BAB 4 DATA WAREHOUSE YANG DIUSULKAN

Transkripsi

1 94 BAB 4 DATA WAREHOUSE YANG DIUSULKAN 4.1 Arsitektur Data Warehouse Rancangan data warehouse yang diusulkan adalah rancangan yang menggunakan arsitektur data warehouse terpusat. Alasan penggunaan arsitektur terpusat ini, yaitu : Mempermudah dalam melakukan pengawasan dan pemeliharaan data yang terdapat di dalam data warehouse. Pengembangan rancangan yang relatif mudah dan murah dibandingkan dengan bentuk arsitektur data warehouse terdistribusi. Lebih mudah dalam menjaga konsistensi dari data warehouse terhadap segala perubahan dibandingkan penggunaan data warehouse terdistribusi. Berikut gambar arsitektur data warehouse terpusat pada PT. ERA GRAHAREALTY :

2 95 Gambar 4.1 Arsitektur Data Warehouse pada PT. ERA GRAHAREALTY 4.2 Rancangan Data Warehouse Dalam membuat data warehouse diperlukan beberapa tahap untuk membuat perancangan data warehouse menjadi teratur. Tahap-tahap perancangan data warehouse yang digunakan pada penulisan ini adalah 9 tahap metodologi (nine-step methodology), yaitu : Memilih proses (Choosing the Process) Proses yang digunakan dalam perancangan data warehouse ini, yaitu : a. Penjualan Penjualan yang dimaksud merupakan penjualan properti dari penjual properti ke pembeli properti melalui marketing associate. Dalam proses ini dokumen yang diperlukan adalah pernyataan pengikatan jual beli, dimana di dalam pernyataan pengikatan jual beli

3 96 tersebut terdapat nomor dari PPJB, tanggal dari PPJB, nomor listing, nomor pembeli, kode office, ID Marketing Associate, biaya pembatalan, dan total harga. b. Persediaan/Listing Persediaan yang dimaksud merupakan persediaan properti yang terdapat dalam daftar listing, Dalam proses ini dokumen yang diperlukan adalah dokumen perjanjian jasa pemasaran dan listing, dalam perjanjian jasa pemasaran terdapat nomor dari perjanjian jasa pemasaran, kode office, ID Marketing Associate, nomor penjual, nomor available, dan nomor expired. Sedangkan di dalam dokumen listing terdapat terdapat nomor dari listing, nomor PJP, kode tipe, alamat serta keterangan dari properti tersebut, seperti luas tanah, luas bangunan, nomor sertifikat, jumlah kamar, dan lainnya. c. Pendapatan Komisi Pendapatan komisi yang dimaksud merupakan record komisi yang didapat oleh marketing associate dan member broker dari setiap transaksi. Record komisi yang didapat mengacu kepada target komisi harus dan bisa dicapai masing-masing marketing associate dan member broker yang sudah ditetapkan oleh PT. ERA GRAHAREALTY. d. Penghargaan/Award

4 97 Penghargaan yang dimaksud merupakan penghargaan bagi marketing associate dan member broker yang telah memenuhi target pencapaian sesuai dengan target yang ditetapkan sebelumnya. Adapun dokumen yang diperlukan dalam proses ini adalah dokumen target selling dimana terdapat jenis target, level target, periode, peserta, dan jumlah target Memilih Grain (Choosing Grain) Grain merupakan data dari calon fakta yang dapat dianalisis. Memilih grain berarti memutuskan apa yang akan direpresentasikan oleh record dari tabel fakta. Grain dalam perancangan data warehouse ini meliputi : a. Penjualan Pada proses penjualan, data yang dapat dianalisis meliputi lokasi yang paling banyak dicari oleh konsumen, tipe properti yang paling banyak dicari oleh konsumen, kuantitas penjualan atau tingkat produktivitas office/kantor cabang per tahunnya. b. Persediaan/Listing Pada proses persediaan/listing, data yang dapat dianalisis meliputi perbandingan jumlah properti pada listing per periode waktu, dan perbandingan kuantitas properti yang available dan expired.

5 98 c. Pendapatan Komisi Pada proses pendapatan komisi, data yang dapat dianalisis meliputi perbandingan pencapaian target dan jumlah komisi yang didapat member broker dan marketing associate, leveling untuk marketing associate. d. Penghargaan/Award Pada proses penghargaan/award, data yang dapat dianalisis meliputi prestasi berdasarkan jumlah penghargaan yang didapat dari setiap member broker dan marketing associate, leveling untuk marketing associate, dan award yang diberikan untuk member broker dan marketing associate Identifikasi dan Penyesuaian Dimensi (Identifying and Conforming the Dimensions) Pada tahap ini dilakukan penyesuaian dimensi dan grain yang ditampilkan dalam bentuk matriks :

6 99 a. Penjualan Tabel 4.1 Tabel Grain vs Dimensi pada Penjualan Grain Lokasi Paling Tipe Properti Paling Perbandingan Tingkat Dimensi Banyak Dicari Banyak Dicari Produktivitas Office Waktu X X X Listing X X Kota X Office MA X X b. Persediaan/Listing Tabel 4.2 Tabel Grain vs Dimensi pada Persediaan/Listing Grain Perbandingan Perbandingan Kuantitas Dimensi Jumlah Listing expired dan available Waktu X X Listing X X AvlListing ExpListing X X

7 100 c. Pendapatan Komisi Tabel 4.3 Tabel Grain vs Dimensi pada Komisi Grain Perbandingan Komisi Perbandingan Berhasil dan Dimensi yang dicapai Office Gagal dalam Memenuhi Target Waktu X X MA X X Office X X TargetSelling X X DetilSMA X X DetilSOffice X X d. Penghargaan/Award Tabel 4.4 Tabel Grain vs Dimensi pada Penghargaan/Award Grain Perbandingan Perolehan Award Perolehan Award Dimensi Prestasi Marketing Associate Member Broker Waktu X X X MA X AwardMA X X MB Office X X AwardMB X X

