BAB IV ANALISIS DAN EVALUASI

Transkripsi

1 109 BAB IV ANALISIS DAN EVALUASI 4.1. Analisis dan Evaluasi Pada bab ini akan dijabarkan secara rinci bagaimana langkah langkah yang dilakukan untuk melakukan analisis dan evaluasi dari pengujian sistem. Dalam melakukan pengujian dan evaluasi, terdapat tujuh langkah utama yaitu : Gambar 4.1. Langkah analisis dan evaluasi 1. Pengujian performansi sistem sebelum melakukan implementasi MV. 2. Simulasi proses seleksi MV dengan menggunakan aplikasi prototipe. 3. Pengujian performansi sistem setelah melakukan implementasi MV. 4. Melakukan estimasi analisis biaya yang dikeluarkan untuk implementasi MV pada sistem. 5. Melakukan analisis manfaat yang didapatkan setelah implementasi MV dengan menggunakan metode gap analysis.

2 Melakukan evaluasi perbandingan biaya dan manfaat untuk mendapatkan hasil evaluasi dari solusi yang ditawarkan. 7. Melakukan evaluasi prototype aplikasi seleksi MV Dalam melakukan pengujian, peneliti menggunakan dua buah data sampel pada tabel fact dengan ukuran sebesar 1.25G dan 11.05G, hal ini dikarenakan adanya limitasi untuk mendapatkan data tepat sebesar 1G dan 10G sesuai dengan rekomendasi dari TPC-H (TPC, 2011). Untuk melakukan simulasi proses seleksi MV pada aplikasi prototype diperlukan query workload sebagai data sampel dengan beberapa pertimbangan dalam melakukan pemilihan sampel, yaitu : 1. Query untuk mendapatkan laporan pendapatan berdasarkan jenis trafik dan jenis charging adalah paling sering digunakan. Parameter query yang sering digunakan sebagai predicate adalah jenis charging yang berelasi dengan akses ke facebook (Q3 dan Q4) dan jenis trafik yang berelasi dengan akses data GPRS (Q7 dan Q8). 2. Laporan pendapatan harian adalah laporan yang paling penting karena untuk melihat performa jaringan dan pendapatan setiap harinya (Q1- Q8). 3. Sistem DWS yang digunakan dalam penelitian hanya mencakup area region Jawa Timur dan sekitarnya, sehingga parameter yang pilih adalah area Surabaya (Q2 dan Q4) dan Malang (Q6 dan Q8) karena area ini mempunyai jumlah pelanggan dan jumlah trafik paling tinggi diantara kota lainnya.

3 111 jenis query. Berikut ini adalah data sampel yang digunakan yang terdiri dari delapan Tabel 4.1 Query Workload untuk Uji Coba ID Teks Query Frek Q1 select 2 wccd.ch_category_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_charging_categories_dim wccd, wh_financials_time_dim wftd where sdtf.ch_category_id = wccd.ch_category_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = group by wccd.ch_category_name order by wccd.ch_category_name Q2 select 1 wccd.ch_category_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_charging_categories_dim wccd, wh_financials_time_dim wftd where sdtf.ch_category_id = wccd.ch_category_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and sdtf.branch = 'Surabaya' group by wccd.ch_category_name order by wccd.ch_category_name Q3 select 2 wccd.ch_category_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_charging_categories_dim wccd, wh_financials_time_dim wftd where sdtf.ch_category_id = wccd.ch_category_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and wccd.ch_category_name LIKE 'Facebook%' group by wccd.ch_category_name order by wccd.ch_category_name Q4 select wccd.ch_category_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, 1

