BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Data Warehouse Pengertian Data dan Informasi Pengertian data dan informasi menurut Turban, Rainer, dan Potter (2003,p15), data adalah fakta-fakta yang belum diolah atau gambaran-gambaran lebih lanjut dari benda-benda, kejadian-kejadian, kegiatan-kegiatan, dan transaksi-transaksi yang ditangkap, direkam, disimpan, dan diklasifikasikan tetapi tidak disusun untuk menyampaikan arti khusus lainnya. Informasi adalah sebuah kumpulan dari fakta-fakta (data) yang disusun di dalam beberapa cara sehingga kumpulan fakta tersebut bisa berarti untuk penerimanya Pengertian Teknologi Informasi Menurut Steven Alter (1999, p42) teknologi informasi adalah perangkat keras dan piranti lunak yg digunakan dalam sistem informasi. 1. Perangkat keras Mengarah pada peralatan dan obyek fisik lain yang terlibat dalam proses informasi seperti komputer, workstation, physical network, data storage, dan transmission device. 2. Piranti lunak Mengarah pada program komputer untuk proses penerjemahan input user dan menyampaikan pada perangkat keras mengenai apa yang harus dilakukan. Yang termasuk dalam piranti lunak yaitu sistem operasi, end 7

2 8 user software seperti word processor, dan application software yang berhubungan dengan tugas bisnis yang khusus seperti merekam transaksi kartu kredit atau merancang mobil. Menurut Wikipedia, Information technology is the technology required for information processing, deals with the use of electronic computers and computer software to convert, store, protect, process, transmit, and retrieve information., yang artinya teknologi informasi adalah teknologi yang dibutuhkan dalam pengolahan informasi, yang berhubungan dengan penggunaan komputer elektronik dan piranti lunak untuk mengubah, menyimpan, memproteksi, mengolah, mengirim dan mengambil informasi Pengertian Database Menurut Connoly & Begg (2002,p14), Database is a shared collections of logically related data, and a description of this data, designed to meet the information needs of an organization, artinya database adalah suatu kumpulan logikal data yang terhubung satu sama lain dan deskripsi dari suatu data yang dirancang sebagai informasi yang dibutuhkan oleh suatu organisasi Pengertian Data Warehouse Pengertian data warehouse dari beberapa ahli dapat bermacam macam namun mempunyai inti yang sama, seperti dari beberapa ahli di bawah ini :

3 9 Menurut W.H. Inmon (2002, p31), A data warehouse is a subjectoriented, integrated, nonvolatile and time-variant colection of data in support of management s decisions., artinya data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, tidak mengalami perubahan dan memiliki rentang waktu tertentu yang mendukung pengambilan keputusan dari pihak manajemen. Menurut Vidette Poe (1996, p6), A data warehouse is a read only analytical database that is used as the foundation of a decision support system, artinya data warehouse adalah database yang bersifat analis dan hanya dapat dibaca saja, yang digunakan sebagai dasar dari sistem pendukung keputusan. Menurut Wikipedia (2007), Gudang data (data warehouse) adalah suatu sistem komputer untuk mengarsipkan dan menganalisis data historis suatu organisasi seperti data penjualan, gaji, dan informasi lain dari operasi harian. Jadi, data warehouse merupakan kumpulan data yang berasal dari berbagai sumber yang memiliki sifat hanya dapat dibaca serta dapat membantu dalam proses pengambilan keputusan dari pihak manajemen Pengertian Data Mart Menurut Thomas Connoly (2002,p1067), Data mart is a subset of a data warehouse that support the requirements of a particular department of business function, artinya data mart merupakan subset / bagian dari data warehouse yang mendukung kebutuhan informasi dari suatu departemen atau fungsi bisnis tertentu.

4 10 Perbedaan antara data mart dengan 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, tidak seperti data warehouse. 3 Data yang ada dalam data mart lebih sedikit daripada yang ada dalam data warehouse, data mart juga lebih mudah dimengerti karena lebih sederhana. 2.2 Karakteristik Data Warehouse Menurut W.H. Inmon (2000, p467), A subject-oriented, integrated, nonvolatile, and time-variant colection of data in support of management s decision. Berdasarkan definisi menurut W.H. Immon, karakteristik data warehouse adalah sebagai berikut: Subject oriented (Berorientasi subjek) Karakteristik pertama dari data warehouse adalah berorientasi pada subjek yang memiliki makna bahwa data warehouse berfokus pada masing-masing subjek yang terdapat dalam suatu perusahaan, bukan berdasarkan proses sehari hari yang dilakukan perusahaan. Untuk memudahkan pemahaman, dapat dilihat pada tabel perbandingan antara subjek pada data warehouse dengan subjek yang ada pada proses sehari hari atau kegiatan operasional.

