tombol Change Pivot pada masing masing halaman. Gambar 4.5 adalah rotasi report Pengiriman Ikan (Dari Supplier). Kebalikan dari gambar 4.4. Gambar 4. 5 Rotasi Report Pengiriman Ikan dari Supplier Slicing dan Dicing Proses slicing dan sicing merupakan kemampuan OLAP untuk melakukan pemilihan subset pada data. Operasi slice adalah proses pemotongan pada cube berdasarkan nilai pada satu atau beberapa dimensi. Sedangkan dicing adalah proses pemotongan lebih kecil dari hasil dicing. Gambar 4. 4 Comtoh Drill down Report pada Bagian Tanggal Sedangkan roll up adalah kebalikan dari drill down. Drill down dan roll up juga bisa dilakukan melalui filter. Perbedaan antara slicing dicing dengan drill down adalah jikalau drill down men-drill informasi dilingkup yang ada dibawahnya. Semisal dari tahun 2006, di-drill down ke bulan. Hasilnya adalah informasi pada bulan- bulan di tahun tersebut. Sedangkan Slicing adalah kemampuan dimana informasi bisa dipilah sesuai keinginan seperti menampilakan informasi hanya pada bulan Januari pada setiap tahun. Lalu dicing untuk menampilkan informasi pada bulan januari tahun tertentu saja. Hasil dari contoh slicing tersebut ditampilkan pada gambar 4.6 dan hasil dicing pada gambar Rotation / Pivoting Proses Rotation/pivoting merupakan operasi pada OLAP untuk merubah berbagai macam sudut pandang data sehingga perubahan perspektif sudut pandang menjadi lebih mudah, dengan kata lain analisa data dengan merubah posisi atau pivot dimensinya. Jika diperhatikan pada report report tabel sebelumnya tampak bahwa tanggal selalu menempati posisi kolom sedang baris diisi oleh 11

12 d. Tampilan informasi dalam bentuk tabel dan diagram yang dapat difilter, di-drill down dan roll up sehingga memudahkan dalam pengamatan. 6 Daftar Pustaka [1] Hariyanto, Bambang. Sistem Manajemen Basis Data. Informatika. Bandung Gambar 4. 6 Slicing Report Pengiriman Ikan dari Supplier [2] Kayungyun, Ratri Dwi. Rancang Bangun Perangkat Lunak Aplikasi Penelusuran Produk Pada PT. Aneka Tuna Indonesia. Tugas Akhir, Jurusan Teknik Informatika, FTIF, ITS [3] Tisna Budi, Riantari. Pembuatan Apliasi OLAP pada sistem Informasi Monitoring Tugas Akhir Jurusan Teknik Informatika ITS dengan Menggunakan SQL Server Tugas Akhir, Jurusan Teknik Informatika, FTIF, ITS [4] ---, PT. ANEKA TUNA INDONESIA, ( Gambar 4. 7 Dicing Report Penerimaan Ikan dari Supplier 5 Kesimpulan Dari hasil penelitian Tugas Akhir yang telah dilakukan dapat disimpulkan: a. Aplikasi telah berhasil dikembangkan dalam bentuk web, sehingga memberi kemudahan dalam pengaksesan. b. Aplikasi lebih memberi kemudahan kepada PT. ATI untuk melakukan pengecekkan dibandingkan dengan cara penyimpanan mereka sebelumnya. c. Informasi yang ditampilkan dapat membantu pihak PT. ATI untuk memantau kuantitas proses produksi sehingga mengetahui jumlah ikan yang diproses berdasarkan periode waktu juga berapa jumlah produk yang dihasilkan dan negara tujuan. 12