BAB 4 PERANCANGAN DATA WAREHOUSE

Transkripsi

1 BAB 4 PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data warehouse Rancangan data warehouse yang diusulkan untuk PT. Antar Mitra Prakarsa ialah rancangan yang menggunakan arsitektur data warehouse terpusat. Data diambil dari sistem operasional dan data eksternal yang berhubungan dengan luar perusahaan yang disimpan dalam pusat penyimpanan data. Alasan penggunaan arsitektur data warehouse terpusat ini adalah untuk mempermudah dalam memperoleh data yang konsisten dan terintegrasi karena berada pada satu lokasi saja. Berikut gambar arsitektur data warehouse terpusat pada PT. Antar mitra Prakarsa : Gambar 4. 1 Arsitektur Data warehouse pada PT. Antar Mitra Prakarsa 77

2 78 Dari arsitektur data warehouse diatas, terdapat tiga komponen sistem yang saling berhubungan, antara lain: 1. Data Source Data source merupakan sumber data untuk pembuatan data warehouse. Dalam perancangan data warehouse ini, pengambilan sumber data yang diperlukan berasal dari database transaksional dari sistem informasi PT. Antar Mitra Prakarsa dan data eksternal yang berhubungan dengan luar perusahaan. Dari database ini akan dipilih data-data yang berhubungan dengan pembelian dan penjualan. Data-data tersebut akan mengalami proses transformasi data yang hasilnya akan dimasukkan ke dalam data warehouse. 2. Data Transformation Data Transformation merupakan proses pemindahan dan perubahan format data yang diperoleh dari kegiatan operasional perusahaan yang terdapat dalam database operational ke dalam data warehouse dan data eksternal yang berhubungan dengan luar perusahaan. Tahap ini memiliki tiga proses yang sering disebut ETL, yaitu extract, transformation, dan loading. Extract merupakan proses pengambilan data dari sumber data yang tersedia dan melakukan pemilihan data yang ingin disimpan kedalam data warehouse. Transformation dilakukan agar data dapat berubah kedalam suatu bentuk yang konsisten dan terjamin integritasnya sehingga data yang dihasilkan akurat dan tepat. Loading merupakan proses penyimpanan hasil transformasi yang telah dilakukan. Pada tahap ini, semua hasil transformasi dimasukkan ke dalam data warehouse.

3 79 3. Data warehouse Data warehouse merupakan suatu media yang digunakan sebagai tempat penyimpanan data yang bersifat historical (menurut waktu) dengan periode atau jangka waktu tertentu yang telah disaring dan dikumpulkan untuk dipakai sebagai sumber analisis untuk menghasilkan laporan. 4. User User merupakan pengguna akhir yang akan menggunakan ataupun mengakses data yang ada pada data warehouse. Data warehouse bermanfaat untuk mempermudah dan mempercepat end-user dalam memperoleh dan memahami data yang dibutuhkannya untuk mengambil keputusan dalam hal penjualan dan pembelian. 4.2 Rancangan Data warehouse Dalam membuat data warehouse diperlukan beberapa tahap untuk membuat perancangan data warehouse menjadi teratur. Tahap-tahap perancangan data warehouse yang digunakan adalah nine-step methodology, yaitu: Choosing the process Proses yang digunakan dalam perancangan data warehouse ini, yaitu: a. Penjualan Proses penjualan PT. Antar Mitra Prakarsa yang dimaksud adalah pada saat pelanggan melakukan request content kepada operator, kemudian operator me-request content yang diinginkan user kepada perusahaan. Di dalam proses ini juga dapat dilakukan perbandingan harga program yang sejenis dengan pesaing lainnya