5 11 Tabel 2.1 Perbandingan subjek pada data warehouse dengan subjek yang ada pada proses sehari hari atau kegiatan operasional Perbedaaan Data Warehouse Data Operasional Maksud perancangan Lingkungan perancangan Data yang disimpan Pengguna Untuk kegiatan analisis perusahaan Pada subjek utama Data analisis dari kumpulan data operasional dan bersifat statis Managerial user dalam jumlah yang relatif sedikit Untuk kegiatan operasional perusahaan Pada proses yang dilakukan perusahaan Data detil dari hasil kegiatan perusahaan dan bersifat dinamis Operational user dalam jumlah yang relatif banyak Time variant (variasi waktu) Dalam pembuatan data warehouse, dimensi waktu adalah suatu hal yang penting, dimana rentang waktu yang digunakan merupakan rentang waktu yang panjang atau bentuk variasi waktu. Horizon waktu yang digunakan dapat berkisar antara 5 10 tahun dan semakin banyak data yang kita miliki, semakin baik kita menganalisa masalah dalam perusahaan kita. Karena dimensi ini merupakan hal yang penting maka pada bagian waktu diperlukan suatu pembagian dengan aturan-aturan tertentu seperti per bulan, per kuartal, per tahun dan sebagainya.

6 Integrated (saling terintegrasi) Sifat ini berarti bahwa data yang digunakan dalam pembuatan data warehouse harus data yang terpadu atau terintegrasi, sehingga tercipta konsistensi yang tinggi pada data warehouse. Konsistensi yang ditunjukkan data warehouse dapat dilihat pada : 1. Encoding (pengkodean) Sebagai contoh, software developer harus memberi kode m untuk jenis kelamin pria, f untuk jenis kelamin wanita. Dapat juga memberi kode 1 atau male untuk pria serta 0 atau female untuk wanita. 2. Attribute measurement (pengukuran atribut) Sebagai contoh, ada beberapa satuan ukuran yang digunakan untuk satuan panjang dalam database seperti cm, inchi, meter, dan yard. Dengan karakteristik integrasi data, maka ukuran tersebut harus konsisten seperti menetapkan ukuran satuan panjang yaitu cm. 3. Multiple source (banyak sumber) Dalam database ada kemungkinan banyaknya deskripsi dari suatu informasi, namun dengan prinsip integrasi data, seluruh informasi tersebut harus memiliki kesamaan deskripsi yang konsisten. 4. Confilcting Keys (kunci yang berbeda) Sebagai contoh, dalam database ada beberapa tipe data yang berbeda dalam field yang sama seperti field kode barang dalam tabel penjualan memiliki tipe data character (char) dengan field size 10 sedangkan dalam tabel lain berbeda, misal char (12). Semua perbedaan itu harus dintegrasikan menjadi satu tipe data yaitu char dengan ukuran 12.

7 Non-volatile (tidak berubah-ubah) Data pada data warehouse tidak dapat mengalami perubahan, lain halnya pada database operasional dimana dapat dilakukan operasi update, insert, dan delete terhadap data yang menyebabkan perubahan isi pada database namun pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data yang dibutuhkan data warehouse) dan akses data (proses mengakses data warehouse, seperti melakukan query atau menampilkan laporan yang dibutuhkan), tidak ada kegiatan update data. 2.3 Granularity Salah satu aspek terpenting dalam perancangan data warehouse adalah granularity. Granularity menunjukkan tingkat kerincian atau keringkasan data dalam data warehouse. Semakin rinci atau detil suatu data, maka tingkat granularitynya semakin rendah, dan juga sebaliknya. Contoh : Sebuah transaksi memiliki tingkat granularity yang rendah. Dengan meringkas seluruh transaksi tersebut selama sebulan akan menyebabkan tingkat granularitynya menjadi tinggi. Keuntungan dari granularity, yaitu : 1. Sebagai kunci untuk reusability, karena data warehouse dapat digunakan oleh banyak user dalam berbagai cara. Misalnya dalam sebuah perusahaan, bagian marketing dapat melihat penjualan bulanan berdasarkan wilayah pemasaran sedangkan bagian penjualan per sales person menurut wilayah penjualan dalam rentang waktu minggu. 2. Fleksibilitas dalam penampilan data 3. Dapat mengakomodasi kebutuhan mendatang yang belum diketahui

8 Kegiatan Inti Data Warehouse Untuk melakukan penganalisaan dan pelaporan informasi bagi pihak pihak yang mengambil keputusan maka dalam merancang data warehouse terdapat kegiatan kegiatan yang harus ada di dalamnya, antara lain : 1. Memperoleh dan menggabungkan Data Mendapatkan data dari berbagai sumber dan melakukan penggabungan pada suatu tempat tertentu, data yang digabung adalah data yang akan membantu kita dalam pembuatan laporan, karena data tersebut merupakan suatu bentuk kesatuan. 2. Transformasi data Pengolahan data dari awal ke bentuk data yang telah disepakati. Dengan mengalami pemrosesan atau pengolahan terlebih dahulu, yang sama artinya dengan pengubahan data ke bentuk yang diharapkan. 3. Pendistribusian data Data yang akan kita gunakan dalam data warehouse berkaitan dengan lingkungan kerja dalam lingkungan perusahaan. Bagi perusahaan yang terhubung dengan jaringan, pemakaian data warehouse mendukung kegiatan ini secara lebih fleksibel dan merata pada masing masing bagian yang ada dalam perusahaan. 4. Penggunaan data Data yang telah disaring akan menghasilkan ringkasan yang dapat memudahkan pengguna dalam mengambil suatu keputusan. Kegiatan pemakaian data ini akan menjadi lebih sering jika misalnya para pengambil