8 Memilih Fakta (Choosing the Fact) M emilih fakta yang akan digunakan dalam data mart. M asingmasing fakta memiliki data yang dapat dihitung, untuk selanjutnya ditampilkan dalam bentuk laporan, grafik atau berbagai macam diagram. Berikut ini fakta-fakta yang akan ditampilkan di data warehouse : 1. Penjualan, meliputi data attribut dari tabel PPJB di sistem berjalan dimana TotalHarga sebagai measureable attribute pada tabel fakta ini. 2. Persediaan/Listing, meliputi data attribut dari tabel PJP di sistem berjalan dimana HargaJual sebagai measureable attribute pada tabel fakta ini. 3. Pendapatan Komisi, meliputi jumlah komisi yang didapat dan target komisi yang dicapai, dimana Total komisi sebagai measureable attribute pada tabel fakta ini. 4. Penghargaan/Award, meliputi pencapaian target yang didapat oleh Marketing Associate dan Branch Office, dimana Komisi yang dicapai per-periode sebagai measureable attribute pada tabel fakta ini.

9 Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing precalculation in the fact table) Pre-kalkulasi yang dapat dilakukan untuk kemudian disimpan dalam tabel fakta berupa kalkulasi total. Kalkulasi awal yang ada pada tabel fakta antara lain : Tabel Fakta Penjualan, meliputi total dari DownPrice dan HargaTotal dari tabel PPJB di sistem berjalan yang sebagai harga dari hasil kesepakatan terhadap peroperti yang di Listing. Tabel Fakta Persediaan, meliputi jumlah listing yang termuat dan TotalHarga dari tabel PJP di sistem berjalan yang sebagai harga awal persetujuan terhadap peroperti yang di Listing. Tabel Fakta Komisi, meliputi jumlah transaksi dan total komisi yang didapat dari perhitungan jumlah record transaksi yang terjadi selama periode yang ditentukan. Tabel Fakta Penghargaan, meliputi total komisi yang didapat oleh Marketing Associate dan Branch Office berupa kalkulasi dari total persentase yang didapat setiap transaksi penjualan sesuai perjanjian yang disepakati dan jumlah transaksi yang dihasilkan untuk mencapai target.

10 Melengkapi Tabel Dimensi (Rounding out the dimension tables) Menambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user. Berikut deskripsi teks dari tabel dimensi : a. Tabel Rounding Out Dimension Tabel 4.5 Tabel Rounding Out Dimension Dimensi Waktu Listing Kota Office MA Owner Pembeli MasterAwardOffice MasterAwardMA TargetSelling Deskripsi Laporan dapat dilihat per tahun, per semester, per bulan, dan per hari. Property yang terdata dan masuk sebagai stok property yang tersedia. Daftar kota tempat lokasi transaksi dan office yang tercatat. Office branch dari Era yang berada di kota masing-masing Marketing associate yang bertugas sebagai pemasar property. Pemilik dari property yang masuk dalam listing. Pihak pembeli property pada transaksi penjualan. Tabel master award yang tersedia untuk Office. Tabel master award yang tersedia untuk marketing associate. Target selling yang ditentukan selama periode tertentu.

11 104 b. Daftar Tabel-tabel Dimensi Tabel 4.6 Tabel Dimensi Waktu Nama Field Type Panjang NoWaktu char 6 Tahun int 4 Smester int 4 Bulan int 4 Hari int 4 Tabel 4.7 Tabel Dimensi Listing Nama Field Type Panjang NoListing char 9 TypeProperty varchar 30 StatusTanah varchar 30 KamarTidur int 4 KamarMandi int 4 Lantai int 4 LuasT int 4 LuasB int 4

12 105 Tabel 4.8 Tabel Dimensi Kota Nama Field Type Panjang KdKota char 3 Provinsi varchar 20 NamaKota varchar 20 Tabel 4.9 Tabel Dimensi Office Nama Field Type Panjang KdOffice char 4 NamaOffice varchar 30 IDMB char 6 Nama MB varchar 30

13 106 Tabel 4.10 Tabel Dimensi MA Nama Field Type Panjang IDMA char 6 Office varchar 30 Level varchar 30 NamaMA varchar 30 Sex char 1 Umur int 4 Tabel 4.11 Tabel Dimensi Owner Nama Field Type Panjang NoOwner char 6 Nama varchar 30 Sex char 1 NoTelp varchar 20

14 107 Tabel 4.12 Tabel Dimensi Pembeli Nama Field Type Panjang NoPembeli char 6 Nama varchar 30 Sex char 1 NoTelp varchar 20 Tabel 4.13 Tabel Dimensi MasterAwardOffice Nama Field Type Panjang KdAwardOf char 4 NamaAward varchar 30 Kategori varchar 20 Periode varchar 20 NilaiTarget bigint 8

15 108 Tabel 4.14 Tabel Dimensi MasterAwardMA Nama Field Type Panjang KdAwardMA char 4 Nama varchar 30 Kategori varchar 20 Periode varchar 20 NilaiTarget bigint 8 Tabel 4.15 Tabel Dimensi Target Selling Nama Field Type Panjang KdTarget char 3 JenisTarget varchar 30 LevelTarget int 4 Periode varchar 10 Peserta varchar 20 JumlahTarget bigint 8

16 Memilih Durasi dari Database (Choosing the duration of the database) Durasi dari data PT. ERA GRAHAREALTY yang dimasukan ke dalam data warehouse sebagai berikut : Tabel 4.20 Tabel Durasi Basis Data Nama Aplikasi Database Waktu Data Warehouse Data dalam Tahun Aplikasi Data tahun Warehouse ERA_DB Januari bulan ERA September 2009 Database pada PT. Era GRAHAREALTY sudah ada sejak tahun 2001, dan data yang digunakan berdurasi 4 tahun dan 9 bulan, yang dimulai dari januari 2005 sampai dengan September 2009.