4 80 Dalam proses ini, data yang ada meliputi: data player, program yang dipilih, operator maupun channel yang digunakan, media yang digunakan, option dari program itu, service yang digunakan, dan data transaksi penjualan yang terjadi, serta data perbandingan diperoleh dari excel yang berisikan data mengenai harga program yang dijual company. b. Pembelian Proses pembelian PT. Antar Mitra Prakarsa yang dimaksud adalah pembelian content kepada partner. Dalam proses ini dokumen yang diperlukan yaitu surat kontrak kerjasama. Di dalam surat kontrak kerjasama tersebut terdapat data partner, tanggal berlakunya kerjasama, tanggal berakhirnya kerjasama, program dan option yang akan diberikan partner. Data lainnya yang ada dalam proses pembelian yaitu data transaksi pembelian content Choosing the grain Grain merupakan data dari calon fakta yang dapat dianalisis. Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh record dalam tabel fakta. Grain dari PT. Antar Mitra Prakarsa yang digunakan untuk merancang data warehouse adalah sebagai berikut: a. Penjualan Analisis pada penjualan meliputi program yang paling laku, operator yang paling sering melakukan transaksi, media yang paling banyak digunakan, option mana yang paling diminati, channel yang

5 81 paling banyak digunakan, tingkat keberhasilan dan tingkat kegagalan pengiriman content, pihak yang paling sering menyebabkan error, operator mana yang paling sering error, jumlah traffic dan total penjualannya, serta harga program yang dijual company lain dibandingkan dengan company PT. Antar Mitra Prakarsa yang menggunakan brand M-Stars. Analisis tersebut akan dilakukan per periode waktu tertentu (hari, minggu, bulan, quarter, dan tahun), tetapi untuk perbandingan harga dilakukan berdasarkan periode waktu tahun. b. Pembelian Analisis pada pembelian meliputi partner yang paling banyak memberikan content. Analisis tersebut akan dilakukan per periode waktu tertentu (hari, minggu, bulan, quarter, dan tahun) Identifying and conforming the Dimensions Berikut ini ditampilkan hubungan dimensi dengan grain dari fakta dalam bentuk matriks:

6 82 a. Penjualan Grain Program Operator Media Option Channel Tingkat Operator Jumlah Total Harga yang yang yang paling yang paling keberhasilan yang traffic penjualan dijual paling paling banyak paling banyak dan tingkat paling company diminati sering digunakan banyak digunakan kegagalan sering bertransa diminati pengiriman error ksi content Dimension Time X X X X X X X X X X Program X X Option X Operator X X Channel X Media X Status X X Company X Tabel 4. 1 Tabel Grain dan Dimensi dari Penjualan

7 83 b. Pembelian Grain Partner yang paling banyak Dimension Time Partner Program memberikan content X X X Tabel 4. 2 Tabel Grain dan Dimensi dari Pembelian Choosing the fact Pada tahap ini dilakukan pemilihan fakta. Setiap fakta memiliki data yang dapat dihitung (bersifat numerik). Selanjutnya fakta-fakta tersebut ditampilkan dalam bentuk laporan, grafik atau berbagai macam diagram. Berikut ini faktafakta yang akan ditampilkan pada data warehouse : a. Penjualan Penjualan meliputi jumlah traffic, total penjualan dan harga program b. Pembelian Pembelian meliputi jumlah content Storing Pre-calculation in the fact table Di dalam tabel fakta terdapat kalkulasi awal terhadap data yang dapat dihitung. Kalkulasi awal yang ada pada tabel fakta antara lain: a. Fact_Penjualan Fact_Penjualan meliputi:

8 84 Jumlah traffic merupakan jumlah dari banyaknya transaksi penjualan Total penjualan merupakan jumlah dari content yang dikirimkan dikalikan dengan harga dari program masingmasing. Harga program merupakan rata-rata harga content dalam program yang dijual oleh company b. Fact_Pembelian Fact_Pembelian meliputi: Jumlah Content merupakan jumlah dari banyaknya content yang diterima dari partner Rounding out the Dimension table Menambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut harus dapat dimengerti oleh user. Berikut deskripsi teks dari tabel dimensi: Dimension Field Descriptions Time Year Quarter M onth MonthDesc Week Laporan dapat dilihat per tahun, per quarter, per bulan, per minggu, hingga per hari

9 85 Program Operator Option Media Channel Status Partner Company Day DayDesc CategoryId CategoryName ProgId ProgDesc OprId OperatorName OptId OptDesc MediaId MediaDesc Channel ChannelDesc StatusId Status CausedBy PartnerId PartnerName CompanyName CompanyBrand Laporan dapat dilihat berdasarkan program Laporan dapat dilihat berdasarkan operator Laporan dapat dilihat berdasarkan option Laporan dapat dilihat berdasarkan media Laporan dapat dilihat berdasarkan channel Laporan dapat dilihat berdasarkan status pengirimannya Laporan dapat dilihat berdasarkan partner Laporan dapat dilihat berdasarkan company Tabel 4. 3 Tabel Rounding Out Dimension