4 112 Q5 Q6 Q7 Q8 wh_charging_categories_dim wccd, wh_financials_time_dim wftd where sdtf.ch_category_id = wccd.ch_category_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and sdtf.branch = 'Surabaya' and wccd.ch_category_name LIKE 'Facebook%' group by wccd.ch_category_name order by wccd.ch_category_name select wttd.tele_service_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_traffic_types_dim wttd, wh_financials_time_dim wftd where sdtf.traffic_type_id = wttd.traffic_type_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = group by wttd.tele_service_name order by wttd.tele_service_name select wttd.tele_service_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_traffic_types_dim wttd, wh_financials_time_dim wftd where sdtf.traffic_type_id = wttd.traffic_type_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and sdtf.branch = 'Malang' group by wttd.tele_service_name order by wttd.tele_service_name select wttd.tele_service_name,sum(sdtf.duration), sum(sdtf.free_duration), sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_traffic_types_dim wttd, wh_financials_time_dim wftd where sdtf.traffic_type_id = wttd.traffic_type_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and wttd.tele_service_name = 'GPRS' group by wttd.tele_service_name order by wttd.tele_service_name select wttd.tele_service_name,sum(sdtf.duration), sum(sdtf.free_duration),

5 113 sum(sdtf.number_of_transactions),sum(sdtf.total_cost), sum(sdtf.volume) from sdm_daily_traffic_facts sdtf, wh_traffic_types_dim wttd, wh_financials_time_dim wftd where sdtf.traffic_type_id = wttd.traffic_type_id and sdtf.financial_date_key = wftd.financial_date_key and wftd.financial_date_key = and sdtf.branch = 'Malang' and wttd.tele_service_name = 'GPRS' group by wttd.tele_service_name order by wttd.tele_service_name 4.2. Performansi Sistem tanpa MV Melakukan pengujian performansi pada sistem sebelum diimplementasi MV merupakan langkah pertama dalam langkah langkah uji coba. Masing masing data sampel dari query workload dijalankan sebanyak empat kali untuk mendapatkan hasil yang lebih akurat, kemudian hasil akhirnya diambil dari nilai rata ratanya. Terdapat dua parameter indikator yang akan diukur dalam pengujian ini yaitu nilai waktu respon dan nilai estimasi biaya dalam satuan blok. Hasil dari pengujian ini nantinya akan dibandingkan dengan sistem setelah diimplementasi MV. Berikut ini adalah hasil rata rata dari pengujian data sampel : Tabel 4.2. Hasil Pengujian Sistem tanpa MV ID Ukuran Waktu Respon (s) Query Cost (block) Q1 Q2 Q3 Q4 Q5 1.25G G G G G G G G G G

6 114 Q6 Q7 Q8 1.25G G G G G G Berdasarkan hasil pengujian diatas terlihat bahwa kenaikan waktu respon query dan biaya query processing secara umum adalah linier karena hasil query plan yang didapatkan adalah full table scan. Namun meskipun terdapat kenaikan linier, hasil akhirnya tidak selalu merupakan nilai kelipatan dari hasil sebelumnya. Sebagai contoh rasio perbandingan ukuran antara sampel data pertama dan kedua adalah 8.9, namun rasio perbandingan waktu respon query secara umum antara sampel data pertama dan kedua berada pada kisaran 9.7 hingga 10.3 kali. Begitu juga dengan rasio perbandingan biaya query processing ada pada kisaran kali. Rasio hasil pada Q3 dan Q4 relatif kecil karena pada kedua query tersebut query plan yang digunakan adalah menggunakan index dan tidak full table scan, sehingga perbandingan hanya sebesar 1-5 kali. Hal tersebut juga dibuktikan dengan biaya query processing yang lebil kecil dibandingkan query yang lain. Jadi kesimpulannya adalah tanpa menggunakan MV maka performansi akan turun secara linier dan penggunaan index bisa memperkecil rasio penurunan performansi. Tabel 4.3. Rasio Perbandingan 2 Ukuran Sampel ID Waktu Respon Query Cost Q Q Q Q Q Q Q Q

7 Simulasi Prototype Seleksi MV Pada bagian ini akan digambarkan bagaimana proses seleksi MV berdasarkan input query workload. Berikut adalah gambar aplikasi prototype seleksi MV dan informasi penggunaannya : Gambar 4.2. Prototype Seleksi MV Dari gambar di atas, berikut adalah penjelasan dari masing masing widget : 1. Workload Input Type digunakan untuk memilih apakah pengguna ingin menggunakan input dari file teks atau langsung mengambil informasi dari database. 2. Sample Size adalah pilihan besaran tabel fact yang digunakan dalam proses seleksi.