9 keputusan ingin menganalisa performa karyawan dalam menjalankan dan mengembangkan perusahaan Struktur Data Warehouse Menurut W.H. Inmon (2002, p35) terdapat tingkat detil data yang berbeda dalam data warehouse mulai dari current detail data, old detail data, lightly summarized data dan highly summarized data. Tingkat detil data tersebut merupakan hasil transformasi data dari tingkat operasional menuju tingkat data warehouse. Perbedaan tingkat detil data ini dikenal dengan struktur data warehouse. Di bawah ini akan dijelaskan lebih lanjut mengenai struktur data warehouse Current Detail Data (Detil data saat ini) Current detail data adalah data detil yang aktif sekarang, mencerminkan keadaan yang sedang berjalan dan merupakan level terendah dalam data warehouse. Curent detail data ini biasanya memerlukan media penyimpanan data yang besar. 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 di media penyimpanan karena cepat diakses tetapi mahal dan kompleks dalam pengaturannya.

10 4. Bisa digunakan dalam membuat rekapitulasi sehingga datanya harus akurat Old Detail Data (Detil data historis) Old Detail data merupakan data history yang dapat berupa hasil back up yang disimpan dalam media penyimpanan yang terpisah dan pada saat tertentu dapat diakses kembali. Data ini jarang diakses sehingga biasanya disimpan dalam media penyimpanan alternatif seperti tape disk. Penyusunan direktori untuk data ini harus menggambarkan umur dari data agar memudahkan untuk pengaksesan kembali Lightly Summarized Data (Rangkuman data secara khusus) Lightly summarized data merupakan ringkasan dari curent detil data. Di dalam tahap ini data belum dapat digunakan untuk pengambilan keputusan karena sifat data belum total summary yang artinya data masih bersifat detil. Lightly summarized data seringkali digunakan sebagai gambaran dari keadaan yang sedang berlangsung maupun yang belum berlangsung. Data ini hampir selalu tersimpan dalam disk dan yang diperlukan adalah satuan waktu ringkasan dan atribut Lightly Summarized Data Highly Summarized Data (Rangkuman data secara umum) Highly summarized data (rangkuman data secara umum) merupakan hasil proses ringkasan yang bersifat total, solid, serta mudah diakses. Digunakan untuk melakukan analisa perbandingan data berdasarkan urutan waktu dan analisa yang

11 17 menggunakan data multidimensi. Database multi dimensi adalah suatu tekonologi software komputer yang dirancang untuk meningkatkan efisiensi dalam mencari tabel (query) sehingga menjadi media penyimpanan yang lebih baik, serta memudahkan pengambilan data dengan volume yang besar Metadata Metadata bukanlah merupakan hasil kegiatan operasional seperti keempat jenis data diatas, namun merupakan komponen penting dalam data warehouse. Metadata seringkali disebut data tentang data. Metadata memberikan peranan yang penting untuk keefektifan penggunaan data warehouse karena dengan adanya metadata, maka akan mempermudah end user dalam melakukan analisis dan menghemat waktu. Metadata bertindak seperti indeks mengenai isi dari data warehouse. Metadata mengandung : 1. Struktur Data Suatu direktori untuk membantu analisis DSS (Decision Support System) untuk mencari lokasi / tempat data dalam data warehouse. 2. Algoritma untuk meringkas data Suatu algoritma untuk proses summary data antara curent detail data dengan lightly summarized data dan antara lightly summarized data dengan highly summarized data, dan lain-lain. 3. Pemetaan dari data operasional ke data warehouse Suatu panduan pemetaan data pada saat data ditransformasi / diubah dari lingkup data operasional menjadi lingkup data warehouse.

12 18 Highly summarized Monthly sales by product line m e t a d a t a lightly summarized ( datamart ) Current detail Sales detail Monthly sales by subproduct line Operational transformatin Old detail Sales detail Gambar 2.1 Struktur Data warehouse 2.6 Arsitektur Data Warehouse Menurut Vidette Poe (1996, p24), arsitektur adalah sekumpulan aturan atau struktur yang memberikan kerangka untuk keseluruhan rancangan pada suatu sistem atau produk. Arsitektur data menyediakan kerangka dengan mengidentifikasi dan memahami bagaimana data akan dipindahkan melalui sistem dan digunakan dalam perusahaan. Arsitektur data untuk data warehouse mempunyai komponen utama yaitu database yang hanya dapat dibaca atau readonly database. Menurut Vidette Poe (1996, p40 41) karakteristik arsitektur data warehouse yaitu : 1. Data diambil dari sistem asal (sistem informasi yang ada), database dan file.