10 86 Dimensi Time Attributes Data type Length sk_time Int - Year Int - Quarter Int - M onth Int - MonthDesc Varchar 30 Week Int - Day Int - DayDesc Varchar 30 Tabel 4. 4 Tabel Dimensi Time Dimensi Program Attributes Data type Length sk_program Int - CategoryId Varchar 3 CategoryName Varchar 30 ProgId Varchar 9 Progdesc Varchar 100 Tabel 4. 5 Tabel Dimensi Program Dimensi Option Attributes Data type Length sk_option Int -

11 87 OptId Int - OptDesc Varchar 50 Tabel 4. 6 Tabel Dimensi Option Dimensi Operator Attributes Data type Length sk_operator Int - OprId Varchar 6 OperatorName Varchar 50 Tabel 4. 7 Tabel Dimensi Operator Dimensi Media Attributes Data type Length sk_media Int - MediaId Varchar 6 MediaDesc Varchar 50 Tabel 4. 8 Tabel Dimensi Media Dimensi Channel Attributes Data type Length sk_channel Int - Channel Varchar 4 ChannelDesc Varchar 100 Tabel 4. 9 Tabel Dimensi Channel

12 88 Dimensi Status Attributes Data type Length sk_status Int - StatusId Int - Status Varchar 20 CausedBy Varchar 100 Tabel Tabel Dimensi Status Dimensi Partner Attributes Data type Length sk_partner Int - PartnerId Varchar 6 PartnerName Varchar 50 Tabel Tabel Dimensi Partner Dimensi Company Attributes Data type Length sk_company Int - CompanyName Varchar 100 CompanyBrand Varchar 100 Tabel Tabel Dimensi Company

13 Choosing the duration of the database Durasi dari data PT. Antar Mitra Prakarsa yang dimasukkan ke dalam data warehouse sebagai berikut: Nama Database Database ada Data yang Data dalam Aplikasi sejak tahun masuk ke data data warehouse warehouse Pentaho GENPROG_AMP TRANSPORT_A MP tahun Tabel 4.13 Tabel Durasi Data Warehouse PT. Antar mitra Prakarsa Tracking slowly changing dimensions Mengamati perubahan dari dimensi pada tabel dimensi dapat dilakukan dengan tiga cara, yaitu cara pertama atribut dimensi yang diubah dituliskan ulang (overwritten), contohnya partner merubah alamatnya, maka data partner yang berubah langsung dituliskan ulang. Cara kedua pembentukan record baru untuk setiap perubahan baru, contohnya partner yang merubah alamatnya akan membentuk record baru. Cara ketiga perubahan data yang membentuk kolom baru yang berbeda, contohnya kolom tanggal_berakhir akan ditambahkan untuk melihat perubahan alamat partner, sehingga dapat diketahui kapan alamat awal partner berakhir, kemudian akan dibuat record baru untuk data partner dengan alamat yang baru.

14 90 Dari tiga tipe dasar perubahan tersebut, perancangan data warehouse PT. Antar Mitra Prakarsa memilih perubahan pertama pada dimensi yang akan melakukan overwrite atas perubahan yang terjadi Deciding the query priorities and the query modes Dalam tahap ini dibahas mengenai proses Extract, Transformation, dan Load (ETL), backup yang dilakukan secara berkala, analisis kapasitas media penyimpanan dan analisis pertumbuhan data. a. Proses Extract, Transformation, dan Load (ETL) Pelaku ETL Dilakukan setiap Keterangan Database Administrator Satu bulan sekali Proses ETL diawasi oleh DBA Tabel Tabel ETL Pada perancangan ini proses ETL yang dilakukan adalah sebagai berikut: 1. Dim_Status Gambar 4. 2 Proses ETL Dimensi Status

15 91 Extract Proses extract dalam dimensi status terdapat pada: Langkah 1: Mengambil data StatusId, Status, StatusDesc, dan CauseId dari tabel Gen_Master_Status. Gambar Langkah Pertama Dimensi Status - Langkah 2: Mengambil data CauseId dan CausedBy dari tabel Gen_Master_Cause.

