BAB 2 LANDASAN TEORI. Dibanding database tradisional, DW umumnya terdiri dari data yang berukuran

Transkripsi

1 8 BAB 2 LANDASAN TEORI 2.1 Konsep Data Warehouse Dibanding database tradisional, DW umumnya terdiri dari data yang berukuran sangat besar dari banyak sumber dan mungkin terdiri dari database dari model data yang berbeda dan kadang file dari sistem dan platform yang independen Tidak seperti database transaksional, DW biasanya mendukung analisa tren dan time-series, di mana keduanya membutuhkan data historik DW itu nonvolatile. Artinya informasi dalam DW jarang diubah dan bisa dianggap non-real-time DW bisa digambarkan sebagai kumpulan teknologi pendukung keputusan, dimaksudkan untuk memungkinkan pekerja yang berhubungan dengan informasi (eksekutif, manajer dan analis) untuk membuat keputusan lebih baik dan lebih cepat Pengertian Data Warehouse Pengertian Data Warehouse dapat bermacam-macam namun mempunyai inti yang sama, seperti pendapat beberapa ahli berikut ini : Menurut M. Klimavicius (2008, p85), sistem data warehouse mempresentasikan sebuah sumber informasi untuk menganalisa pengembangan dan hasil dari sebuah perusahaan atau organisasi didalam lingkungan yang selalu berubah. Data didalam data warehouse menggambarkan peristiwa dan status dari proses bisnis, produk dan jasa, tujuan dan unit-unit organisasi. 8

2 9 Menurut Inmon (2005, p29), sebuah data warehouse adalah sebuah kumpulan data yang integrated, subject-oriented, nonvolatile, time variant yang mendukung managemen mengambil keputusan. Data warehouse merupakan metode dalam perancangan database, yang menunjang DSS(Decission Support System) dan EIS (Executive Information System). Secara fisik data warehouse adalah database, tapi perancangan data warehouse dan database sangat berbeda. Dalam perancangan database tradisional menggunakan normalisasi, sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik. Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse adalah database yang saling bereaksi yang dapat digunakan untuk query dan analisisis, bersifat orientasi subjek, terintegrasi, time-variant,tidak berubah yang digunakan untuk membantu para pengambil keputusan Data dan Informasi Sebelum kita membahas tentang data warehouse, hal yang harus dipahami terlebih dahulu yaitu pengertian tentang data,informasi A. Data Menurut Steven Alter, data merupakan fakta,gambar atau suara yang mungkin atau tidak berhubungan atau berguna bagi tugas tertentu. Menurut McLeod, data terdiri dari fakta-fakta dan angka yang secara relatif tidak berarti bagi pemakai.

3 10 B. Informasi Sedangkan informasi menurut McLeod(2001, p21), adalah data yang sudah diproses atau data yang memiliki arti. Menurut O Brein (2005, p38), informasi adalah data yang telah diubah menjadi konteks yang berarti dan berguna bagi para pemakai. Disini kita dapat melihat bahwa data merupakan suatu bentuk keteranganketerangan yang belum diolah atau dimanipulasi sehingga belum begitu berarti bagi sebagian pemakai. Sedangkan informasi merupakan data yang sudah di olah sehingga memiliki arti Pengertian Database Menurut James A. O Brien (2005, p211), database adalah suatu koleksi terintegrasi dimana secara logika berhubungan dengan record dari file. Menurut Fatansyah, database adalah kumpulan data yang saling berhubungan yang disimpan secara bersama sedemikian rupa dan tanpa pengulangan (redudansi) yang tidak perlu, untuk memenuhi berbagai kebutuhan. Untuk itu, database adalah tempat penyimpanan data yang saling berhubungan secara logika, sehingga bisa digunakan untuk mendapatkan suatu informasi yang diperlukan oleh suatu organisasi atau perusahaan. Sedangkan data yang diperoleh suatu organisasi atau perusahaan umumnya didapat dari kegiatan operasional sehari-hari atau hasil dari transaksi.dari perkembangan model database, munculah apa yang disebut dengan data warehouse.

4 Pengertian OLTP (On-line Transaction Processing) Menurut Conolly (2005, p1149), OLTP system adalah sistem yang dirancang untuk menangani high transaction, dengan transaksi yang secara khusus membuat perubahan kecil terhadap data operasional organisasi, yaitu data yang diperlukan organisasi untuk menangani operasi dari hari ke hari Data Mart Adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. Menurut Conolly and Begg (2005, p1171), data mart merupakan subset dari data warehouse yang mendukung kebutuhan informasi dari suatu departemen atau fungsi bisnis tertentu. Data mart merupakan suatu bagian dari data warehouse yang dapat mendukung pembuatan laporan dan analisis data pada suatu unit, bagian atau operasi perusahaan. Perbedaan antara data mart dan data warehouse adalah : 1. Data mart hanya berfokus pada kebutuhan user yang berkaitan dengan suatu departemen atau fungsi bisnis. 2. Data mart tidak mengandung data operasional secara detil, berbeda dengan data warehouse. 3. Data yang terdapat didalam data mart lebih sedikit dari data yang ada di dalam data warehouse.

5 Perbandingan Data Warehouse dan OLTP Data Warehouse Lebih cendrung menangani data masa lalu Data disimpan dalam satu macam platform Melayani permintaan insidentil, tak berstruktur, dan bersifat heuristik Mendukung pengambilan keputusan strategis Data diorganisasi menurut subjek, misalnya menurut produk, supplier Ber-orientasi pada analisis Dapat mendukung kelompok OLTP Menangani data masa kini Data bisa saja tersimpan dalam berbagai platform Melayani permintaan yang periodik atau berulang Mendukung pengambilan keputusan operasional (seharihari) Data diorganisasi menurut fungsi, misalnya menurut penjualan atau menurut produksi Ber-orientasi pada transaksi Mendukung kelompok kerja operasional, berjumlah banyak manajerial yang berjumlah sedikit TABEL 2.1 : Perbandingan antara Data Warehouse dan OLTP berdasarkan sumber :