13 19 2. Data dari sistem asal dintegrasikan dan ditransformasikan sebelum disimpan ke dalam Database Management System (DBMS) seperti Oracle, Ms SQL Server, IBM DB2, Sybase dan masih banyak yang lainnya. 3. Data warehouse adalah jenis database read-only yang diciptakan untuk mengambil keputusan. 4. User mengakses data warehouse melalui front - end tool atau aplikasi. source source Transformasi data dan informasi Data Warehouse source Gambar 2.2 Arsitektur Data warehouse (Sumber : Poe,1996,p41) Front End Tool 2.7 Bentuk / Anatomi Data warehouse Dalam menentukan bentuk data warehouse yang akan digunakan oleh suatu perusahaan, terlebih dahulu harus diketahui kebutuhan yang diperlukan dalam menjalankan aplikasi yang dirancang. Bentuk umum yang sering digunakan dalam data warehouse adalah : 1. Functional Data Warehouse (Data warehouse Fungsional) 2. Centralized Data Warehouse (Data warehouse Terpusat) 3. Distributed Data Warehouse (Data warehouse Terdistribusi)

14 Functional Data Warehouse (Data warehouse Fungsional) Data warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masing masing fungsinya seperti fungsi keuangan (financial), fungsi marketing, fungsi kinerja personalia dan lain- lainnya. Keuntungan dari bentuk ini adalah dapat dengan mudah dibangun dengan biaya yang relatif murah, sedangkan kerugiannya adalah terbatasnya kemampuan dalam pengumpulan data bagi pengguna. Penerapan jenis sistem pengumpulan data seperti ini beresiko kehilangan konsistensi data di luar lingkungan bisnis bersangkutan. Apabila pendekatan ini lingkupnya diperbesar dari lingkungan fungsional menjadi lingkup perusahaan, konsistensi data perusahaan tidak lagi dapat dijamin. source Functional Data Warehouse source Workstation source Functional Data Warehouse Workstation Gambar 2.3 Functional Data Warehouse Centralized Data Warehouse (Data warehouse Terpusat) Bentuk ini terlihat seperti bentuk functional data warehouse, namun disini sumber data terlebih dahulu dikumpulkan dan dintegrasikan pada suatu tempat terpusat, kemudian barulah data tersebut dibagi bagi berdasarkan fungsi

15 21 fungsi yang dibutuhkan oleh perusahaan dan bentuk ini sering digunakan oleh perusahaan yang belum memiliki jaringan eksternal. Keuntungan bentuk ini dibandingkan dengan data warehouse fungsional adalah data benar-benar terpadu. Bentuk ini mengharuskan pemasok data mengirimkan data tepat pada waktunya supaya tetap konsisten dengan pemasok lainnya. Di samping itu, pemakai hanya dapat mengambil data dari bagian pengumpulan saja, dan tidak dapat secara langsung berhubungan dengan pemasok datanya sendiri. source source source Centralized Data Warehouse Functional Data Warehouse Functional Data Warehouse Workstation Workstation Gambar 2.4 Centralized Data Warehouse Distributed Data Warehouse (Data warehouse Terdistribusi) Bentuk ini dikembangkan berdasarkan konsep data warehouse gateway yang memungkinkan pemakai untuk langsung berhubungan dengan sumber data maupun dengan pusat pengumpul data lainnya. Gambaran pemakai atas data adalah berupa gambaran logikal karena data mungkin diambil dari berbagai sumber yang berbeda. Pendekatan ini mengandalkan keunggulan teknologi client-server untuk mengambil data dari berbagai sumber. Pendekatan ini memungkinkan tiap departemen atau divisi untuk membangun pengumpul data

16 22 fungsionalnya masing-masing atau bahkan sistem operasionalnya dan memadukan bagian-bagian tersebut dengan teknologi client-server. Pendekatan ini memerlukan biaya yang sangat besar karena setiap sistem pengumpulan data fungsional dan sistem operasinya dikelola secara terpisah. Di samping itu, supaya berguna bagi perusahaan data harus disinkronisasikan untuk memelihara keterpaduannya. Metode ini akan sangat efektif apabila data telah tersedia dalam bentuk yang konsisten dan pemakai dapat menambah data tersebut dengan informasi baru apabila ingin memperoleh gambaran baru atas informasi. source source Data Warehouse Gateway Workstation source Workstation Gambar 2.5 Distributed Data Warehouse 2.8 Kegunaan dan Keuntungan Data warehouse Ada beberapa kegunaan dari Data warehouse, yaitu : 1. Pembuatan laporan Pembuatan laporan adalah salah satu kegunaan data warehouse yang paling umum. Dengan melakukan query data dalam data warehouse dapat

17 23 dihasilkan informasi pertahun, perkuartal, dan bahkan perhari. Query tersebut digunakan dengan tujuan memperoleh jawaban atas pertanyaanpertanyaan khusus, seperti siapa, kapan, dimana dan sebagainya. 2. On-Line Analytical Processing (OLAP) Data warehouse digunakan dalam melakukan analisis bisnis untuk menyelidiki kecenderungan pasar atau faktor-faktor penyebabnya. Dengan adanya data warehouse semua informasi baik rincian maupun ringkasan yang dibutuhkan dalam proses analisis mudah didapat. Dalam hal ini, data warehouse merupakan tool yang handal dalam menganalisis data yang kompleks. 3. Data mining Penggunaan data warehouse tingkat lanjut, dimana data warehouse digunakan dalam pencarian pola dan hubungan antara data dengan tujuan membuat keputusan bisnis bagi pihak manajemen. Dalam hal ini, software dirancang untuk pola statistik dalam data sehingga dapat mengetahui kecenderungan yang ada. 4. Proses Informasi Eksekutif Data warehouse digunakan untuk mencari ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse, segala laporan telah diringkas dan dapat pula diketahui rinciannya secara lengkap sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laporan menjadi lebih informatif bagi pengguna, dalam hal ini pihak manajemen dan eksekutif.