16 92 Gambar Langkah Kedua Dimensi Status Transform Proses transform dalam dimensi status terdapat pada: - Langkah 3 : Menggabungkan tabel master status dan master cause berdasarkan CauseId Gambar Langkah Ketiga Dimensi Status

17 93 - Langkah 4: Membuat surrogate key untuk Dim_Status Gambar Langkah Keempat Dimensi Status - Langkah 5: Mengambil field-field yang dibutuhkan, yaitu sk_status, StatusId, Status dan CausedBy. Gambar Langkah Kelima Dimensi Status Loading Proses loading dalam dimensi status terdapat pada:

18 94 - Langkah 6: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Status Gambar Langkah Keenam Dimensi Status 2. Dim_Program Gambar 4. 3 Proses ETL Dimensi Program Extract Proses extract dalam dimensi program terdapat pada: Langkah 1: Mengambil data ProgId, ProgKeyword, ProgDesc, CategoryId, OptId, dan PriceId dari tabel Gen_Program.

19 95 Gambar Langkah Pertama Dimensi Program - Langkah 2: Mengambil data CategoryId dan CategoryName dari tabel Gen_Master_ProgCategory. Gambar Langkah Kedua Dimensi Program Transform Proses transform dalam dimensi program terdapat pada: - Langkah 3 : Menggabungkan tabel master Program dan master ProgCategory berdasarkan CauseId

20 96 Gambar Langkah Ketiga Dimensi Program - Langkah 4: Membuat surrogate key untuk Dim_Program Gambar Langkah Keempat Dimensi Program - Langkah 5: Mengambil field-field yang dibutuhkan, yaitu sk_program, CategoryId, CategoryName, ProgId dan ProgDesc.

21 97 Gambar Langkah Kelima Dimensi Program Loading Proses loading dalam dimensi program terdapat pada: - Langkah 6: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Program Gambar Langkah Keenam Dimensi Program

22 98 3. Dim_Partner Gambar 4. 4 Proses ETL Dimensi Partner Extract Proses extract dalam dimensi partner terdapat pada: - Langkah 1: Mengambil data PartnerId, PartnerName, Address, StartDate, dan EndDate dari tabel Gen_Partner. Gambar Langkah Pertama Dimensi Partner Transform Proses transform dalam dimensi partner terdapat pada: - Langkah 2: Membuat surrogate key untuk Dim_Partner

23 99 Gambar Langkah Kedua Dimensi Partner - Langkah 3: Mengambil field-field yang dibutuhkan, yaitu sk_partner, PartnerId, dan PartnerName Gambar Langkah Ketiga Dimensi Partner Loading Proses loading dalam dimensi partner terdapat pada:

24 100 - Langkah 4: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Partner Gambar Langkah Keempat Dimensi Partner 4. Dim_Time Gambar 4. 5 Proses ETL Dimensi Time Transform Langkah 1 : Menyediakan kapasitas 1826 hari atau 5 tahun, dimulai dari awal tahun 2005

25 101 Gambar Langkah Pertama Dimensi Time Langkah 2 : Lalu membuat variabel days_since sehingga tanggal dapat di-increment sebesar 1 untuk mendapatkan tanggal selanjutnya Gambar Langkah Kedua Dimensi Time Langkah 3 : Membuat field-field yang mungkin dibutuhkan untuk Dim_Time, seperti year, month, dsb

26 102 Gambar Langkah Ketiga Dimensi Time Langkah 4 : Membuat perhitungan untuk mendapatkan minggu dalam bulan tersebut dengan menggunakan fungsi Calendar. WEEK_OF_MONTH. Gambar Langkah Keempat Dimensi Time Langkah 5: Membuat perhitungan quarter dalam tahun, dimana bulan satu sampai dengan tiga masuk ke dalam quarter 1, dst.