17 Melacak Perubahan Dimensi secara Perlahan (Tracking slowly changing dimensions) Dari 3 tipe dasar perubahan dimensi, pada perancangan data warehouse PT. ERA GRAHAREALTY ini menggunakan tipe ke 2, dimana perubahan atribut pada dimensi akan mengakibatkan pembuatan suatu record baru. Hal ini dilakukan untuk menjaga data yang lama tetap ada agar diketahui perubahan dimensi yang terjadi dari data lama ke data baru. Seperti perubahan pada data listing, akan mengakibatkan penambahan record baru pada dimensi dengan tetap menyimpan record yang lama. Untuk itu ditambahkan surrogate key dan Attribut sebagai status aktif di table tersebut yang diantaranya : LastUpdate : Tanggal terakhir data di update. StatusData : Status termasuk data lama atau baru. Keterangan : Keterangan dan alasan berubahnya data Menentukan Prioritas dan Mode Query (Deciding the query priorities and the query modes) Pada tahap ini akan dibahas mengenai proses Extract, Transformation and Load ( ETL ), backup secara berkala, dan analisis kapasitas media penyimpanan.

18 Proses Extract, Transformation and Load ( ETL ) Tabel 4.21 Tabel ETL Pelaku ETL Dilakukan Setiap Keterangan Bagian EDP 1 hari sekali ETL dilakukan oleh bagian EDP Proses ETL yang dilakukan setiap hari berdasarkan record transaksi dan listing yang didapat, hal ini dapat mendekati kategori real time, sehingga keakuratan data dapat terjaga. Proses ETL yang dilakukan merubah data awal ataupun menambah data dari databse OLTP ke OLAP, beberapa perubahan dilalui seperti dibawah ini : Gambar 4.2 Proses ETL-1 dari database sumber ke data warehouse Pada gambar diatas diketahui ada beberapa perubahan data seperti Slowly Changing Dimension pada table Office

19 112 dan penambahan Aggregate dari table DetilSOffice dari OLTP ke OLAP. Proses Eksekusi ETL yang dijalankan dari database sumber yang di transform ke data warehouse ialah sebagai berikut : Gambar 4.3 Proses ETL-2 dari database sumber ke data warehouse Proses Backup Tabel 4.22 Tabel Backup Pelaku backup Dilakukan Setiap Keterangan Bagian EDP Setiap sebelum menjalankan proses ETL Dilakukan untuk menanggulangi jika ada kegagalan dalam proses ETL Backup dilakukan dengan mem-backup ke partisi / harddisk yang berbeda untuk mencegah gagalnya proses ETL.

20 Analisis Kapasitas Media Penyimpanan Dalam merancang data warehouse, perlu adanya memperhatikan sumberdaya hardware, khususnya storage yang digunakan. Banyaknya record hingga ribuan atau bahkan jutaan yang tersimpan di data warehouse pertahunnya, mengharuskan perlunya kapasitas storage yang mendukung dan terus dapat menampung data hingga tahun-tahun kedepannya. Berdasarkan capacity planning menurut Inmon, faktor-faktor penting yang mempengaruhi kapasitas storage ialah : Detil level dari data, sedalam apa hierarki data yang tersimpan. Lamanya waktu dari data yang tersimpan, sepanjang apa tahun yang di proses. a. Perhitungan Disk Storage Untuk menganalisa perkiraan kapasitas yang dibutuhkan, perlu adanya perhitungan yang dimulai dari besarnya byte per-field, per-record, per-table, hingga keseluruhan dari database, beserta estimasi perkiraan pertumbuhan data. Analisis perkiraan kapasitas storage dalam menghitung jumlah size database menggunakan rumus

21 114 perhitungan dari SQL Server 2000 Books Online pada bagian Estimating the Size of Database : 1. Num_Rows = jumlah record / jumlah baris. Num_Rows = R x (n + ( 1 + i ) n ) R = jumlah record n = variable tahun i = persentase pertumbuhan record pertahun 2. Num_Cols = jumlah kolom / jumlah field. Fixed_Data_Size = jumlah total dari field size dari setiap table. Num_Variable_Cols = jumlah panjang variable kolom. Max_Var_Size = jumlah maksimum panjang variable kolom. 3. Null_Bitmap = 2 + (( Num_Cols + 7 ) / 8 ) 4. Variable_Data_Size = 2 + (Num_Variable_Cols x 2) + Max_Var_Size 5. Row_Size = Fixed_Data_Size + Variable_Data_Size + Null_Bitmap Rows_Per_Page = ( 8096 ) / (Row_Size + 2) 7. Free_Rows_Per_Page = 8096 x ((100 - Fill_Factor) / 100) / (Row_Size + 2) 8. Num_Pages = Num_Rows / (Rows_Per_Page - Free_Rows_Per_Page) 9. Table_Size (bytes) = 8192 x Num_Pages

22 115 Dalam kasus ini kami melakukan analisis perkiraan hingga 5 tahun kedepan, dan pertumbuhan record yang diasumsikan sebesar 10% per-tahun. 1. Record Fact Persediaan Jumlah record yang di dapat pada tahun ini sebanyak 1049 Num_Rows = 1172x ( n + ( ) n ) = Num_Cols = 11 Fixed_Data_Size = 63 Num_Variable_Cols = 7 Max_Var_Size = 9 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 7 x 2 ) + 9 = 25 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x ((100-5 ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