18 24 Berdasarkan Connoly (2002, p1048), implementasi yang baik dari data warehouse dapat memberikan banyak keuntungan terhadap suatu perusahaan meliputi : 1. Potensi yang Tinggi terhadap Return of Investment (ROI) Perusahaan harus mengakui bahwa implementasi data warehouse membutuhkan sumber daya dan biaya yang sangat besar. Tapi berdasarkan penelitian yang dilakukan oleh International Data Corporation (IDC) tahun 1996, dilaporkan bahwa rata rata ROI dalam 3 tahun, dengan data warehouse, mencapai 401%. 2. Keuntungan dalam persaingan ROI yang besar bagi perusahaan perusahaan yang berhasil menerapkan data warehouse adalah fakta atas keuntungan bersaing yang tinggi yang menyertai teknologi tersebut. Kelebihan ini bertambah dengan menyediakan akses bagi para pembuat keputusan, ke data yang dapat menampilkan informasi yang sebelumnya tidak tersedia dan tidak diketahui, seperti trends dan demands. 3. Peningkatan produktivitas pada Corporate Decision-Makers Data warehouse meningkatkan produktivitas para pembuat keputusan dengan membuat database gabungan yang konsisten, subject oriented dan berisi data historis. Data gabungan dari berbagai sistem menghasilkan satu pandangan yang konsisten dari sebuah perusahaan. Jadi, dengan mengubah data menjadi informasi yang berarti, data warehouse membuat para manajer bisnis menghasilkan analisa yang lebih akurat dan konsisten.

19 Perancangan Data warehouse Menurut Kimball (2002, p30), urutan tahap-tahap perancangan logical data warehouse yaitu : 1 Memilih proses bisnis User memegang peranan penting dalam pemilihan proses bisnis. Ukuran performance data warehouse yang diharapkan oleh user merupakan hasil dari proses pengukuran bisnis. Contoh proses bisnis meliputi, pembelian bahan mentah, pemesanan, pengiriman, invoice, dan persediaan. Dengan berfokus pada proses bisnis, dan bukan pada departemen bisnis, maka dapat dicapai informasi yang konsisten bagi perusahaan secara keseluruhan. Jika data warehouse dibangun berdasarkan departemen, maka akan terdapat data duplikat dengan label dan istilah yang berbedabeda, yang mengakibatkan data tidak konsisten. 2 Menentukan grain dari proses bisnis Menentukan grain berarti menspesifikasikan secara tepat apa yang direpresentasikan oleh baris tabel fakta individual. Grain menyampaikan level detil yang berhubungan dengan tabel fakta. Penentuan grain merupakan tahap critical dalam perancangan logikal data warehouse. 3 Memilih dimensi-dimensi untuk setiap tabel fakta Jika grain telah ditentukan dengan benar maka dimensi-dimensi dapat diidentifikasikan dengan mudah. Pada dimensi, atribut-atribut berupa teks dapat disertakan guna menyempurnakan tabel dimensi. Contoh lazim dari dimensi meliputi waktu, produk, pelanggan, tipe transaksi, dan status.

20 26 4 Mengidentifikasi fakta-fakta Fakta dapat diidentifikasi dengan memberikan jawaban atas pertanyaan Apa yang ingin diukur?. Semua candidate fact haruslah sesuai dengan grain yang telah didefinisikan dalam tahap 2. Fakta bagi grain yang berbeda ditempatkan dalam tabel fakta terpisah. Nilai fakta berupa numerik, seperti jumlah pesanan atau total dolar. Menurut Vidette Poe (1996, p133), alat yang digunakan untuk merancang data warehouse adalah skema bintang (star schema). Skema bintang merupakan struktur sederhana dengan tabel tabel yang relatif sedikit dan menggambarkan hubungan antara tabel fakta dan tabel dimensi dengan jelas. Rancangan ini mampu melakukan query dengan cepat serta mudah dimengerti bahkan oleh analis dan pengguna akhir atau orang awam yang tidak mengerti struktur database Definisi Skema Bintang Menurut Thomas Connoly (2002,p1079), Star schema is a logical structure that has a fact table containing factual data in the center, surrounded by dimension tables containing reference data (which can be denormalized), yang berarti skema bintang merupakan struktur logikal yang memiliki tabel fakta yang berisi data fakta, dikelilingi oleh tabel dimensi yang berisi data referensi (yang dapat didenormalisasikan). Teori Connoly ini didukung oleh A.Silberschatz., Korth, H. F. Sudarshan, S.(2003) dan Ralph Kimball (1996).