27 103 Gambar Langkah Kelima Dimensi Time Langkah 6: Membuat penamaan hari dalam minggu dimana day nr1 menunjukkan hari tersebut dalam angka yaitu minggu sebagai 1, dan untuk variabel daydesc menunjukkan minggu sebagai Sunday, sedangkan daydescshort sebagai SUN untuk hari minggu, dst. Gambar Langkah Keenam Dimensi Time

28 104 Langkah 7 : Membuat penamaan hari dalam minggu dimana data yang sebelumnya masih dalam bentuk baris, kita ubah ke dalam bentuk kolom agar sesuai dengan format tabel pada umumnya dalam database. Gambar Langkah Ketujuh Dimensi Time Langkah 8 : Menggabungkan penamaan hari yang telah dibuat melalui field DayNr Gambar Langkah Kedelapan Dimensi Time

29 105 Langkah 9 : M embuat penamaan bulan dengan membuat variabelvariabel penampung terlebih dulu yaitu desc1 untuk menampung bulan January, dan short1 untuk JAN, dst. Gambar Langkah Kesembilan Dimensi Time Langkah 10 : Membuat penamaan bulan dimana variabel tersebut diisi dengan angka yang sesuai.

30 106 Gambar Langkah Kesepuluh Dimensi Time Langkah 11: Menggabungkan dengan penamaan bulan yang telah dibuat melalui field MonthNr Gambar Langkah Kesebelas Dimensi Time

31 107 Langkah 12 : Membuat surrogate key untuk Dim_Time Gambar Langkah Kedua belas Dimensi Time Langkah 13 : Memilih field-field yang dibutuhkan yaitu sk_time, Year, Quarter, Month, MonthDesc, WeekOfMonth, DayOfMonth, DayofWeekDesc Gambar Langkah Ketiga belas Dimensi Time

32 108 Loading Proses loading dari dimensi time yaitu terdapat pada: Langkah 14 : Data lalu dimuat ke dalam tabel dimensi yaitu Dim_Time Gambar Langkah Keempat belas Dimensi Time 5. Dim_Operator Gambar 4. 6 Proses ETL Dimensi Operator Extract Proses extract dalam dimensi operator terdapat pada: - Langkah 1: Mengambil data OprId, operatorname, dan SharingPercentage dari tabel Gen_Master_Operator.

33 109 Gambar Langkah Pertama Dimensi Operator Transform Proses transform dalam dimensi operator terdapat pada: - Langkah 2: Membuat surrogate key untuk Dim_Operator Gambar Langkah Kedua Dimensi Operator - Langkah 3: Mengambil field-field yang dibutuhkan, yaitu sk_operator, OprId, dan OperatorName

34 110 Gambar Langkah Ketiga Dimensi Operator Loading Proses loading dalam dimensi operator terdapat pada: - Langkah 4: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Operator Gambar Langkah Keempat Dimensi operator 6. Dim_Channel Gambar 4. 7 Proses ETL Dimensi Channel

35 111 Extract Proses extract dalam dimensi channel terdapat pada: - Langkah 1: Mengambil data Channel, dan ChannelDesc dari tabel Gen_Master_Channel. Gambar Langkah Pertama Dimensi Channel Transform Proses transform dalam dimensi channel terdapat pada: - Langkah 2: Membuat surrogate key untuk Dim_Channel Gambar Langkah Kedua Dimensi Channel

36 112 - Langkah 3: Mengambil field-field yang dibutuhkan, yaitu sk_channel, Channel, dan ChannelDesc Gambar Langkah Ketiga Dimensi Channel Loading Proses loading dalam dimensi channel terdapat pada: - Langkah 4: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Channel Gambar Langkah Keempat Dimensi Channel

37 Dim_Media Gambar 4. 8 Proses ETL Dimensi Media Extract Proses extract dalam dimensi media terdapat pada: - Langkah 1: Mengambil data MediaId, dan MediaDesc dari tabel Gen_Master_Media. Gambar Langkah Pertama Dimensi Media Transform Proses transform dalam dimensi media terdapat pada: - Langkah 2: Membuat surrogate key untuk Dim_Media

38 114 Gambar Langkah Kedua Dimensi Media - Langkah 3: Mengambil field-field yang dibutuhkan, yaitu sk_media, MediaId, dan MediaDesc Gambar Langkah Ketiga Dimensi Media

39 115 Loading Proses loading dalam dimensi Media terdapat pada: - Langkah 4: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Media Gambar Langkah Keempat Dimensi Media 8. Dim_Option Gambar 4. 9 Proses ETL Dimensi Option Extract Proses extract dalam dimensi option terdapat pada: - Langkah 1: Mengambil data OptId, dan OptDesc dari tabel Gen_Master_Option.