23 Record Fact Penjualan Num_Rows = 1049x ( n + ( ) n ) = Num_Cols = 8 Fixed_Data_Size = 46 Num_Variable_Cols = 7 Max_Var_Size = 10 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 7 x 2 ) + 10 = 26 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

24 Record Fact AwardMA Num_Rows = 1349x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 55 Num_Variable_Cols = 4 Max_Var_Size = 6 Null_Bitmap = 2 + (( ) / 6 ) = 4 Variable_Data_Size = 2 + ( 1 x 2) + 6 = 10 Row_Size = = 73 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

25 Record Fact AwardOffice Num_Rows = 700 x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 55 Num_Variable_Cols = 4 Max_Var_Size = 6 Null_Bitmap = 2 + (( ) / 6 ) = 3.5 Variable_Data_Size = 2 + ( 1 x = 10 Row_Size = = 73 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

26 Record Dimensi Waktu Num_Rows = 1049 x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 22 Num_Variable_Cols = 1 Max_Var_Size = 1 Null_Bitmap = 2 + (( ) / 8 ) = 3.5 Variable_Data_Size = 2 + ( 1 x = 5 Row_Size = = 34.5 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

27 Record Dimensi Listing Num_Rows = 1105 x ( n + ( ) n ) = Num_Cols = 20 Fixed_Data_Size = 186 Num_Variable_Cols = 7 Max_Var_Size = 30 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 7 x = 46 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( )/100/( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

28 Record Dimensi MA Num_Rows = 28x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 34 Num_Variable_Cols = 1 Max_Var_Size = 1 Null_Bitmap = 2 + (( ) / 8 ) = 3.5 Variable_Data_Size = 2 + ( 1 x = 5 Row_Size = = 46.5 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

29 Record Dimensi Office Num_Rows = 7 x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 34 Num_Variable_Cols = 1 Max_Var_Size = 1 Null_Bitmap = 2 + (( ) / 8 ) = 3.5 Variable_Data_Size = 2 + ( 1 x 2 + 1= 5 Row_Size = = 46.5 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( )/ 100/( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

30 Record Dimensi Master Award MA Num_Rows = 10 x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 58 Num_Variable_Cols = 3 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = 3.5 Variable_Data_Size = 2 + ( 3 x = 28 Row_Size = = 93.5 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

31 Record Dimensi SRMA Num_Rows = 57x ( n + ( ) n ) = Num_Cols = 8 Fixed_Data_Size = 63 Num_Variable_Cols = 1 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 1 x = 24 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

32 Record Dimensi TargetSelling Num_Rows = 1049 x ( n + ( ) n ) = Num_Cols = 6 Fixed_Data_Size = 78 Num_Variable_Cols = 4 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 4 x = 30 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = /( )= Table_Size (bytes) = 8192 x =

33 Record Dimensi Master Award Office Num_Rows = 10 x ( n + ( ) n ) = Num_Cols = 5 Fixed_Data_Size = 58 Num_Variable_Cols = 3 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = 3.5 Variable_Data_Size = 2 + ( 3 x = 28 Row_Size = = 93.5 Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

34 Record Dimensi Sales Record Office Num_Rows = 57 x ( n + ( ) = Num_Cols = 8 Fixed_Data_Size = 63 Num_Variable_Cols = 1 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = Variable_Data_Size = 2 + ( 1 x = 24 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

35 Record Dimensi Kota Num_Rows = 34 x ( n + ( ) n ) = Num_Cols = 3 Fixed_Data_Size = 28 Num_Variable_Cols = 1 Max_Var_Size = 20 Null_Bitmap = 2 + (( ) / 8 ) = 3.25 Variable_Data_Size = 2 + ( 1 x = 24 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

36 Record Dimensi Pembeli Num_Rows = 3877 x ( n + ( ) n ) = Num_Cols = 3 Fixed_Data_Size = 59 Num_Variable_Cols = 3 Max_Var_Size = 30 Null_Bitmap = 2 + (( ) / 8 ) = 3.25 Variable_Data_Size = 2 + ( 3 x = 38 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

37 Record Dimensi Owner Num_Rows = 3932 x ( n + ( ) n ) = Num_Cols = 3 Fixed_Data_Size = 59 Num_Variable_Cols = 3 Max_Var_Size = 30 Null_Bitmap = 2 + (( ) / 8 ) = 3.25 Variable_Data_Size = 2 + ( 3 x = 38 Row_Size = = Rows_Per_Page = ( 8096 ) / ( ) = Free_Rows_Per_Page = 8096 x (( ) / 100 / ( ) = Num_Pages = / ( ) = Table_Size (bytes) = 8192 x =

38 131 Setelah menghitung jumlah kapasitas per-tabel nya, maka jumlah total byte yang di estimasikan adalah sebagai berikut. Nama Tabel Table Size (byte) Tabel Dimensi Office Tabel Dimensi MA Tabel Dimensi Owner Tabel Dimensi Waktu Tabel Dimensi Kota Tabel Dimensi Listing Tabel Dimensi Pembeli Tabel Dimensi TargetSelling Tabel Dimensi MsAwardOffice Tabel Dimensi MsAwardMA Tabel Fakta SRMA Tabel Fakta SROffice Tabel Fakta Persediaan Tabel Fakta Penjualan Tabel Fakta AwardOffice Tabel Fakta AwardMA