21 Keuntungan Skema Bintang Keuntungan menggunakan skema bintang menurut Connoly adalah : 1. Efisiensi, struktur database yang konsisten sehingga lebih efisien dalam mengakses data dengan menggunakan alat / tool untuk menampilkan data termasuk laporan tertulis dan query. 2. Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang dapat beradaptasi terhadap perubahan kebutuhan pengguna, karena semua tabel dimensi memiliki kesamaan dalam hal menyediakan akses ke tabel fakta. 3. Extensibility, model dimensional dapat dikembangkan. Seperti menambah tabel fakta selama data masih konsisten, menambah tabel dimensi selama ada nilai tunggal di tabel dimensi tersebut yang mendefinisikan setiap record tabel fakta yang ada, menambahkan attribute tabel dimensi, dan memecah record tabel dimensi yang ada menjadi level yang lebih rendah dari level sebelumnya. 4. Kemampuan untuk menggambarkan situasi bisnis pada umumnya, pendekatan standar untuk menangani situasi umum didunia bisnis yang terus bertambah. 5. Proses query yang bisa diprediksi, aplikasi data warehouse yang mencari data dari level yang dibawahnya akan dengan mudah menambah jumlah atribut pada tabel dimensi dari sebuah skema bintang. Aplikasi yang mencari data dari level yang setara akan menghubungkan tabel fakta yang terpisah melalui tabel dimensi yang dapat diakses bersama.

22 Tabel dalam Skema Bintang Dalam skema bintang terdapat dua tipe tabel, yaitu tabel fakta dan tabel dimensi. Tabel fakta disebut juga sebagai tabel mayor, berisi data aktual yang akan dianalisis, yang terdiri dari data kuantitatif atau data fakta mengenai bisnis serta informasi yang diquery. Informasi pada tabel fakta ini berupa : Measure, biasanya diukur secara numerik karena bersifat data kuantitatif. Foreign key dari primary key yang ada pada masing masing tabel dimensi yang berhubungan. Mengandung banyak kolom dan jutaan baris. Tabel dimensi disebut juga sebagai tabel minor karena lebih kecil dan berisi kategori dengan ringkasan data detil, yang merupakan deskripsi lebih lanjut dari data yang ada pada tabel fakta (mencerminkan dimensi bisnis). Misalnya laporan mutasi pada tabel fakta dapat dilaporkan dalam dimensi waktu, yang berupa per-bulan atau per-tahun. Kolom pada tabel fakta yang bukan primary key atau foreign key disebut kolom data, sedangkan pada tabel dimensi disebut atribut Jenis Skema Bintang Dalam perancangan data warehouse, terdapat beberapa jenis skema bintang yang dapat digunakan sesuai dengan kebutuhan, yaitu skema bintang sederhana, skema bintang majemuk, dan skema bintang snowflake Skema Bintang Sederhana Alasan memilih skema bintang sederhana antara lain :

23 29 1. Menyediakan response time yang lebih baik. 2. Struktur rancangan yang sederhana mudah dimengerti pemakai. Dalam skema ini, setiap tabel harus memiliki primary key yang terdiri dari satu kolom atau lebih dan primary key tersebut harus bersifat unik. Primary key dari tabel fakta terdiri dari satu atau lebih foreign key. Foreign key adalah kolom pada satu tabel yang nilainya didefinisikan oleh primary key pada tabel yang lain. Gambar dibawah ini menggambarkan hubungan antara tabel fakta dan tabel dimensi. Tabel fakta memiliki tiga foreign key, dimana masing-masing foreign key itu merupakan primary key pada tabel dimensi. Gambar 2.6 Skema Bintang Sederhana Dalam sebuah skema bintang, dapat juga memiliki lebih dari satu tabel fakta, karena adanya fakta yang tidak saling berhubungan. Misalnya disamping penjualan terdapat tabel fakta forecasting dan tabel fakta result. Tetapi walaupun terdapat banyak tabel fakta, tabel dimensinya tetap digunakan secara

24 30 bersama-sama. Skema ini juga disebut Constellation Schema dan sering digunakan untuk jumlah data yang besar. Gambar di bawah ini menunjukkan adanya dua tabel fakta dan tiga tabel dimensi yang memperlihatkan hubungan many to one antara foreign key pada kedua tabel fakta tersebut dengan primary key pada masing masing tabel dimensi. Gambar 2.7 Skema Bintang Dengan Beberapa Tabel Fakta Tabel fakta juga dapat digunakan untuk menggambarkan hubungan manyto-many antara berbagai tabel dimensi yang sudah jelas dalam bisnis. Jenis skema bintang ini dikenal dengan tabel asosiasi. Tabel asosiasi berguna untuk menyelaraskan hubungan many-to-many di antara dimensi yang berbeda.

25 31 Gambar 2.8 Skema bintang dengan tabel Asosiasi Tabel dimensi mungkin mengandung foreign key yang mereferensikan primary key di tabel dimensi yang lain. Tabel dimensi yang direferensikan ini yang dinamakan outboard table / secondary dimension table. Pada gambar berikut, tabel dimensi-2 mempunyai 2 outboard table, yaitu tabel dimensi-4 dan tabel dimensi-5.