40 116 Gambar Langkah Pertama Dimensi Option Transform Proses transform dalam dimensi Option terdapat pada: - Langkah 2: Membuat surrogate key untuk Dim_Option Gambar Langkah Kedua Dimensi Option

41 117 - Langkah 3: Mengambil field-field yang dibutuhkan, yaitu sk_option, OptId, dan OptDesc Gambar Langkah Ketiga Dimensi Option Loading Proses loading dalam dimensi Option terdapat pada: - Langkah 4: Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Option Gambar Langkah Keempat Dimensi Option

42 Dim_Company Gambar Proses ETL Dimensi Company Extract Proses extract dalam dimensi company terdapat pada: - Langkah 1: Mengambil data Company Name dan Company Brand dari tabel Ms_Company. Gambar Langkah Pertama Dimensi Company Transform Proses transform dalam dimensi Company terdapat pada: - Langkah 2 : Merubah nama field dengan menghilangkan spasi

43 119 Gambar Langkah Kedua Dimensi Company - Langkah 3: Membuat surrogate key untuk Dim_Company Gambar Langkah Ketiga Dimensi Company - Langkah 4: Mengambil data-data dan menyusun urutan field, yaitu sk_company, CompanyName, dan CompanyBrand

44 120 Gambar Langkah Keempat Dimensi Company Loading Proses loading dalam dimensi Company terdapat pada: - Langkah 5 : Data-data tersebut lalu dimuat ke dalam tabel dimensi yaitu Dim_Company Gambar Langkah Kelima Dimensi Company

45 Fact_Pembelian Gambar Proses ETL Fact Pembelian Extract Proses extract dari Fact_Pembelian terdapat pada: Langkah 1: Mengambil data buy_num, Date, PartnerId, ProgId dari tabel mstars_buy Gambar Langkah Pertama Fact_Pembelian - Langkah 2: Mengambil data buy_num, dan jumlah dari qty dari tabel mstars_buy_detail

46 122 Gambar Langkah Kedua Fact_Pembelian Transform Proses transform dari Fact_Pembelian terdapat pada: - Langkah 3: Menggabungkan data mstars_buy dan mstars_buy_detail melalui buy_num Gambar Langkah Ketiga Fact_Pembelian

47 123 - Langkah 4: Mengambil field-field, yaitu buy_num, Date, PartnerId, ProgId, dan Jumlah_Content. Gambar Langkah Keempat Fact_Pembelian - Langkah 5: Mengambil data dari Dim_Partner, yaitu sk_partner, PartnerId, dan PartnerName Gambar Langkah Kelima Fact_Pembelian

48 124 - Langkah 6: Mendapatkan sk_partner dengan mencocokkan dari field PartnerId Gambar Langkah Keenam Fact_Pembelian - Langkah 7: Mengambil data dari Dim_Program, yaitu sk_program, CategoryId, CategoryName, ProgId, dan ProgDesc. Gambar Langkah Ketujuh Fact_Pembelian

49 125 - Langkah 8: Mendapatkan sk_program melalui field ProgId Gambar Langkah Kedelapan Fact_Pembelian Langkah 9: Membaca tanggal transaksi ke dalam field year, month, dan day untuk mendapatkan sk_time Gambar Langkah Kesembilan Fact_Pembelian Langkah 10: Mengambil field-field yang dibutuhkan yaitu buy_num, Date, Jumlah_Content, sk_partner, sk_program, Year, Month, Day.