39 132 Dari tabel diatas disimpulkan jumlah tabel keseluruhan (hanya untuk data) sejumlah ,77 byte, yang artinya sama dengan 7, MB. Data tersebut di estimasikan untuk 5 tahun kedepan dengan data yang bersumber dari 7 kantor Office dan 28 Marketing Associate. Jika diperkirakan untuk seluruh data saat ini dimana office di indonesia sudah mencapai ± 130 Office, maka jumlah perkiraan kapasitas media penyimpanan akan seperti berikut : 7,5 MB / 7 * 130 = 140,2302 MB Sejumlah 140,23 MB besar Size dari Data Warehouse yang dioleh nantinya dengan jumlah record per tabel faktanya. b. Kebutuhan Prosessor Selain size dari data per table, hal lain yang juga sangat penting ialah kebutuhan proses yang dijalankan. Dalam capacity planing for DWH Environment dari Inmon semakin banyak lebar data yang di proses, semakin banyak tabel yang di proses, dan semakin banyak proses yang dijalankan, maka kebutuhan akan processor juga akan sangat berpengaruh. Dalam memahami perkiraan kebutuhan prosessor untuk data warehouse, Ada tiga kategori proses yang dijalankan pada ERA_DW, yaitu :

40 133 1) Background processing Data yang di proses di kategori ini termasuk proses extract, loads, sort, indexing. Proses ini biasanya dijalankan saat pertama kali, dan selanjutnya jarang dijalankan. 2) Predictable DSS processing Proses yang dijalankan di bagian ini adalah proses yang biasanya dijalankan secara teratur, diantaranya Query, Transaksi, dan proses penggunaan data warehouse oleh user. 3) Unpredictable DSS processing Proses yang dijalankan di bagian ini biasanya disaat terjadi disaat penuhnya workload, dimana penggunaan data secara bersamaan dalam kategori banyak. dan response time yang tidak stabil. Hal yang dihasilkan akan terlihat proses data yang jauh lebih lambat dari biasanya, untuk hal ini perlu merinci proses yang dijalankan agar dapat mengantisipasinya.

41 134 c. Workload Matrix Proses I/O yang dijalankan berupa Call dan total calls, dimana I/O tersebut merepresentasikan jumlah proses yang dijalankan. Tabel workload menyajikan estimasi jumlah proses yang dihasilkan. Beberapa hal yang mempengaruhi I/O adalah : 1. Jumlah row. 2. Jumlah traffic buffers. 3. Indexing.

42 135 Tabel 4.23 Tabel Workload Matrix Target Selling 8/14 8/14 16/28 Master Award MA 6/11 6/11 Master Award Office 6/11 6/11 Pembeli 3/9 3/9 Owner 2/11 2/11 MA 6/12 5/14 7/12 5/10 23/48 Office 3/9 2/11 6/11 11/31 Kota 4/10 3/12 5/10 5/10 3/8 3/8 23/58 Listing 10/17 9/19 19/36 Waktu 6/12 5/9 7/12 7/12 5/10 5/10 30/65 Proses ProsesPenjualan ProsesPersediaan ProsesKomisiMA ProsesKomisiOffic e ProsesAwardMA ProsesAwardOffice Total I/O

43 Perancangan Skema Bintang Rancangan skema bintang pada aplikasi data warehouse ini terdiri atas tabel fakta dan dimensi-dimensi yang terhubung Skema Bintang Penjualan Gambar 4.4 Skema Bintang Fakta Penjualan

44 Skema Bintang Persediaan (Listing) Skema Bintang Komisi MA Gambar 4.5 Skema Bintang Fakta Persediaan Gambar 4.6 Skema Bintang Fakta RecSMA

45 Skema Bintang Komisi Office Gambar 4.7 Skema Bintang Fakta RecSOf Skema Bintang Award MA Gambar 4.8 Skema Bintang Fakta AwardMA

46 Skema Bintang Award Office Gambar 4.9 Skema Bintang Fakta AwardOffice

47 Metadata Metadata pada data warehouse ERA meliputi beberapa hal informasi yang disajikan berupa Nama table dan detil rincian informasinya. Tabel tersebut diantaranya :

48 141 Tabel 4.24 Tabel Fakta Penjualan Nama Field Type Panjang Jenis Relasi Relationship Table Nama Field Sumber Data Type Table Transformasi NoPPJB char NoPPJB char PPJB copy KdOffice char 4 IDMA char 6 KdOffice (Offi ce) KdOffice char PPJB copy IDMA(MA) IDMA char PPJB copy NoPembeli char 9 KdWaktu char 6 NoListing char 9 KdKota char 3 Many-toone Many-toone Many-toone Many-toone Many-toone Many-toone NoPembeli(Pembeli) NoPembeli char PPJB copy KdWaktu (Waktu) HargaJual bigint TglPPJB date time PPJB copy SELECT a.kdwaktu from dwaktu a, PPJB b WHERE a.tahun=b.year(b.tgl PPJB) AND a.bulan=b.month(b.tgl PPJB) AND a.hari = day(b.tgl PPJB) NoListing (PPJB) NoListing char PPJB copy KdKota(Kota) KdKota char Listing TotalHarg a copy SELECT KdKota from Listing a, PPJB b WHERE a.noppjb = b.noppjb char PPJB copy