6 Karakteristik Data Warehouse A. Subject-Oriented Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan disekitar subjek-subjek utama dari perusahaan (customers, products dan sales) dan tidak diorganisasikan pada area-area aplikasi utama (customer invoicing,stock control dan product sales). Hal ini dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data. Jadi dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan terhadap proses. Secara garis besar perbandingan antara data operasional dan data warehouse yaitu : TABEL 2.2 : Perbandingan antara Data Operasional dan Data Warehouse Data Operasional Dirancang berorientasi hanya pada aplikasi dan fungsi tertentu Focusnya pada desain database dan proses Berisi rincian atau detail data Data Warehouse Dirancang berdasar pada subjek-subjek tertentu(utama) Focusnya pada pemodelan data dan desain data Berisi data-data history yang akan dipakai dalam proses analisis

7 14 Relasi antar table berdasar aturan terkini(selalu mengikuti rule(aturan) Banyak aturan bisnis dapat tersaji antara tabel-tabel terbaru) B. Integrated Data Warehouse dapat menyimpan data-data yang berasal dari sumbersumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri. Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data. Contoh pada lingkungan operasional terdapat berbagai macam aplikasi yang mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin dalam aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang sama tetapi nama dan format nya berbeda. Variable tersebut harus dikonversi menjadi nama yang sama dan format yang disepakati bersama. Dengan demikian tidak ada lagi kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data tersebut bisa dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.

8 15 Gambar 2.1 Integrated dari Data Warehouse (sumber : Inmon, 2005, p31) C. Time-Variant Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat menggunakan cara antara lain : Cara yang paling sederhana adalah menyajikan data warehouse pada rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan. Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan dalam data warehouse baik implicit maupun explicit secara explicit dengan unsur waktu dalam hari, minggu, bulan dsb. Secara implicit misalnya pada saat data tersebut diduplikasi pada setiap akhir

9 16 bulan, atau per tiga bulan. Unsur waktu akan tetap ada secara implisit didalam data tersebut. Cara yang ketiga,variasi waktu yang disajikan data warehouse melalui serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat read-only. Operasional Data Warehouse Current value data: time horizon :60-90 days key may or may not have an element of time data can be update Snapshot data: time horizon :5-10 years key contain an element of time once snapshot is created, record cannot be update Gambar 2.2 Time Variancy (Inmon, 2005, p32)

10 17 D. Nonvolatile Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya. Berbeda dengan database operasional yang dapat melakukan update,insert dan delete terhadap data yang mengubah isi dari database sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data) dan akses data (mengakses data warehouse seperti melakukan query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan updating data). Gambar 2.3 Nonvolatile (Inmon, 2005, p32)

11 Struktur Data Warehouse A. Current Detail Data Current detail data merupakan data detil yang aktif saat ini,mencerminkan keadaan yang sedang berjalan dan merupakan level terendah dalam data warehouse. Didalam area ini warehouse menyimpan seluruh detail data yang terdapat pada skema basis data. Jumlah data sangat besar sehingga memerlukan storage yang besar pula dan dapat diakses secara cepat. Dampak negatif yang ditimbulkan adalah kerumitan untuk mengatur data menjadi meningkat dan biaya yang diperlukan menjadi mahal. Berikut ini beberapa alasan mengapa current detail data menjadi perhatian utama : 1. Menggambarkan kejadian yang baru terjadi dan selalu menjadi perhatian utama 2. Sangat banyak jumlahnya dan disimpan pada tingkat penyimpanan terendah. 3. Hampir selalu disimpan dalam storage karena cepat di akses tetapi mahal dan kompleks dalam pengaturannya. 4. Bisa digunakan dalam membuat rekapitulasi sehingga current detail data harus akurat.

12 19 B. Older Detail Data Data ini merupakan data historis dari current detail data, dapat berupa hasil cadangan atau archive data yang disimpan dalam storage terpisah. Karena bersifat back-up (cadangan), maka biasanya data disimpan dalam storage alternatif seperti tape-desk. Data ini biasanya memilki tingkat frekuensi akses yang rendah. Penyusunan file atau directory dari data ini di susun berdasarkan umur dari data yang bertujuan mempermudah untuk pencarian atau pengaksesan kembali. C. Lightly Summarized Data Data ini merupakan ringkasan atau rangkuman dari current detail data. Data ini dirangkum berdasar periode atau dimensi lainnya sesuai dengan kebutuhan. Ringkasan dari current detail data belum bersifat total summary.data-data ini memiliki detil tingkatan yang lebih tinggi dan mendukung kebutuhan warehouse pada tingkat departemen. Tingkatan data ini di sebut juga dengan data mart. Akses terhadap data jenis ini banyak digunakan untuk view suatu kondisi yang sedang atau sudah berjalan. D. Highly Summarized Data Data ini merupakan tingkat lanjutan dari Lightly summarized data, merupakan hasil ringkasan yang bersifat totalitas, dapat di akses misal untuk melakukan analisis perbandingan data berdasarkan urutan waktu tertentu dan analisis menggunakan data multidimensi.

13 20 E. Metadata Metadata bukan merupakan data hasil kegiatan seperti keempat jenis data diatas. Menurut Poe, metadata adalah data tentang data dan menyediakan informasi tentang struktur data dan hubungan antara struktur data di dalam atau antara storage(tempat penyimpanan data). Metadata berisikan data yang menyimpan proses perpindahan data meliputi database structure, contents, detail data dan summary data, matrics, versioning, aging criteria,versioning, transformation criteria. Metadata khusus dan memegang peranan yang sangat penting dalam data warehouse. Metadata sendiri mengandung : Struktur data Sebuah direktori yang membantu user untuk melakukan analisis Decission Support System dalam pencarian letak/lokasi dalam data warehouse. Algoritma Algoritma digunakan untuk summary data. Metadata sendiri merupakan panduan untuk algoritma dalam melakukan pemrosesan summary data antara current detail data dengan lightly summarized data dan antara lightly summarized data dengan hightly summaried data. Mapping Sebagai panduan pemetaan(mapping) data pada saat data di transform/diubah dari lingkup operasional menjadi lingkup data warehouse.

14 Anatomi Data Warehouse a) Data Warehouse Fungsional Kata operasional disini merupakan database yang diperoleh dari kegiatan sehari-hari. Data warehouse dibuat lebih dari satu dan dikelompokkan berdasar fungsi-fungsi yang ada di dalam perusahaan seperti fungsi keuangan (financial), marketing, personalia dan lain-lain. Keuntungan dari bentuk data warehouse seperti ini adalah, sistem mudah dibangun dengan biaya relatif murah sedangkan kerugiannya adalah resiko kehilangan konsistensi data dan terbatasnya kemampuan dalam pengumpulan data bagi pengguna. Gambar 2.4 Bentuk Data Warehouse Fungsional (sumber : b) Data Warehouse Terpusat Bentuk ini terlihat seperti bentuk data warehouse fungsional, namun terlebih dahulu sumber data dikumpulkan dalam satu tempat terpusat, kemudian data disebar ke dalam fungsinya masing-masing, sesuai kebutuhan persuhaan. Data warehouse terpusat ini, biasa digunakan oleh perusahaan yang belum memiliki jaringan eksternal.