50 126 Gambar Langkah Kesepuluh Fact_Pembelian Langkah 11: Mengambil data dari Dim_Time, yaitu sk_time, Year, Quarter, Month, MonthDesc, Week, Day, dan DayDesc. Gambar Langkah Kesebelas Fact_Pembelian

51 127 Langkah 12: Mendapatkan sk_time dengan mecocokkan melalui field Year, Month dan Day. Gambar Langkah Kedua belas Fact_Pembelian Langkah 13: Memilih field-field yang dibutuhkan untuk Fact_Pembelian, yaitu sk_time, sk_partner, sk_program, dan Jumlah_Content. Gambar Langkah Ketiga belas Fact_Pembelian

52 128 Loading Proses loading dari Fact_Pembelian terdapat pada: Langkah 14: Data lalu dimuat ke dalam tabel Fact yaitu Fact_Pembelian. 11. Fact_Penjualan Gambar Langkah Keempat belas Fact_Pembelian

53 129 Gambar Proses ETL Fact Penjualan - Langkah 1 (Extract): Mengambil data-data dari field to_in_num, MSISDN, Prefix, OprId, Channel, MediaId, DateMO, dan Message dari tabel mstars_to_in Gambar Langkah Pertama Fact_Penjualan

54 130 - Langkah 2 (Extract): Mengambil field trx_num, to_in_num, Date, PlayerId, ServiceId, MediaId, StatusId, ProgId, ContentId, dan Price dari tabel mstars_trx. Gambar Langkah Kedua Fact_Penjualan - Langkah 3 (Transform) : Melakukan Lookup (Join) Tabel mstars_trx dengan mstars_to_in berdasar field to_in_num. field-field yang diambil dari tabel mstars_to_in adalah to_in_num, MSISDN, Prefix, OprId, Channel, MediaId, DateMO dan Message.

55 131 Gambar Langkah Ketiga Fact_Penjualan - Langkah 4 (Transform) : Melakukan sorting field dari kedua tabel yang di Extract data nya. Gambar Langkah Keempat Fact_Penjualan

56 132 - Langkah 5 (Transform) : Melakukan filter row, dimana data-data yang tidak memiliki OprId dan Channel (datanya NULL), yaitu data-data dari content yang kategorinya PUSH, akan diteruskan ke step 6, sisanya ke step 7. Gambar Langkah Kelima Fact_Penjualan - Langkah 6 (Transform) : Menangkap row-row yang telah di-filter pada langkah sebelumnya. Data yang masuk ke langkah ini adalah data transaksi yang bertipe PUSH, dimana ada user yang berlangganan dan setiap beberapa jangka waktu tertentu akan dikirimkan content secara otomatis tanpa perlu request. Gambar Langkah Keenam Fact_Penjualan

57 133 - Langkah 7 (Transform) : Menangkap row-row yang telah di-filter pada langkah sebelumnya. Data yang masuk ke langkah ini adalah data transaksi yang bertipe IOD (Info on Demand), dimana request akan content diminta oleh user secara manual atau biasa disebut dengan Pull. Gambar Langkah Ketujuh Fact_Penjualan - Langkah 8 (Extract) : Mengambil data-data dari field PlayerId, MSISDN, Status, DateReg, DateUnreg, LastPush, ProgId, Channel dan OprId dari tabel Gen_Player.

58 134 Gambar Langkah Kedelapan Fact_Penjualan - Langkah 9 (Transform) : Melakukan lookup, mengambil field OprId dan Channel dari tabel Gen_Player berdasar PlayerId. Gambar Langkah Kesembilan Fact_Penjualan

59 135 - Langkah 10 (Transform) : Melakukan penamaan ulang terhadap field yang baru di di-lookup (yaitu OprId_1 dan Channel_1) Gambar Langkah Kesepuluh Fact_Penjualan - Langkah 11 (Transform) : Menyatukan kembali row-row yang telah di filter sebelumnya. Sekarang field OprId dan Channel dari transaksi yang bertipe PUSH telah memiliki value. Gambar Langkah Kesebelas Fact_Penjualan

60 136 - Langkah 12 (Extract) : Mengambil data-data dari field ProgId, ProgKeyword, ProgDesc, CategoryId, OptId dan PriceId dari tabel Gen_Program. Gambar Langkah Kedua belas Fact_Penjualan - Langkah 13 (Transform) : Melakukan lookup, mengambil field OptId dari tabel Gen_Program berdasar ProgId.