49 142 Tabel 4.25 Tabel Fakta Persediaan Relationship Sumber Data Nama Field Type Panjang Transformasi Field Jenis Nama Table Type Table Relasi Field NoPJP char NoPJP char PJP copy KdOffice char 4 IDMA char 6 NoOwner char 9 KdWaktu char 6 NoListing char 9 KdKota char 3 Many-toone Many-toone Many-toone Many-toone One-toone Many-toone KdOffice (doffice) KdOffice char PJP copy IDMA(dMA) IDMA char PJP copy NoOwner (downer) NoOwner char PJP copy KdWaktu (dwaktu) TglPJP date time PJP copy SELECT KdWaktu from dwaktu a, PJP b WHERE a.tahun=b.year(b.tglpjp) AND a.bulan=b.month(b.tglpjp) AND a.hari = day(b.tglpjp) KdWaktu (dwaktu) NoListing char PJP copy KdKota(Kota) KdKota char Listing AvailableNow tinyint Available tinyint Expired tinyint copy SELECT KdKota from Listing a, PPJB b WHERE a.nopjp = b.nopjp create Available = 0 if NoAvl. PJP = NULL AND NoExp.PJP = Null, else 1 create Available = 0 if NoAvl. PJP = NULL AND NoExp.PJP!= Null, else 1 create Expired = 0 if NoExp.PJP = NULL, else 1 HargaJual bigint HargaJual int PJP copy

50 143 Tabel 4.26 Tabel Fakta RecordSRMA Nama Field Type Panjang Jenis Relasi Relationship Sumber Data Table Nama Field Type Table Transformasi NoSRMA char NoSRMA char SRMA copy IDMA char 6 KdTarget char 3 KdWaktu char 6 KdKota char 4 Many-toone Many-toone Many-toone Many-toone IDMA (MA) IDMA char SRMA copy KdTarget (TargetSelling) KdTarget char SRMA copy KdWaktu (dwaktu) Tahun, Bulan, TglPenerimaan datetim e SRMA KdWaktu (Kota) KdKota char MA copy SELECT KdWaktu from dwaktu a, SRMA b WHERE a.tahun=b.tahun AND a.bulan=b.bulan AND a.hari = day(b.tglakhirrecord ) copy SELECT a.kdkota FROM MA a, SRMA b WHERE a.idma= b.idma StatusTarget varchar StatusTarget varchar SRMA copy Komisi bigint Jumlah tinyint create SELECT SUM(DetilSOffice.Ju mlahkomisi) WHERE DetilSOffice.NoSROff ice = SROffice.NoSROffice create SELECT COUNT(DetilSOffice..JumlahKomisi) WHERE DetilSOffice.NoSROff ice = SROffice.NoSROffice

51 144 Tabel 4.27 Tabel Fakta RecordSROffice Nama Field Type Panjang Jenis Relasi Relationship Sumber Data Table Nama Field Type Table Transformasi NoSROffi ce char NoSROffi ce char SROffice copy KdOffice char 6 KdTarget char 3 KdWaktu char 6 KdKota char 4 Many-toone Many-toone Many-toone Many-toone Office KdOffice char SROffice copy TargetSelling KdTarget char SROffice copy dwaktu Tahun, Bulan, TglPenerima an datetime SROffice Kota KdKota char Office copy SELECT KdWaktu from dwaktu a, SROffice b WHERE a.tahun=b.tahun AND a.bulan=b.bulan AND a.hari = day(b.tglakhirrecord) copy SELECT a.kdkota FROM O ffice a, SROffice b WHERE a.kdoffice= b.kdoffi ce StatusTarget varchar StatusTarget varchar SROffice copy Komisi bigint Jumlah tinyint create SELECT COUNT(DetilSOffice.JumlahKo misi) WHERE DetilSOffice.NoSROffice = SROffice.NoSROffice create SELECT SUM(DetilSOffice.JumlahKomisi ) WHERE DetilSOffice.NoSROffice = SROffice.NoSROffice

52 145 Tabel 4.28 Tabel Fakta AwardMA Nama Field Type Panjang Jenis Relasi Relationship Table Nama Field Sumber Data Type Table Transformasi NoAMA char NoAO char AwardMA copy IDMA char 6 IDMA (MA) IDMA char AwardMA copy KdAwardMA char 4 KdWaktu char 6 Many-toone Many-toone Many-toone KdAwardMA (AwardMA) KdAward char AwardMA copy KdWaktu (dwaktu) Tahun, Bulan, TglPenerim aan datetime TotalRev bigint NilaiTarget int AwardMA MasterAward MA copy SELECT KdWaktu from dwaktu a, AwardMA b WHERE a.tahun=b.tahun AND a.bulan=b.bulan AND a.hari = day(b.tglpenerimaan) copy WHERE a.kdawardma=b.kdaward MA

53 146 Nama Field Type Panjang Jenis Relasi Tabel 4.29 Tabel Fakta AwardOffice Relationship Sumber Data Table Nama Field Type NoAO char NoAO char Table AwardOffi ce Transformasi copy KdOffice char 4 Many-toone KdOffice (Offi ce) KdOffice char AwardOffi ce copy KdAwardOf char 4 KdWaktu char 6 Many-toone Many-toone KdAwardOffi ce (AwardOffi ce) KdWaktu (dwaktu) KdAward Tahun, Bulan, Hari TotalRev bigint NilaiTarget int char datetime AwardOffi ce AwardOffi ce MasterAwa rdoffice copy copy SELECT KdWaktu from dwaktu a, AwardOffice b WHERE a.bahun=b.tahun AND a.bulan=b.bulan AND a.hari = day(b.tglpenerimaan) copy WHERE a.kdawardoffice=b.kdawa rdoffice

54 147 Tabel 4.30 Tabel Dimensi Waktu Nama Field Type Panjang NoWaktu char 6 Jenis Relasi One-tomany Relationship Table KdWaktu (Fakta AwardOffi ce) KdWaktu (Fakta RecordSOffice) KdWaktu (Fakta RecordSMA) KdWaktu (Fakta RecordSMA) Nama Field Sumber Data Type Table Transformasi create Tahun int create getyear Smester int create gethalfyear Bulan int create getmonth Hari int create getday