8 Query Filter digunakan untuk memilih input query yang masuk dalam kriteria. Pilihan ada dua yaitu berdasarkan nilai threshold atau Top-N. Nilai masing masing parameter bisa dikonfigurasi pada bagian value. 4. MV Selection digunakan untuk memilih kandidat MV yang masuk dalam kriteria. Pilihan ada dua yaitu berdasarkan nilai threshold atau Top-N. Nilai masing masing parameter bisa dikonfigurasi pada bagian value. 5. Save digunakan untuk menyimpan perubahan konfigurasi 6. View Selection digunakan untuk melakukan proses seleksi MV berdasarkan konfigurasi yang telah ditetapkan. 7. Preview digunakan untuk melihat hasil proses seleksi MV secara langkah per langkah. 8. Maintanance MV digunakan untuk memberikan laporan penggunaan MV kepada pengguna berdasarkan tingkat penggunaan dan kapasitas storage Dengan konfigurasi seperti pada gambar di atas dan ketika proses dijalankan maka pada langkah pertama adalah melakukan seleksi query query mana yang terseleksi dan tidak. Dengan menggunakan asumsi nilai threshold (Φ) = 11, maka dari input yang ada berikut adalah hasil dari proses seleksi query : Tabel 4.4. Hasil Proses Seleksi Query ID Frekuensi Ukuran (byte) Bobot Q Q Q Q Q Q Q Q

9 117 Selanjutnya dari query yang terseleksi (bobot < 11), masing masing akan diekstrak atribut yang terdapat pada conditional clause (CC). Pada masing masing CC akan dicari attribut yang benar benar unik atau disebut Distinc CC. Di bawah ini adalah tabel representasi CC pada query query yang telah terseleksi. Tabel 4.5. Representasi CC ID CC CC Text DCC CC1 sdtf.ch_category_id = wccd.ch_category_id DCC7 Q1 CC2 sdtf.financial_date_key= wftd.financial_date_key DCC5 CC3 wftd.financial_date_key = DCC4 CC1 sdtf.ch_category_id = wccd.ch_category_id DCC7 Q3 CC2 sdtf.financial_date_key = wftd.financial_date_key DCC5 CC3 wftd.financial_date_key = DCC4 CC4 Wccd.CH_CATEGORY_NAME LIKE 'Facebook%' DCC1 CC1 sdtf.ch_category_id = wccd.ch_category_id DCC7 CC2 sdtf.financial_date_key = wftd.financial_date_key DCC5 Q4 CC3 wftd.financial_date_key = DCC4 CC4 sdtf.branch = 'Surabaya' DCC2 CC5 Wccd. CH_CATEGORY_NAME LIKE 'Facebook%' DCC1 CC1 sdtf.traffic_type_id = wttd.traffic_type_id DCC3 Q5 CC2 sdtf.financial_date_key = wftd.financial_date_key DCC5 CC3 wftd.financial_date_key = DCC4 CC1 sdtf.traffic_type_id = wttd.traffic_type_id DCC3 Q7 CC2 sdtf.financial_date_key = wftd.financial_date_key DCC5 CC3 wftd.financial_date_key = DCC4 CC4 wttd.tele_service_name = 'GPRS' DCC6 Langkah selanjutnya untuk mendapatkan kandidat MV adalah dengan cara menghitung bobot masing masing DCC. Jika nilai bobot tidak melebihi nilai threshold, dalam hal ini diasumsikan threshold < 4.48, maka berikut ini hasil dari proses seleksi DCC. Tabel 4.6. Hasil Seleksi DCC ID Frekuensi Ukuran (byte) Bobot DCC DCC DCC DCC