26 32 Gambar 2.9 Skema Bintang Dengan Tabel Dimensi Tambahan Skema Bintang Majemuk Dalam skema bintang majemuk, tabel fakta memiliki dua kumpulan foreign key, yang pertama mengandung suatu referensi dengan tabel dimensi yang lain sedangkan sisanya adalah primary key yang merupakan gabungan dari satu atau lebih kolom yang menghasilkan suatu identifikasi untuk setiap barisnya. Bedanya skema bintang majemuk dengan skema bintang sederhana adalah saling tidak identiknya primary key dan foreign key dalam skema bintang majemuk.

27 33 Gambar 2.10 Skema Bintang Majemuk Skema Snowflake Menurut Thomas Connoly (2002, p1080), Snowflake schema is a variant of the star schema where dimension table do not contain denormalized data, yang berarti skema snowflake merupakan bentuk lain dari skema bintang dimana data dalam tabel dimensi belum dinormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya. Ciri-ciri dari skema snowflake adalah: 1. Tabel dimensi dinormalisasi dengan dekomposisi pada level atribut. 2. Setiap dimensi mempunyai satu key untuk setiap level pada hirarki dimensi 3. Kunci level terendah menghubungkan tabel dimensi dengan tabel fakta dan tabel atribut berlevel rendah Keuntungan dari skema snowflake adalah : 1. Kecepatan memindahkan data dari data OLTP kedalam metadata 2. Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi dimana dengan tipe yang seperti ini seluruh struktur dapat digunakan sepenuhnya

28 34 3. Banyak yang beranggapan lebih nyaman merancang dalam bentuk normal ketiga. Sedangkan kerugiannya adalah mempunyai masalah yang besar dalam hal kinerja (performance), hal ini disebabkan semakin banyaknya join antar tabeltabel yang dilakukan dalam skema snowflake ini, maka semakin lambat juga kinerja yang dilakukan. Gambar 2.11 Skema Snowflake 2.10 Agregasi Agregasi adalah proses perhitungan data fakta terhadap atribut atribut yang telah didefinisikan. Sebagai contoh, dapat dibuat dari jumlah mahasiswa berdasarkan jurusan dan program studi dengan menghitung jumlah mahasiswa dari data transaksi yang terjadi. Agregasi dapat dibuat selama proses transformasi dan pemuatan data ke dalam data warehouse. Menurut Poe (1996, p136), faktor yang mendorong pembuatan agregasi adalah : Meningkatkan penampilan pencarian (searching).

29 35 Mengurangi jumlah penggunaan kode produk universal. Suatu agregasi yang baik dapat dibuat untuk digunakan oleh tiga ratus user dalam satu hari, karena akan lebih bermanfaat jika dibandingkan dengan membuat agregasi yang membutuhkan waktu dua jam tetapi hanya digunakan sekali dalam setahun oleh satu user saja. Salah satu teknik yang harus dicatat adalah saat pemuatan data warehouse, kita tetap membutuhkan teknik data warehouse klasik seperti partisi tabel secara fisik. Hal ini menjadi penting bilamana data warehouse mencapai gigabyte data Denormalisasi Menurut Inmon (2002, p389) denormalisasi adalah teknik dari penempatan data normalisasi dalam lokasi fisik yang mengoptimasikan kinerja dari sistem. Menurut Vidette Poe (1996,p137) denormalisasi adalah proses penggabungan table-tabel untuk meningkatkan penampilan Jadi, denormalisasi adalah suatu proses yang merubah bentuk normalisasi dari database dengan cara penggabungan tabel dan merupakan sebuah proses yang secara sengaja dilakukan dengan melanggar peraturan bentuk normal dari normalisasi dengan tujuan untuk meningkatkan kinerja (performance) pengaksesan data yang ada. Keuntungan melakukan proses denormalisasi adalah : Mengurangi jumlah relasi yang terjadi antar tabel tabel yang harus mengalami proses pada waktu pencarian sehingga akan meningkatkan kecepatan proses query data.

30 36 Membuat struktur fisik database agar mudah dimengerti menurut model dimensi dari pemakai. Struktur tabel yang dibuat sesuai keinginan pemakai memungkinkan terjadinya akses langsung yang sekali lagi akan meningkatkan kinerja. Kelemahan melakukan proses denormalisasi adalah : Proses denormalisasi secara tidak langsung akan membuat redundansi data. Proses ini memerlukan alokasi memori dan storage (tempat penyimpanan) yang besar Matriks Matriks menurut Kimball (2002, p398) adalah tool yang digunakan untuk membuat, mendokumentasikan, dan mengkomunikasikan arsitektur data, di mana baris-baris pada matriks mengidentifikasikan proses bisnis perusahaan dan kolom kolomnya merepresentasikan dimensi-dimensi yang sesuai dengan proses bisnis perusahaan. Intersection dari dimensi-dimensi yang relevan dengan masing - masing proses bisnis diberi tanda untuk menunjukkan ada hubungan antara dimensi dengan proses bisnis tertentu. Matriks merupakan suatu device yang membantu penggunanya baik dalam hal perencanaan maupun proses komunikasi. Meskipun matriks hanya terdiri dari baris dan kolom, namun mampu mendefinisikan keseluruhan arsitektur data bagi warehouse. Matriks memperlihatkan keseluruhan rencana yang dirancang dalam suatu bentuk yang ringkas sehingga dapat digunakan untuk membantu senior IT