15 22 Keuntungan dari bentuk ini adalah data benar-benar terpadu karena konsistensinya yang tinggi sedang kerugiannya adalah biaya yang mahal serta memerlukan waktu yang cukup lama untuk membangunnya. Gambar 2.5 Bentuk Data Warehouse Terpusat (sumber : c) Data Warehouse Terdistribusi Pada data warehouse terdistribusi ini, digunakan gateway yang berfungsi sebagai jembatan penghubung antara data warehouse dengan workstation yang menggunakan sistem beraneka ragam. Dengan sistem terdistribusi seperti ini memungkinkan perusahaan dapat mengakses sumber data yang berada diluar lokasi perusahaan(eksternal). Keuntungannya adalah data tetap konsisten karena sebelum data digunakan data terlebih dahulu di sesuaikan atau mengalami proses sinkronisasi. Sedangkan

16 23 kerugiannya adalah lebih kompleks untuk diterapkan karena sistem operasi dikelola secara terpisah juga biaya nya yang paling mahal dibandingkan dengan dua bentuk data warehouse lainnya. Gambar 2.6 Bentuk Data Warehouse Terdistribusi (sumber : Perencanaan dan Perancangan Data Warehouse Dalam perencanaan Data Warehouse factor-faktor dibawah ini harus diperhatikan. 1. Tujuan pembangunan Data Warehouse harus memenuhi kriteria dibawah ini : Meningkatkan kemampuan akses informasi. Meningkatkan kualitas keputusan yang diambil. Memberikan integrasi dan interfungsi dalam organisasi perusahaan. Meningkatkan apresiasi pemakai dalam menangkap data. 2. Terkait dengan perencanaan strategi organisasi dalam menjalankan aktifitasnya.

17 24 3. Merujuk pada kebutuhan masa depan dan pada kemungkinan pemakai baru dalam organisasi. 4. Kriteria fasilitas yang dapat diberikan oleh Data Warehouse : Akuisi data yang dapat mendukung integrasi data Navigasi yang memudahkan pemakai untuk mencari data Akses informasi yang mudah dan cepat Tahap-tahap pembangunan Data Warehouse adalah sebagai berikut : o Tahap I o Tahap II o Tahap III o Tahap IV : Analisis Informasi Strategis : Rancangan Rencana : Konstruksi atau Pengimplementasian : Dukungan Operasional Peralatan dalam Perancangan Data Warehouse Peralatan yang digunakan dalam perancangan data warehouse ini adalah : SQL Server untuk membuat databasenya Visual studio untuk merancang star skema dan lain-lain. VB 2008 untuk menampilkan aplikasinya.

18 Arsitektur Data Warehouse berikut : Arsitektur data warehouse menurut Conolly dan Begg (2005, p1162) sebagai Gambar 2.7 Arsitektur Data Warehouse (Conolly, 2005, p1162) Menurut Connolly (2005,p11556), arsitektur data warehouse terdiri atas: a. Operational Data Sumber data untuk data warehouse disediakan dari : Mainframe data operasional disimpan dalam generasi pertama database hirarkis dan database jaringan. itu diperkirakan bahwa mayoritas dari data operasioanal perusahaan adalah berada dalam sistem ini. Data-data antar bagian departemen yang tersimpan dalam beraneka ragam sistem penyimpanan file seperti VSAM, RMS, dan relational DBMS seperti Informix dan Oracle. Data internal yang tersimpan di workstation dan private server.

19 26 Sistem eksternal seperti internet, database komersial, atau database yang berhubungan dengan pelanggan atau supplier dari organisasi. b. Operational Data Store Suatu operational data store (ODS) adalah suatu media penyimpanan atas data operational yang terbaru dan terintegrasi yang digunakan untuk analisis. ODS menstrukturkan dan menyediakan data dengan cara yang sama seperti data warehouse, tetapi sesungguhnya bertindak secara sederhana sebagai tempat penampungan sementara sebelum data dipindahkan ke warehouse. ODS diciptakan ketika sistem operasional ditemukan tidak mampu untuk mencapai keberhasilan sistem pelaporan. ODS menyediakan manfaat yang berguna dari suatu relational database dalam mengambil keputusan yang mendukung fungsi data warehouse c. Load Manager Load manager melakukan semua operasi yang berhubungan dengan extract dan load data ke dalam data warehouse. Data di-extract secara langsung dari sumber dari sumber data atau umumnya dari penyimpanan data operasional. Operasi yang dilakukan oleh load manager dapat meliputi transformasi data yang sederhana untuk mempersiapkan data tersebut agar dapat dimasukan ke dalam warehouse.

20 27 d. Warehouse Manager Warehouse manager melaksanakan semua operasi yang berhubungan dengan pengelolaan atas data dalam warehouse. Operasi-operasi yang dilaksanakan oleh warehouse manager meliputi : Analisa atas data untuk memastikan konsistensinya. Transformasi dan penggabungan sumber data dari tempat penyimpanan sementara ke dalam tabel-tabel data warehouse. Pembuatan index dan view pada tabel-tabel dasar. Menghasilkan denormalisasi (jika diperlukan). Menghasilkan agregasi (jika diperlukan). Backup dan archieve data. e. Query Manager Query manager melakukan semua operasi yang berkaitan dengan pengelolaan dari query user. Komponen ini secara khusus dibangun menggunakan tool akses data end-user, tool pengontrol data warehouse, fasilitas database, dan custom built program. Kompleksitas query manager ditentukan oleh fasilitas yang disediakan oleh tool akses end-user dan database. Operasi yang dilakukan komponen ini meliputi pengarahan query pada tabel yang sesuai dan penjadwalan pelaksanaan query. Dalam beberapa kasus, terkadang query manager juga menghasilkan profil query yang mengijinkan warehouse manager menentukan kesesuaian index dan agregasi.