55 148 Nama Field Type Panjang NoListing char 10 Jenis Relasi One-tomany Tabel 4.31 Tabel Dimensi Listing Relationship Sumber Data Table Nama Field Type Table NoListing(Fakta Penjualan) NoListing (Fakta Persediaan) Transformasi NoListing char Listing copy TypeProperty varchar Type varchar Listing copy SELECT Type FROM PropertyType WHERE Listing.KdType = PropertyType. KdType StatusTanah varchar StatusTanah varchar Listing copy KamarTidur int KamarTidur int Listing copy KamarMandi int 4 - KamarMandi int Listing copy Lantai int Lantai int Listing copy LuasT int LuasT int Listing copy LuasB int LuasB int Listing copy

56 149 Nama Field Type Panjang KdKota char 3 Jenis Relasi One-tomany Tabel 4.32 Tabel Dimensi Kota Relationship Sumber Data Table Nama Field Type Table KdKota (Fakta AwardOffice) KdKota (Fakta RecordSOffi ce) KdKota (Fakta RecordSMA) KdKota (Fakta RecordSMA) Transformasi KdKota char Kota copy Provinsi varchar Provinsi varchar Provinsi copy WHERE Kota.KdProvinsi= Provinsi. KdProvinsi NamaKota varchar NamaKota varchar Kota copy

57 150 Nama Field Type Panjang KdOffice char 6 Jenis Relasi One-tomany Tabel 4.33 Tabel Dimensi Office Relationship Sumber Data Table Nama Field Type Table KdOffice (Fakta AwardOffice) KdOffice (Fakta RecordSOffi ce) NamaOffice varchar Transformasi KdOffice char Office copy NamaOffi ce varchar Office copy NamaMB varchar NamaMB varchar MB Kota varchar Kota varchar Kota copy WHERE MB.KdOffice =Offi ce.kdoffice copy SELECT a.kota FROM Kota a, Office b WHERE a.kdkota = b.kdkota

58 151 Nama Field Type Panjang IDMA char 10 Jenis Relasi One-tomany Tabel 4.34 Tabel Dimensi MA Relationship Sumber Data Table Nama Field Type Table IDMA (Fakta AwardMA) IDMA (Fakta RecordSMA) Transformasi IDMA char MA copy Office char KdOffice char MA Copy, SELECT NamaOffice FROM Office WHERE MA.KdOffi ce =Offi ce.kdoffice Level varchar Level varchar MA copy NamaMA varchar NamaMA varchar MA copy Sex char Sex char MA copy Umur int create, SELECT year(date.now)- year(dob.mb) from MB where MB.IDMB=dMB.IDM B

59 152 Tabel 4.35 Tabel Dimensi Owner Nama Field Type Panjang Jenis Relasi Relationship Table Nama Field Sumber Data Type Table Transformasi NoOwner char 6 One-tomany NoPembeli(Fakta Pembelian) NoOwner char Owner copy Nama varchar Nama varchar Owner copy Sex char Sex char 1 copy NoTelp varchar NoTelp varchar 20 copy Tabel 4.36 Tabel Dimensi Pembeli Nama Field Type Panjang NoPembeli char 6 Jenis Relasi One-tomany Relationship Sumber Data Table Nama Field Type Table NoPembeli(Fakta Penjualan) NoPembeli char Pembeli Nama varchar Nama varchar Pembeli Transformasi copy copy Sex char Sex char 1 copy NoTelp varchar NoTelp varchar 20 copy

60 153 Tabel 4.37 Tabel Dimensi MasterAwardOffice Nama Field Type Panjang KdAwardOf char 6 Jenis Relasi One-tomany Relationship Sumber Data Table Nama Field Type Table KdAwardOffi ce(fakt a AwardOffice) KdAwardO ffice NamaAward varchar Nama varchar Kategori varchar Kategori varchar Periode varchar Periode varchar NilaiTarget bigint NilaiTarget bigint char MasterAward Office MasterAward Office MasterAward Office MasterAward Office MasterAward Office Transformasi copy copy copy copy copy

61 154 Tabel 4.38 Tabel Dimensi MasterAwardMA Nama Field Type Panjang KdAwardMA char 6 Jenis Relasi One-tomany Relationship Sumber Data Field(table) Nama Field Type Table KdAwardMA(Fakta AwardMA) KdAwardMA Nama varchar Nama varchar Kategori varchar Kategori varchar Periode varchar Periode varchar NilaiTarget bigint NilaiTarget bigint char MasterAwa rdma MasterAwa rdma MasterAwa rdma MasterAwa rdma MasterAwa rdma Transformasi copy copy copy copy copy

62 155 Tabel 4.39 Tabel Dimensi Target Selling Nama Field Type Panjang Jenis Relasi KdTarget char 4 One-to- Many JenisTarget varchar 30 Relationship Sumber Data Field(table) Nama Field Type Table KdTarget(dSRMA) KdTarget(dSROffice) - - KdTarget char TargetSelling Transformasi copy JenisTarget varchar TargetSelling copy LevelTarget int 4 Periode varchar 10 Peserta varchar 20 JumlahTarget bigint LevelTarget int TargetSelling copy Periode varchar TargetSelling copy PesertaU varchar TargetSelling copy JumlahTarget bigint TargetSelling copy

63 Layar Tampilan Informasi dari Analisis Informasi yang Dibutuhkan Layar tampilan informasi disesuaikan dengan hasil analisis informasi yang dibutuhkan. Dalam tampilan layar ini setelah pihak eksekutif melakukan login, pihak eksekutif dapat memilih informasi dari datamart mana yang mereka butuhkan. Gambar 4.10 Layar Pilihan Informasi yang Dibutuhkan

64 157 Adapun tampilan layar informasi dari hasil analisis kebutuhan informasi, yaitu sebagai berikut : a. Mengetahui lokasi mana yang paling dicari oleh konsumen Gambar 4.11 Layar Informasi Mengetahui lokasi mana yang paling dicari oleh konsumen Pihak eksekutif dapat melakukan drill down berdasarkan provinsi dan lebih detil lagi ke kota. Data yang dilihat dapat diukur berdasarkan waktu baik itu tahun ataupun bulan.