10 118 DCC DCC DCC Setelah semua DCC terpilih maka selanjutnya atribut atribut tersebut disusun kembali menjadi query semula. Hasil inilah nantinya yang akan digunakan untuk implementasi MV pada sistem. Dari hasil DCC yang terpilih, berikut ini adalah MV yang akan diimplementasi Performansi Sistem dengan MV Setelah MV hasil dari proses seleksi telah diimplementasi di dalam sistem, maka langkah selanjutnya adalah melakukan pengujian performansi sistem setelah implementasi MV. Skenario dan parameter indikator yang digunakan adalah sama dengan pengujian pada sistem tanpa MV. Berikut ini adalah hasil dari waktu respon dan biaya query : Tabel 4.7. Hasil Pengujian dengan MV ID Ukuran Waktu Respon (s) Query Cost (block) Q1 Q2 Q3 1.25G G G G G G

11 119 Q4 Q5 Q6 Q7 Q8 1.25G G G G G G G G G G Berdasarkan hasil pengujian diatas terlihat bahwa kenaikan waktu respon query dan biaya query processing adalah tidak linier meskipun hasil query plan yang didapatkan adalah full table scan. Sebagai contoh rasio perbandingan ukuran antara sampel data pertama dan kedua adalah 8.9, namun rasio perbandingan waktu respon query secara umum antara sampel data pertama dan kedua berada pada kisaran 0.8 hingga 1.4 kali. Begitu juga dengan rasio perbandingan biaya query processing ada pada kisaran 1 3 kali. Rasio hasil pada Q3 dan Q4 juga tidak selalu linier meskipun kedua query tersebut query plan yang digunakan adalah menggunakan index dan tidak full table scan. Bahkan biaya query processing pada data 11.05G lebih kecil daripada data 1.25G. Jadi kesimpulan yang bisa didapatkan adalah pada MV tidak terdapat efek penurunan performansi yang cukup signifikan antara jumlah data yang lebih besar dan penggunaan index atau tidak. Tabel 4.9. Rasio Perbandingan 2 Ukuran Sampel ID Waktu Respon Query Cost Q Q Q Q Q Q Q Q

12 Analysis Biaya Dalam melakukan investasi pengembangan sebuah sistem, biaya merupakan faktor penting yang harus diperhatikan. Begitu juga ketika perusahaan akan melakukan implementasi aplikasi pemilihan MV. Perhitungan biaya investasi yang harus dikeluarkan untuk biaya hardware, software dan biaya lain seperti biaya pengembangan, biaya operasional dll. Berikut ini adalah biaya biaya yang diperlukan untuk pengembangan, implementasi dan operasional. 1. Biaya Pengembangan Dalam perhitungan biaya akan digunakan model COCOMO II dengan sub model level prototype. Karena dalam pengembangan hanya dihasilkan output berupa prototype yang sudah bisa diujikan dan hanya dibutuhkan tim yang kecil dan tentunya masing masing anggota memiliki kompenten yang sangat baik tentang database dan programming. Berikut ini adalah koefisien daripada prototype yang akan dibangun. Terdapat 1 tampilan GUI dengan tingkat kerumitan simpel Report yang digunakan hanya 2 yaitu 1 report hasil seleksi MV dan 1 report untuk hasil maintenance MV. Tingkat kerumitan dari masing masing report adalah simpel. Modul yang digunakan ada 6 modul yaitu modul input query set, query selection, MV selection, QP and MV cost calculation, final recommendation and MV maintenance. Asumsi tingkat produktivitas dari developer menggunakan nilai nominal yaitu 13.

13 121 Sehingga dengan input koefisien diatas maka akan didapatkan jumlah object-points dari prototype dibawah ini : 1 GUI simpel x 1 = 1 2 Report simple x 1 = 2 6 modul x 10 = 60 Total 63 Hasil perhitungan estimasi usaha yang diperlukan adalah sebagai berikut : PM = NOP / PROD = 63 / 13 = 5 PM Dengan asumsi gaji seorang programmer adalah (Kelly, 2011), maka total estimasi biaya pengembangan yang diperlukan adalah 7 jt x 5 bulan = 35 jt. 2. Biaya Operasional Biaya operasional adalah biaya yang dihitung setelah aplikasi tersebut sudah dipakai termasuk biaya untuk melakukan monitor aplikasi. Diasumsikan untuk melakukan aktivitas operasional dan maintenance adalah personel yang sama dengan tim OAM aplikasi DWS, maka biaya ini bisa dihilangkan. 3. Biaya Hardware Karena implementasi MV membutuhkan disk untuk meyimpan data hasil aggregasi, maka perlu diperhitungkan biaya yang harus dikeluarkan untuk setiap byte yang digunakan. Diasumsikan besarnya