21 28 f. Detailed Data Area ini menyimpan semua data detil di dalam skema databse, yang bertujuan untuk melengkapkan kumpulan data untuk data warehouse. Dalam banyak kasus, data yang terperinci tidaklah disimpan secara online tetapi dapat disediakan melalui agregasi data pada tingkatan detil berikutnya. g. Lightly dan Highly Summarized Data Area ini menyimpan semua lightly dan highly summarized (aggregated) data yang dihasilkan oleh warehouse manager. Area ini adalah tempat penampungan sementara sebelum dilakukan perubahan secara berkelanjutan untuk merespon perubahan profil query. Tujuan ringkasan informasi ini adalah untuk mempercepat penyampaian query. Meskipun biaya operasi akan meningkat sehubungan dengan proses peringkasan data tersebut, ini akan diseimbangkan dengan menghapus keperluan untuk secara terus menerus melakukan operasi ringkasan dalam menjawab query user. Ringkasan data di-update secara terus menerus ketika ada data baru terisi ke dalam warehouse. h. Archieve / Backup Data Area ini menyimpan semua detil dan ringkasan data untuk kepentingan archiving dan backup. Walaupun ringkasan data dihasilkan dari detil data, itu akan mungkin untuk membutuh kan backup ringkasan data secara online jika data ini disimpan melebihi periode penyimpanan untuk data yang terinci. Data ditransfer ke arsip penyimpanan seperti magnetic tape atau optical disk.

22 29 i. Meta-data Area ini menyimpan semua definisi metadata yang digunakan oleh semua proses di dalam warehouse. Metadata digunakan untuk berbagai tujuan termasuk : o Proses extract dan load atas metadata digunakan untuk memetakan sumber data ke dalam pandangan umum data dalam warehouse. o Sebagai proses pengelolaan warehouse, metadata digunakan untuk mengotomatisasi pembuatan atas tabel ringkasan. o Sebagai bagian proses pengelolaan query, metadata digunakan untuk mengarahkan suatu query dengan sumber data yang tepat. j. End-User Access Tools Tujuan yang utama dari data warehouse adalah menyediakan informasi kepada user untuk mendukung pengambilan keputusan. Para user ini berinteraksi dengan warehouse menggunakan end-user access tools. Menurut para ahli end-user access tools dapat dikategorikan menjadi 5 kelompok utama: 1. Reporting dan query tools Reporting tools meliputi alat pelaporan (production reporting tools) dan penulis laporan (reporting writers). Production reporting tools digunakan untuk menghasilkan laporan operasional reguler, atau daya pemicu kerja yang tinggi. Seperti order customer, invoice, dan gaji karyawan.

23 30 Query tools untuk relational data warehouse, dirancang untuk menerima SQL dan syntax-nya, untuk query penyimpanan data, untuk data warehouse. Tools ini melindungi end user dari kompleksitas SQL dan struktur database. 2. Application Development Tools Kebutuhan dari end user, kemampuan membuat informasi yang built-in dan tools query yang tidak mencukupi, dikarenakan kebutuhan analisis tidak bisa dilakukan, atau karena interaksi user membutuhkan tingkat professional yang tinggi. 3. Executive Information System (EIS) Tools EIS lebih dikenal sebagai Everybody s information system yang semula dikembangkan untuk mendukung strategi kebutuhan tingkat tinggi. Tools EIS mulanya terasosiasi dengan mainframe, sehingga memungkinkan user membuat aplikasi pendukung pengambilan keputusan, dalam menyediakan overview data organisasi dan mengakses sumber data eksternal. 4. Online Analitical Proccessing (OLAP) Tools Online analytical processing tools berbasis pada konsep basis data multidimensi dan memperbolehkan user untuk menganalisis data menggunakan view yang kompleks dan multidimensional. Tools ini mengasumsikan bahwa data diatur dalam model multidimensi yang

24 31 didukung oleh special multidimensional database (MDDB) atau oleh basis data relasional yang dirancang untuk mendapatkan multidimensional queries Data Flow dalam Data Warehouse Menurut Conolly dan Begg (2005,p ), data warehouse fokus pada managemen lima arus data primer, yaitu : A. Inflow Proses yang berhubungan dengan pengekstrakan (extraction), pembersihan (cleansing), dan pemuatan (loading) data dari sumber data ke dalam data warehouse. B. Upflow Proses yang terhubung dengan menambahkan nilai ke data di dalam warehouse, melalui peringkasan, pemadatan, dan pendistribusian data. C. Downflow Proses yang berhubungan dengan penyimpanan dan backup data dalam data warehouse. D. Outflow Proses yang berhubungan dengan membuat data tersedia agar tersedia bagi end user. E. Metaflow Proses managemen metadata. Metaflow merupakan proses yang memindahkan metadata (data tentang flow yang lainnya).

25 Sketsa Data Warehouse A. Tabel Fakta Menururt Inmon (2005,p497), tabel fakta adalah tabel pusat dari skema bintang dimana data yang sering muncul akan ditempatkan disini. Disebut juga tabel utama atau major tabel, merupakan inti dari skema bintang dan berisi data aktual yang akan dianalisis. Tabel fakta adalah tabel yang pada umumnya mengandung angka dan data historis dimana key yang dihasilkan sangat unik karena key nya merupakan kumpulan foreign key dan primary key yang ada pada masing-masing tabel dimensi yang berhubungan atau merupakan tabel terpusat dari skema bintang. Tabel fakta menyimpan tipe-tipe measure yang berbeda, seperti measure, yang secara langsung terhubung dengan tabel dimensi dan measure yang tidak berhubungan dengan tabel dimensi. B. Tabel Dimensi Menurut Inmon (2005,p497), tabel dimensi adalah tempat dimana data-data yang tidak berhubungan yang berelasi dengan tabel fakta yang ditempatkan di dalam tabel multidimensional. Disebut juga tabel kecil atau minor tabel, biasanya lebih kecil dan memegang data deskriptif yang mencerminkan dimensi suatu bisnis. Tabel dimensi adalah tabel yang berisikan kategori dengan ringkasan data detil yang dapat dilaporkan sebagai dimensi waktu (berupa perbulan, perkuartal, pertahun).