31 dan manajemen bisnis dalam mengkomunikasikan rancangan rencana (Kimball,2002, p81) State Transition Diagram (STD) State-Transition Diagram (STD) menggambarkan bagaimana perilaku sistem saat mendapatkan event dari luar (External Events). STD mewakili berbagai mode perilaku dari sistem dan perlakuan yang terdapat pada transisi antar state. STD menjadi dasar dari model perilaku. State 1 Condition Action State 2 Gambar 2.12 State Transition Diagram (STD) 2.14 Kunci Sukses Data warehouse Membangun data warehouse tidaklah mudah seperti membalikkan telapak tangan, kita harus memperhatikan hal-hal berikut ini untuk mencapai kesuksesan dalam perancangan kita (Vidette Poe, 1996,p90-95), hal-hal tersebut adalah: 1. Kejelasan dalam tujuan, yang memberikan gambaran awal untuk memulai data warehouse sesuai dengan kebutuhan perusahaan, di mana akan membatasi

32 38 ruang kerja kita untuk selalu konsisten. 2. Memahami arsitektur data warehouse yang digunakan, ini merupakan blue print yang akan digunakan dalam mengembangkan sistem pendukung keputusan, dan menyangkut dengan banyak aspek dalam hal bagaimana sistem tersebut akan dikembangkan. 3. Dukungan infrastruktur teknikal yang benar, seperti alat-alat, platform, database, jaringan komunikasi, pelatihan dan sebagainya yang akan menentukan proses pembuatan sebelum data warehouse mulai dikembangkan. 4. Kejelasan tanggung jawab tim, masing-masing anggota tim harus bertanggung jawab untuk masing-masing bagian yang ia tangani, seperti pemodelan data, pelatihan dan pengaturan jaringan. 5. Menjamin anggota tim dan pengguna memahami perbedaan antara data operasional dan data pendukung keputusan, dengan memperhatikan definisi awal dari data warehouse yang digunakan dalam pemrosesan analisis perusahaan. 6. Mendapatkan pelatihan secara benar, untuk mendapatkan landasan yang kuat berupa pengetahuan yang mendukung keputusan bagi semua anggota sebelum proyek mulai dijalankan. 7. Mendapatkan sumber yang benar, untuk mendapatkan ini kita dapat mencari suatu badan atau konsultan yang memahami benar proses data warehouse yang akan kita buat atau kita dapat pula mencari perusahaan yang sukses dalam mengimplementasikan data warehousenya, sehingga kita dapat belajar dari pengalaman yang telah mereka miliki sebelumnya.

33 39 8. Pemilihan aplikasi pengaksesan data front end berdasarkan kebutuhan dan kemampuan, sehingga aplikasi yang dipakai benar-benar terpakai secara optimal dan memudahkan dalam pengaksesan data yang dibutuhkan oleh pengguna Teori Persediaan dan Penjualan Pengertian Persediaan Dalam perusahaan manufaktur, persediaan terdiri dari persediaan produk jadi, persediaan produk dalam proses, persediaan bahan baku, persediaan bahan penolong, persediaan bahan habis pakai pabrik, dan persediaan suku cadang. Dalam perusahaan dagang, persediaan hanya terdiri dari 1 (satu) golongan, yaitu persediaan barang dagangan, yang merupakan barang yang dibeli untuk tujuan dijual kembali. Transaksi persediaan yang terjadi di gudang, biasanya mencakup hal berikut ini : Penerimaan produk Penempatan produk di bagian pemeriksaan Pengambilan produk dari bagian pemeriksaan Pengembalian produk kepada vendor jika produk tidak sesuai dengan yang diharapkan Penempatan produk pada tempat penyimpanannya Pengesahan produk untuk dijual Pengambilan produk dari tempat penyimpanannya Pengepakan produk untuk pengiriman Pengiriman produk ke pelanggan

34 40 Penerimaan produk dari pelanggan Pengembalian produk ke bagian persediaan dari pengembalian pelanggan Produk yang dikembalikan pelanggan dipisahkan dari bagian persediaan Pengertian Penjualan Mulyadi (1997, p204) berpendapat bahwa kegiatan penjualan terdiri dari transaksi penjualan barang atau 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 memiliki piutang kepada pelanggannya. Dalam transaksi penjualan tunai, barang atau jasa baru diserahkan oleh perusahaan kepada pembeli jika perusahaan telah menerima kas dari pembeli. Jadi dapat dikatakan bahwa penjualan merupakan suatu kegiatan yang dilakukan oleh penjual (perusahaan) dengan jalan menukarkan barang/ jasanya kepada pembeli, dengan timbal balik berupa suatu imbalan yang sepadan dengan besarnya nilai dari barang/ jasa yang diberikan tersebut. Imbalan tersebut dapat diperoleh sebelum penyerahan barang/ jasa dilakukan (penjualan tunai), ataupun dalam jangka waktu tertentu setelah barang/ jasa diserahkan (penjualan kredit).