14 122 kapasitas yang dibutuhkan untuk menyimpan data MV adalah sebesar kapasitas yang dibutuhkan oleh tabel tabel fact maka total kapasitas MV adalah : 12 tabel fact x 24Gb = 288 Gb. Dengan asumsi bahwa pada sistem DWH kebutuhan hardware media penyimpanan masih mencukupi, maka biaya ini bisa dihilangkan Analisis Manfaat Sebuah perbaikan yang dilakukan pasti akan menghasilkan manfaat terhadap perusahaan baik yang dapat diukur secara langsung ataupun tidak. Sehingga perlu dilakukan analisis manfaat terhadap implementasi MV dengan apa yang telah dihasilkan dalam pengujian. Analisis manfaat ini akan digunakan untuk melakukan analisa terhadap sistem yang belum mengimplementasikan MV dan sistem yang telah mengimplementasikan MV, di mana metode akan yang digunakan adalah metode gap analysis. Terdapat dua buah parameter indikator yang akan digunakan dalam melakukan perbandingan yaitu : 1. Biaya Query Processing Berdasarkan hasil pengujian pada sistem sebelum dan sesudah diimplementasi MV, tabel berikut akan menggambarkan perbandingan hasil keduanya. Tabel 4.7. Perbandingan Biaya Query Processing ID Ukuran Tanpa MV Dengan MV Q1 Q2 Q3 1.25G G G G G G

15 123 Q4 Q5 Q6 Q7 Q8 1.25G G G G G G G G G G Dapat dianalisis dari tabel diatas bahwa dengan menggunakan MV maka biaya query processing dapat diturunkan hingga skala faktor ribuan. Selain itu pada sistem dengan menggunakan MV, biaya query processing relatif sama artinya tidak terlalu terpengaruh oleh besaran data yang dibaca. Sedangkan pada sistem tanpa MV terlihat bahwa kenaikan linier terjadi. Dari hasil analisis tersebut dapat disimpulkan bahwa implementasi MV memberikan manfaat : a. Menghasilkan biaya query processing yang lebih rendah hingga ribuan kali lipat b. Biaya query processing tidak terpengaruh oleh besaran data, sehingga sangat cocok dengan sistem DWH yang memiliki data sangat besar c. Memberikan efisiensi penggunaan processor ketika melakukan proses komputasi data seperti query, aggregation dll d. Dapat menggunakan utilisasi processor untuk proses aplikasi yang lain dalam 1 sistem. Berikut ditampilkan grafik perbandingan biaya query processing antara sebelum dan sesudah implementasi MV. Terlihat bahwa

16 124 terjadi gap yang sangat besar dalam artian efek implementasi MV memberikan peningkatan performansi yang sangat signifikan. Biaya Query Processing G Biaya (blok) Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Query ID Tanpa MV Dengan MV Biaya Query Processing G Biaya (blok) Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Query ID Tanpa MV Dengan MV Grafik 4.1. Perbandingan Biaya Query Processing 2. Waktu Respon Query Berdasarkan hasil pengujian pada sistem sebelum dan sesudah diimplementasi MV, tabel berikut akan menggambarkan perbandingan

17 125 hasil keduanya dalam hal waktu respon query dalam satuan detik (second). Tabel 4.8. Perbandingan Waktu Respon Query ID Ukuran Tanpa MV Dengan MV Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 1.25G G G G G G G G G G G G G G G G Dapat dianalisis dari tabel diatas bahwa dengan menggunakan MV maka waktu respon query meningkat sangat signifikan hingga rata rata dengan skala faktor 150 keatas. Selain itu pada sistem dengan menggunakan MV, waktu respon query relatif sama artinya tidak terlalu terpengaruh oleh besaran data yang dibaca. Sedangkan pada sistem tanpa MV terlihat bahwa kenaikan linier terjadi. Dari hasil analisis tersebut dapat disimpulkan bahwa implementasi MV memberikan manfaat : a. Meningkatkan waktu respon query sebesar kali lipat.