26 33 C. Pemodelan dalam Dimensional Model dimensional merupakan rancangan logikal yang bertujuan untuk menampilkan data dalam bentuk standar dan intuitif yang memperbolehkan akses dengan performa yang tinggi. Model dimensional menggunakan konsep model hubungan antar entity (ER) dengan beberapa batasan yang penting. Setiap model dimensi terdiri dari sebuah tabel dengan sebuah komposit primary key, disebut dengan table fakta, dan satu set table yang lebih kecil disebut table dimensi. Setiap table dimensi memiliki sebuah simple primary key yang merespon tepat pada satu komponen primary key pada tabel fakta. Dengan kata lain primary key pada table fakta terdiri dari dua atau lebih foreign key. Struktur karakteristik ini disebut dengan skema bintang atau join bintang. Fitur terpenting dalam model dimensional ini adalah semua natural keys diganti dengan kunci pengganti(surrogate keys). Maksudnya yaitu setiap kali join antar table fakta dengan table dimensi selalu didasari kunci pengganti. Kegunaan dari kunci pengganti adalah memperbolehkan data pada data warehouse untuk memiliki beberapa kebebasan dalam penggunaan data, tidak seperti halnya yang diproduksi oleh sistem OLTP. Sebuah sistem OLTP memerlukan normalisasi untuk mengurangi redudansi, validasi untuk input data, mendukung volume yang besar dari transaksi yang bergerak sangat cepat. Model OLTP sering terlihat seperti jaring laba-laba yang terdiri atas ratusan bahkan ribuan tabel sehingga sulit untuk dimengerti. Sebaliknya, dimension model yang sering digunakan pada data warehouse adalah skema bintang atau snowflake yang mudah dimengerti dan sesuai dengan

27 34 kebutuhan bisnis, mendukung query sederhana dan menyediakan performa query yang superior dengan meminimalisasi tabel-tabel join. Berikut contoh perbandingan diagram antara model data OLTP dengan dimension table data warehouse : Gambar 2.8 Model Data OLTP (sumber : Gambar 2.9 Dimensional Model (sumber :

28 35 D. Skema Bintang Menurut Conolly dan Begg (2005, p1183), skema bintang adalah struktur logika yang mempunyai sebuah tabel fakta berisi data faktual yang ditempatkan ditengah, dikelilingi oleh tabel dimensi berisi data referensi (dapat di denormalisasi). Gambar 2.10 Skema Bintang ( Conolly dan Begg, 2005, p1184) a) Keuntungan Menggunakan Skema Bintang Skema bintang memiliki beberapa keuntungan yang tidak terdapat dalam struktur relational biasa. Keuntungan menggunakan skema bintang yaitu : 1. Respon data yang lebih cepat dihasilkan dari perancangan database. 2. Kemudahan dalam mengembangkan atau memodifikasi data yang terus berubah. 3. End user dapat menyesuaikan cara berpikir dan menggunakan data, konsep ini dikenal juga dengan istilah pararel dalam perancangan database.

29 36 4. Menyederhanakan pemahaman dan penelusuran metadata bagi pemakai dan pengembang. b) Perancangan Skema Bintang Skema bintang merupakan suatu struktur sederhana yang secara relatife terdiri dari beberapa tabel dan alur gabungan yang dirumuskan dengan baik. Perancangan database ini berlawanan dengan struktur organisasi yang digunakan untuk database proses transaksi. Database ini menyediaakn response time query, skema bintang yang dapat dibaca dan dipahami oleh analisis, end user, bahkan bagi mereka yang belum terbiasa dengan struktur database. c) Skema Bintang Sederhana Menurut Poe (2001, p ), masing-masing tabel memiliki kunci utama (primary key), skema bintang sederhana memiliki kunci untuk tabel fakta dan terdiri dari satu atau lebih foreign key. Foreign key adalah data pada tabel yang memiliki nilai-nilai seperti digambarkan oleh primary key di dalam tabel lain. Ketika database dibuat SQL statement digunakan untuk menciptakan tabel, memilih untuk membentuk primary key dan foreign key.

30 37 Gambar 2.11 Skema Bintang Sederhana (Poe, 2001, p195) d) Skema Bintang dengan Banyak Tabel Fakta Menurut Poe (2001, p ), skema bintang dapat berisi berbagai tabel fakta. Dalam beberapa hal, tabel fakta ada karena berisi fakta yang tidak berhubungan atau karena perbedaan waktu pemuatan data, disamping itu juga dapat digunakan untuk meningkatkan daya guna atau hasil terutama jika data dalam jumlah yang besar. Gambar berikut adalah skema bintang dengan banyak tabel fakta.

31 38 Gambar 2.12 Skema Bintang dengan Banyak Tabel Fakta (Poe, 2001, p196) Kegunaan lain dari tabel fakta adalah menggambarkan atau menyelaraskan hubungan many to many diantara dimensi tertentu, tabel jenis ini disebut juga tabel asosiasi. Gambar 2.13 Tabel Asosiasi (Poe, 2001, p197)

32 39 e) Skema Bintang Majemuk Menurut Poe (2001, p ), pada skema bintang majemuk, tabel fakta terdiri atas dua buah set yaitu foreign key menggunakan tabel dimensi sebagai referensi, dan kunci utama yang terdiri dari satu atau lebih menyediakan identifier yang unik untuk masing-masing baris. Salah satu ciri yang memiliki oleh skema bintang majemuk adalah primary key dan foreign key yang tidak sama. Gambar 2.14 Skema Bintang Majemuk (Poe, 2001, p200)

33 40 E. Skema Snowflake Menurut Conolly dan Begg (2005, p1185), skema snowflake adalah variasi lain dari skema bintang dimana tabel dimensi tidak berisi data yang dinormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya. Gambar 2.11 Skema Snowflake ( Conolly dan Begg, 2005, p1185) Keuntungan dan Kerugian Skema Snowflake 1. Kecepatan memindahkan data dari data OLTP ke dalam metadata. 2. Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi dimana dengan tipe yang seperti ini, seluruh struktur dapat digunakan sepenuhnya.

34 41 Kerugian dari skema snowflake adalah : 1. Skemanya kurang jelas dan end user terhambat oleh kompleksitas. 2. Sulit untuk mencari isi skema karena terlalu kompleks. 3. Performa query menurun karena adanya tambahan gabungan tabel. 4. Mempunyai masalah yang besar dalam hal kinerja, hal ini disebabkan semakin banyaknya join antar tabel-tabel yang dilakukan dalam skema snowflake. F. Keuntungan Pemodelan Dimensional Menurut Conolly dan Begg (2005, p1185), keuntungan menggunakan konsep pemodelan dimensional dalam lingkungan data warehouse adalah : Efisiensi Kekonsistenan dari struktur database yang menggunakan model dimensional memungkinkan akses data yang lebih efisien dengan menggunakan berbagai macam tools seperti membuat laporan dan query tools.