65 158 Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4. b. Mengetahui tipe properti paling banyak dicari oleh konsumen Gambar 4.12 Layar Informasi Mengetahui tipe properti paling banyak dicari oleh konsumen

66 159 Pihak eksekutif dapat melakukan drill down berdasarkan Type Properti yang paling banyak, dimana nilai di sort berdasarkan tahun Pada layar tersebut terlihat disibelah kanan nilai terbanyak yaitu Apartemen dan Ruko. Selanjutnya dapat men-drilldown berdasarkan bulan ataupun office mana yang menjual type property tersebut. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.

67 160 c. Mengetahui perbandingan tingkat produktivitas office Gambar 4.13 Layar Informasi Mengetahui perbandingan tingkat produktivitas office Pihak eksekutif dapat melakukan drill down berdasarkan Office yang paling banyak melakukan penjualan, dimana nilai di sort berdasarkan tahun Pada layar tersebut terlihat disibelah kanan nilai terbanyak yaitu Era Prospek pada tahun 2009 dan Era Galaxy pada tahun Selanjutnya dapat men-drilldown berdasarkan bulan ataupun Marketing associate yang menjual type property tersebut.

68 161 Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4. d. Mengetahui perbandingan jumlah listing Gambar 4.14 Layar Informasi Mengetahui perbandingan jumlah listing Pihak eksekutif dapat melakukan drill down berdasarkan Office yang paling banyak melakukan penjualan, dimana nilai di sort berdasarkan tahun Pada layar tersebut terlihat Available dan Expired pada Era Graha pada tahun 2009 dan

69 162 pada tahun Selanjutnya dapat men-drilldown berdasarkan bulan ataupun Marketing associate yang melisting dan menjual property tersebut. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4. e. Mengetahui perbandingan kuantitas expired dan available listing Gambar 4.15 Layar Informasi Mengetahui perbandingan kuantitas expired dan available listing

70 163 Pihak eksekutif dapat melakukan drill down berdasarkan Available dan Expired pada Era Graha pada tahun 2009 dan pada tahun Selanjutnya dapat men-drilldown dan membandingkan Available dan Expired pada Office tertentu. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.

71 164 f. Mengetahui perbandingan komisi yang dicapai office Gambar 4.16 Layar Informasi Mengetahui perbandingan komisi yang dicapai office Pihak eksekutif dapat melakukan drill down berdasarkan Available dan Expired pada Era Graha pada tahun 2009 dan pada tahun Selanjutnya dapat men-drilldown dan membandingkan Available dan Expired pada Office tertentu. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari :

72 165 Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4. g. Mengetahui pencapaian target Member Broker dan Marketing Associate Gambar 4.17 Layar Informasi Mengetahui pencapaian target Member Broker dan Marketing Associate Pihak eksekutif dapat melakukan drill down berdasarkan Target yang telah dicapai oleh Marketing associate atau Office pada Era Graha pada tahun 2009 dan ada tahun Selanjutnya dapat men-drilldown dan membandingkan Office

73 166 yang menjual dan bisa pula men-sort berdasarkan Level Target. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari : Selisih Min dan LastMonth x 70 Selisih Min dan Max Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.

74 Rancangan Implementasi Pengembangan sistem data warehouse ini menggunakan dukungan perangkat keras (hardware) dan dukungan piranti lunak (software) Dukungan Perangkat Keras (Hardware) Perangkat keras yang digunakan untuk menjalankan aplikasi data warehouse pada PT ERA GRAHAREALTY yaitu : Server o Processor o Motherboard o Kapasitas harddisk o Memory : INTEL Xeon E5440 (*4 core) : INTEL 3200 SHV (single proc) : 500 GB : 8 GB RAM (dual channel) o Monitor : LCD 17 Client o Processor o Motherboard o Kapasitas harddisk o Memory : Intel Core 2 Duo 2,1 Ghz (*2 core) : MSI P7N : 120 GB : 2 GB RAM (dual channel) o VGA Card : ATi Radeon 1550 o Monitor : LCD 17

75 Dukungan Piranti Lunak (Software) Perangkat lunak yang dibutuhkan untuk menjalankan aplikasi data warehouse pada PT ERA GRAHAREALTY adalah : Server o Sistem Operasi o Database : Microsoft Windows 2003 Server : Ms SQL 2008 Enterprise Edition Service Pack 1 Client o Sistem Operasi o Office Tools : Windows 7 Pro : - Ms Office Word - Ms Office Excel - Adobe Reader o Front End Tool : Era Analyzer Selain komponen diatas dibutuhkan juga software pendukung yang lain, yaitu DevExpress sebagai tools grafik dan pivot table yang dihasilkan, lalu update terbaru untuk Sistem Operasinya seperti Microsoft Visual Redistribute, NetFramework 2.0 dan NetFramework 3.5.

76 Jadwal Implementasi Implementasi data warehouse diawali dengan intalasi software dan aplikasi yang dibutuhkan untuk pengimplementasian system baru pada hardware yang sudah terinstalasi. Setelah itu dilakukan konversi data operasional perusahaan dengan proses data transformasion service (ETL). Setelah proses tersebut selesai, maka akan dilakukan uji coba system awal. Selanjutnya berfokus kepada pelatihan user, hal ini dimaksudkan agar user dapat memahami system yang akan diterapkan. Tabel 4.45 Gantt Charts Jadwal Rencana Implementasi Sistem