18 126 b. Waktu respon query relatif sama untuk ukuran data yang lebih besar, hanya memberikan kenaikan sebesar kali untuk data 1.25G dengan 11.05G. c. Hasil report dapat disediakan lebih cepat dari sebelumnya. d. Membantu meningkatkan efisiensi operasional karyawan dalam perusahaan, sehingga waktu kerja dapat digunakan untuk aktivitas operasional yang lain. Berikut ditampilkan grafik perbandingan waktu respon query antara sebelum dan sesudah implementasi MV. Terlihat bahwa terjadi gap yang sangat besar dalam artian efek implementasi MV memberikan peningkatan performansi yang sangat signifikan. Dapat dilihat bahwa rata rata kecepatan waktu respon query dari sampel data di bawah 1 detik. Hal ini akan memberikan pengalaman baru kepada user ketika sedang melakukan proses retrieval data. Waktu Respon Query G 100 Waktu (detik) Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Query ID Tanpa MV Dengan MV

19 127 Waktu Respon Query G Waktu (detik) Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Query ID Tanpa MV Dengan MV Grafik 4.2. Perbandingan Waktu Respon Query 4.7. Analysis Biaya dan Manfaat Berdasarkan hasil analisis biaya dan manfaat di atas, maka dapat digambarkan metrik perbandingan antara sistem sebelum dan sesudah menggunakan MV dalam dua bagian yaitu analisis perbandingan biaya dan analisis perbandingan manfaat Analisis Perbandingan Biaya Berikut adalah tabel metrik perbandingan biaya antara aplikasi DWS tanpa dan dengan menggunakan MV. Tabel 4.9. Metrik Biaya No Indikator Tanpa MV Dengan MV 1 Biaya Pengembangan (rupiah) Biaya Operasional tambahan per tahun (rupiah) Biaya Hardware tambahan (rupiah) 0 0

20 128 Terlihat bahwa dalam implementasi MV hanya dibutuhkan biaya pengembangan prototype senilai 35 juta rupiah. Sedangkan untuk tambahan biaya operasional tidak perlu biaya karena dapat menggunakan resource yang ada yaitu staf operation and maintenance dan para DBA perusahaan. Karena implementasi MV bisa menggunakan sisa kapasitas storage yang masih ada maka tidak diperlukan biaya tambahan untuk meningkatkan kapasitas storage Analisis Perbandingan Manfaat Berikut adalah tabel metrik perbandingan manfaat antara aplikasi DWS tanpa dan dengan menggunakan MV. Tabel Metrik Manfaat No Indikator Tanpa MV Dengan MV 1 Biaya per Query Processing (blok) Waktu Respon per Query (detik) Terlihat bahwa secara tangible, manfaat yang diperoleh jauh lebih besar karena memberikan biaya query processing per query yang jauh lebih rendah dan juga meningkatkan waktu respon per query. Impak dari manfaat tangible tersebut akan memberikan banyak mafaat intangble yaitu : 1. Memberikan efisiensi penggunaan processor ketika melakukan proses komputasi data seperti query, aggregation dll, sehingga utilitasi sistem bisa digunakan untuk proses proses lain. 2. Dengan waktu respon query yang lebih cepat maka secara langsung akan memberikan manfaat yaitu report akan dihasilkan lebih cepat dan lebih tepat waktu. Sehingga akan membantu tim assurance untuk menganalisis dan memberikan rekomendasi berdasarkan hasil report lebih cepat.

21 Jika waktu respon query lebih cepat maka akan meningkatkan efisiensi jam kerja pegawai, sehingga waktu yang ada bisa diutilisasi untuk pekerjaan yang lain. 4. Operational efficient akan terwujud dengan sistem yang bekerja lebih optimal dan jam kerja yang lebih efisien.