35 42 Kemampuan untuk menangani kebutuhan perubahan Star schema dapat beradaptasi dengan perubahan dalam kebutuhan user sehingga semua dimensi menjadi sama dalam hal menyediakan akses ke tabel fakta. Ekstensibilitas Model dimensional dirancang untuk dapat mengalami perluasan. Sebagai contoh, penambahan fakta terkait proses bisnis baru dengan tingkat granularitas yang telah ada sebelumnya, penambahan dimensi baru dapat dilakukan selama dimensi ini memiliki elemen yang menghubungkannya dengan fakta, dan menambah atribut dimensi. Kemampuan untuk membuat model dari situasi bisnis yang terjadi Perkembangan pada dunia bisnis pada saat ini selalu terjadi, salah satunya merupakan penyebab terjadinya slowly changing dimension, dan dimensional model memiliki kapasitas untuk menghadapi hal ini. Pemrosesan query yang dapat diprediksikan Aplikasi data warehouse yang melakukan drill down akan menambah atribut dimensi dari dalam sebuah star schema. Aplikasi ini akan berhubungan dengan tabel-tabel fakta yang terpisah secara bersamaan melalui shared dimension. Walaupun hal ini terkesan rumit, pemrosesan query sangat dapat diprediksi karena pada tingkat terendah, setiap tabel fakta dapat di query secara terpisah.

36 Metadata Menurut Inmon (2005, p102), metadata adalah sebuah komponen penting dari lingkungan data warehouse. Metadata telah menjadi bagian dari lingkungan pemrosesan informasi selama telah ada program dan data. Tetapi dalam dunia data warehouse, metadata mendapatkan tingkat kepentingan yang baru, untuk segala usaha yang paling efektif digunakan pada data warehouse. Metadata memungkinkan end user atau decision support system analyst untuk menavigasi melalui beberapa kemungkinan. Ketika user akan menggunakan data warehouse yang tidak memiliki metadata, maka user tidak tahu darimana akan memulai analisa. Dengan adanya metadata, maka user dapat dengan cepat mencari data yang penting atau menentukan data yang tidak ada dalam data warehouse. Metadata bertindak sebagai index untuk isi dari data warehouse. Metadata items menyimpan hal-hal sebagai berikut: Struktur data bagi programmer Struktur data bagi DSS Analyst Sumber data untuk data warehouse Transformasi data ke data warehouse Data model Relationship antara data model dan data warehouse Histori extracts

37 Granularity Menurut Inmon (2005, p41), granularity mengarah ke level of detail atau ringkasan data pada data warehouse. Semakin detil data semakin rendah tingkat granularity. Semakin ringkas data semakin tinggi tingkat granularity. Ringkasan dari semua transaksi pada suatu bulan akan menjadi tingkat yang tinggi atas granularity. Granularity dari data akan menjadi sebuah persoalan desain utama pada lingkungan data warehouse karena mempengaruhi volume data pada data warehouse dan jenis query yang dapat dijawab. Pada banyak kasus, data yang masuk ke data warehouse berada pada tingkat granularity yang terlalu tinggi artinya developer harus menghabiskan banyak sumber daya untuk memecah data. Kadang-kadang data masuk ke data warehouse pada tingkat granularity yang terlalu rendah Agregasi Menurut Inmon (2005, p114), terdapat banyak kasus dimana data dalam data warehouse tidak memenuhi kriteria stabilitas dan tidak sering berubah, kasus lainnya dimana jumlah data menjadi terlalu banyak, sering terjadi perubahan isi data, dan sebagainya. Dalam kasus-kasus seperti demikian, dapat dilakukan agregasi yang mengelompokkan beberapa data detil operasional yang berbeda ke dalam satu record tunggal. Record tunggal itu disebut sebagai profile record atau aggregate record. Sebuah profile record dibuat untuk mengelompokkan record detil yang sangat banyak jumlahnya. Sebagai contoh, sebuah perusahaan telepon pada akhir bulan mengumpulkan semua data-data aktivitas telepon para pelanggan dalam sebulan kedalam data record pelanggan dalam data warehouse.

38 45 Agregasi dari data operasional kedalam sebuah record tunggal dalam data warehouse dapat dilakukan dengan menggunakan beberapa cara, seperti: Nilai-nilai yang diambil dari data operasional dapat diringkas. Unit-unit data operasional dapat dihitung / dijumlahkan, dimana jumlah dari unit data tersebut disimpan. Unit-unit atas data dapat diproses untuk menentukan yang paling tinggi, paling rendah, rata-ratanya, dan lain-lain. Kejadian pertama dan terakhir dari data dapat ditangkap Tipe data tertentu, yang berada dalam batasan dari beberapa parameter, dapat diukur. Data yang efektif pada momen waktu tertentu dapat ditangkap Data yang paling muda dan yang paling tua dapat ditangkap Denormalisasi Denormalisasi ini bertentangan dengan aturan normalisasi. Normalisasi sendiri berarti melakukan pemecahan tabel menjadi beberapa tabel sesuai dengan aturan yang ada sehingga menghasilkan tabel yang lebih ringkas dan lebih stabil. Menurut Connolly dan Begg (2005, p520), denormalisasi mengarah pada suatu situasi dimana 2 relasi digabungkan menjadi suatu relasi baru, dan relasi baru tersebut masih ternormalisasi, namun mengandung null yang lebih sedikit dari relasi yang lama. Denormalisasi biasanya digunakan pada saat kinerja tidak memuaskan dan suatu relasi yang memiliki tingkat update rendah serta tingkat query tinggi. Dalam melakukan denormalisasi penyimpanan data dalam database akan melanggar ketentuan dalam normalisasi terutama Third Normal Form (3NF) yang

39 46 bertujuan untuk menghilangkan redudansi data. Namun, jika normalisasi menghabiskan waktu dalam memberikan suatu informasi dari tabel yang diinginkan, dan akan lebih hemat jika disimpan dalam sebuah tabel DTS (Data Transformation Service) Menurut Peterson (2001, p6), DTS dalam microsoft SQL 2008 adalah sebuah alat yang dapat digunakan untuk memindahkan data. DTS juga merupakan alat fleksibel yang dapat diukur untuk mendapatkan kendali tertinggi atas trnsformasi dari data. DTS merupakan sebuah alat untuk meng-copy, memindahkan, memperkuat, membersihkan, dan memvalidasi data. Transfer data memuat tiap kolom dari sumber data, memanipulasi nilai ke dalam kolom tersebut, dan memasukan kolom tersebut ke tujuan data Metodologi Perancangan Data Warehouse Berdasarkan kutipan dari Connolly dan Begg (2005, p ), metodologi yang dikemukakan oleh Kimball dalam membangun data warehouse ada 9 tahapan, yang dikenal dengan Nine-step Methodology. Sembilan tahap tersebut adalah : Langkah 1 : Pemilihan proses Data mart yang pertama kali dibangun haruslah data mart yang dapat dikirim tepat waktu dan dapat menjawab semua pertanyaan bisnis yang penting Pilihan terbaik untuk data mart yang pertama adalah yang berhubungan dengan sales, misal property sales, property leasing,property advertising.

40 47 Langkah 2 : Pemilihan sumber Untuk memutuskan secara pasti apa yang diwakili atau direpresentasikan oleh sebuah tabel fakta. Misal, jika sumber dari sebuah tabel fakta properti sale adalah properti sale individual maka sumber dari sebuah dimensi pelanggan berisi rincian pelanggan yang membeli properti utama Langkah 3 : Mengidentifikasi dimensi Set dimensi yang dibangun dengan baik, memberikan kemudahan untuk memahami dan menggunakan data mart Dimensi ini penting untuk menggambarkan fakta-fakta yang terdapat pada tabel fakta Misal, setiap data pelanggan pada tabel dimensi pembeli dilengkapi dengan id_pelanggan,no_pelanggan,tipe_pelanggan,tempat_tinggal, dan lain sebagainya. Jika ada dimensi yang muncul pada dua data mart,kedua data mart tersebut harus berdimensi sama,atau paling tidak salah satunya berupa subset matematis dari yang lainnya. Jika sebuah dimensi digunakan pada dua data mart atau lebih,dan dimensi ini tidak disinkronisasi,maka keseluruhan data warehouse akan gagal, karena dua data mart tidak bisa digunakan secara bersama-sama.

41 48 Langkah 4 : Pemilihan fakta Sumber dari sebuah tabel fakta menentukan fakta mana yang bisa digunakan dalam data mart. Semua fakta harus diekspresikan pada tingkat yang telah ditentukan oleh sumber Langkah 5 : Menyimpan pre-kalkulasi di tabel fakta Setelah fakta-fakta dipilih maka dilakukan pengkajian ulang untuk menentukan apakah fakta-fakta yang dapat diterapkan kalkulasi awal dan melakukan penyimpanan pada tabel fakta. Contoh umum dari kebutuhan untuk penyimpanan kalkulasi awal muncul ketika fakta berisi pernyataan untung atau rugi. Situasi ini akan meningkat ketika tabel fakta didasarkan pada invoice atau sales. Langkah 6 : Melengkapi tabel dimensi Pada tahap ini kita menambahkan keterangan selengkap-lengkapnya pada tabel dimensi Keterangannya harus bersifat intuitif dan mudah dipahami oleh pengguna Langkah 7 : Pemilihan durasi database Durasi mengukur waktu dari pembatasan data yang diambil dan dipindahkan ke tabel fakta. Sebagai contoh perusahaan asuransi memiliki kebutuhan untuk menyimpan data dalam jangka waktu 5 tahun atau lebih. Langkah 8 : Menelusuri perubahan dimensi yang perlahan

42 49 Ada tiga tipe perubahan dimensi yang perlahan, yaitu : o o Tipe 1. Atribut dimensi yang telah berubah tertulis ulang Tipe 2. Atribut dimensi yang telah berubah menimbulkan sebuah dimensi baru o Tipe 3. Atribut dimensi yang telah berubah menimbulkan alternatif sehingga nilai atribut lama dan yang baru dapat diakses secara bersama pada dimensi yang sama. Langkah 9 : Menentukan prioritas dan mode query Mempertimbangkan pengaruh dari rancangan fisik, seperti penyortiran urutan tabel fakta pada disk dan keberadaan dari penyimpanan awal ringkasan atau penjumlahan. Selain itu, masalah administrasi, backup, kinerja indeks, dan keamanan juga merupakan faktor yang harus dipertahankan. Dengan langkah-langkah tadi, seharusnya kita bisa membangun sebuah data warehouse yang baik.

43 Keuntungan Penggunaan Data Warehouse Menurut Connolly dan Begg (2005, p1152), data warehouse yang telah diimplementasikan dengan baik dapat memberikan keuntungan yang besar bagi organisasi, yaitu: Potensi nilai kembali yang besar pada investasi Sebuah organisasi harus mengeluarkan uang dan sumber daya dalam jumlah yang cukup besar untuk memastikan kalau data warehouse telah diimplementasikan dengan baik, biaya yang dikeluarkan tergantung dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse digunakan, maka kemungkinan didapatkannya ROI (Return on Investment) relatif lebih besar. Keuntungan kompetitif Keuntungan kompetitif didapatkan apabila pengambil keputusan mengakses data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui, tidak tersedia, misalnya informasi mengenai konsumen, tren, dan permintaan. Meningkatkan produktivitas para pengambil keputusan perusahaan Data warehouse meningkatkan produktivitas para pengambil keputusan perusahaan dengan menciptakan sebuah database yang terintegrasi secara konsisten, berorientasi pada subjek, dan data historis. Data warehouse mengintegrasikan data dari beberapa sistem yang tidak compatible ke dalam bentuk yang menyediakan satu pandangan yang konsisten dari organisasi. Dengan mengubah data menjadi informasi yang berguna, maka seorang manajer bisnis dapat membuat analisa yang lebih akurat dan konsisten.

44 OLAP (On-line Analytical Processing) Menurut Hoffer et al (2005, p480), OLAP adalah penggunaan sekumpulan alat grafikal yang menyediakan kepada user sebuah tampilan multidimensional dari data user dan memampukan user untuk menganalisa data menggunakan teknik penyajian yang sederhana. Menurut Sarawagi, Sunita (2001, p1), online analytical processing (OLAP) dikembangkan untuk membantu para analis melakukan pengambilan keputusan berdasarkan data transaksi historis. Secara logikal, menggambarkan sebuah gambaran multidimensional dari data dengan beberapa atribut yang dikategorikan seperti Products dan Stores yang dibentuk menjadi dimensi dan atribut numerik seperti Sales dan Revenue yang dibentuk sebagai measures atau cells dari multidimensional cube. 2.1 Pemahaman Objek Studi Penjualan Menurut Mulyadi (2001, p202), kegiatan penjualan terdiri dari penjualan barang dan jasa, baik secara kredit maupun secara tunai. Dalam transaksi penjualan kredit, jika order dari pelanggan telah dipenuhi dengan pengiriman barang atau penyerahan jasa, untuk jangka waktu tertentu perusahaan telah memiliki piutang kepada pelanggannya. Dalam sistem penjualan secara tunai, barang atau jasa baru diserahkan oleh perusahaan kepada pembeli jika perusahaan telah menerima kas dari pembeli.

45 52 Fungsi-fungsi Penjualan menurut Mulyadi (2001, p ), fungsi yang terkait pada sistem penjualan adalah : a) Fungsi Penjualan Fungsi ini bertanggung jawab melayani kebutuhan barang pelanggan. Fungsi penjualan mengisi faktur penjualan untuk memungkinkan fungsi gudang dan fungsi pengiriman melaksanakan penyerahan barang kepada pelanggan. b) Fungsi Gudang Fungsi ini menyediakan barang yang diperlukan oleh pelanggan sesuai dengan yang tercantum dalam tembusan faktur penjualan yang diterima dari fungsi penjualan. c) Fungsi Pengiriman Fungsi ini bertanggung jawab untuk menyerahkan barang yang kuantitas, mutu, dan spesifikasinya sesuai dengan yang tercantum dalam tembusan faktur penjualan yang diterima dari fungsi penjualan. Fungsi ini juga bertanggung jawab untuk memperoleh tanda tangan dari pelanggan di atas faktur penjualan sebagai bukti telah diterimanya brang yang dibeli oleh pelanggan. d) Fungsi Akuntansi Fungsi ini bertanggung jawab untuk mencatat transaksi bertambahnya piutang kepada pelanggan ke dalam kartu piutang berdasarkan faktur penjualan yang diterima dari fungsi pengiriman. Selain itu, fungsi

46 53 akuntansi bertanggung jawab atas pencatatan transaksi penjualan didalam jurnal penjualan. e) Fungsi Penagihan Fungsi ini bertanggung jawab membuat surat tagihan secara periodik. Prosedur Penjualan menurut Mulyadi (2001, p6), prosedur penjualan digunakan untuk melayani pembeli yang akan membeli barang. Prosedur penjualan dari kegiatan klerikal berikut : Menulis data mengenai tanggal, kode barang, jenis, kuantitas, harga satuan, harga total, nama pramuniaga. Menggandakan faktur penjualan tunai dengan cara mengisi formulir tersebut lebih dari satu lembar. Menghitung perkalian harga satuan dengan kuantitas serta jumlah harga yang harus dibayar oleh pembeli Member kode dengan cara mencantumkan kode buku pada faktur penjualan tunai Pembelian Menurut Mulyadi (2001, 299), sistem pembelian digunakan dalam perusahaan untuk pengadaan barang yang diperlukan oleh perusahaan. Transaksi pembelian dapat digolongkan menjadi dua : Pembelian Lokal : Pembelian dari pemasok dalam negeri. Pembelian Impor : Pembelian dari pemasok luar negeri.

47 54 Fungsi-fungsi dalam Pembelian menurut Mulyadi (2001, 299), fungsi yang terkait pada sistem pembelian adalah : Fungsi Gudang Fungsi gudang bertanggung jawab untuk mengajukan permintaan pembelian sesuaian posisi persediaan dengyang ada di gudang dan untuk menyimpan yang telah diterima oleh fungsi penerimaan. Untuk barangbarang yang langsung pakai, permintaan pembelian diajukan oleh pemakai barang. Fungsi Pembelian Fungsi pembelian bertanggung jawab untuk memperoleh informasi mengenai harga barang, menentukan pemasok yang dipilih dalam pengadaan barang, dan mengeluarkan order pembelian kepada pemasok yang dipilih. Fungsi Penerimaan Fungsi ini bertanggung jawab untuk melakukan pemeriksaan terhadap jenis, mutu, dan kuantitas barang yang diterima dari pemasok guna menentukan dapat atau tidaknya barang tersebut diterima oleh perusahaan. Fungsi ini juga bertanggung jawab untuk menerima barang dari pembeli yang berasal dari transaksi retur penjualan.

48 55 Fungsi Akuntansi Fungsi akuntansi yang terkait dalam transaksi pembelian adalahfungsi pencatat utang dan fungsi pencatat persediaan. Fungsi pencatat utang bertanggung jawab untuk mencatat transaksi pembelian kedalam register bukti kas keluar dan untuk menyelenggarakan arsip dokumen bukti kas keluar yang berdungsi sebagai catatam utang atau menyelenggarakan kartu utang sebagai buku pembantu utang. Fungsi pencatat persediaan bertanggung jawab untuk mencatat harga pokok persediaan barang yang dibeli ke dalam kartu persediaan Persediaan Menurut Mulyadi (2001, p553), persediaan dalam perusahaan manufaktur terdiri dari persediaan produk jadi, persediaan produk dalam proses, persediaan bahan baku, persediaan bahan penolong, persediaan habis pakai pabrik, dan persediaan suku cadang. Sedangkan dalam perusahaan dagang, persediaan hanya terdiri dari persediaan barang dagangan. Persediaan dalam perusahaan manufaktur bersangkutan dengan transaksi intern perusahaan dan transaksi yang menyangkut pihak luar perusahaan (penjualan dan pembelian), sedangkan pada perusahaan dagang hanya menyangkut intern perusahaannya saja. Sistem prosedur yang bersangkutan dengan sistem akutansi persediaan adalah : Prosedur pencatatan produk jadi.

49 56 Prosedur pencatatan harga pokok jadi yang dijual. Prosedur pencatatan harga pokok produk jadi yang diterima kembali dari pembeli. Prosedur pencatatan tambahan dan penyesuaian kembali harga pokok persediaan produk dalam proses. Prosedur pencatatan harga pokok persediaan yang dibeli. Prosedur pencatatan harga pokok persediaan yang dikembalikan kepada pemasok. Prosedur permintaan dan pengeluaran barang gudang. Prosedur pencatatan tambahan harga pokok persediaan karena pengembalian barang gudang. Sistem perhitungan fisik persediaan.