61 137 Gambar Langkah Ketiga belas Fact_Penjualan - Langkah 14 (Transform) : Menambahkan 3 field baru, yaitu Year, Month dan Day, serta mengkalkulasikan value nya berdasar data di field Date. Gambar Langkah Keempat belas Fact_Penjualan

62 138 - Langkah 15 (Extract) : Mengambil data-data dari field Kategori Program, Nama Program, 2005, 2006, 2007, 2008 dan 2009 dari file Excel. (External Data) Gambar Langkah Kelima belas Fact_Penjualan - Langkah 16 (Transform) : Menambahkan field CompanyBrand yang berisi value Iguana Gambar Langkah Keenam belas Fact_Penjualan - Langkah 17 (Extract) : Mengambil data-data dari field Kategori Program, Nama Program, 2005, 2006, 2007, 2008 dan 2009 dari file Excel. (External Data)

63 139 Gambar Langkah Ketujuh belas Fact_Penjualan - Langkah 18 (Transform) : Menambahkan field CompanyBrand yang berisi value Visitel Gambar Langkah Kedelapan belas Fact_Penjualan - Langkah 19 (Extract) : Mengambil data-data dari field Kategori Program, Nama Program, 2005, 2006, 2007, 2008 dan 2009 dari file Excel. (External Data)

64 140 Gambar Langkah Kesembilan belas Fact_Penjualan - Langkah 20 (Transform) : Menambahkan field CompanyBrand yang berisi value Visitel Gambar Langkah Kedua puluh Fact_Penjualan - Langkah 21 (Transform): Menggabungkan row dari 3 external data ke field yang sama.

65 141 Gambar Langkah Kedua puluh satu Fact_Penjualan - Langkah 22 (Transform) : Melakukan normalisasi field, dimana kolom menjadi sebuah field Tahun, dan value yang sebelumnya ada di kolom tersebut dipindahkan ke field baru yang bernama Harga_Program. Gambar Langkah Kedua puluh dua Fact_Penjualan

66 142 - Langkah 23 (Extract) : Mengambil data-data sekaligus melakukan join tabel Gen_Program, Gen_Master_ProgCategory dan Gen_Master_Price. Gambar Langkah Kedua puluh tiga Fact_Penjualan - Langkah 24 (Transform) : Melakukan cloning row dari data yang baru saja di Extract. Tiap row diduplikasi sebanyak 4 kali, sehingga hasil akhirnya ada 5 row yang memiliki data sama.

67 143 Gambar Langkah Kedua puluh empat Fact_Penjualan - Langkah 25 (Transform) : Memilih field-field yang akan digunakan dari seluruh field yang diambil pada proses Extract pada langkah ke 23. Gambar Langkah Kedua puluh lima Fact_Penjualan - Langkah 26 (Transform) : Menambahkan tahun 2005, 2006, 2007, 2008, dan 2009 ke row-row yang telah diduplikasi pada langkah sebelumnya. Hal ini dilakukan, karena selama 5 tahun terakhir harga di

68 144 perusahaan tidak mengalami perubahan dan tidak adanya informasi tahun pada harga di database. Gambar Langkah Kedua puluh enam Fact_Penjualan - Langkah 27 (Transform) : Menambahkan field CompanyBrand terhadap data perusahaan sendiri, yang berisi value *M-Stars* Gambar Langkah Kedua puluh tujuh Fact_Penjualan - Langkah 28 (Transform) : Melakukan perubahan nama field, Price menjadi Harga_Program, agar sama dengan data External.

69 145 Gambar Langkah Kedua puluh delapan Fact_Penjualan - Langkah 29 (Transform): Menggabungkan row external data dengan internal data. Gambar Langkah Kedua puluh sembilan Fact_Penjualan

70 146 - Langkah 30 (Extract) : Mengambil data-data dari field ProgId, ProgKeyword, ProgDesc, CategoryId, OptId, dan PriceId dari tabel Gen_Program. Gambar Langkah Ketiga puluh Fact_Penjualan - Langkah 31 (Transform) : Melakukan lookup, mengambil field ProgId dari tabel Gen_Program berdasarkan field ProgDesc

71 147 Gambar Langkah Ketiga puluh satu Fact_Penjualan - Langkah 32 (Extract) : Mengambil data-data dari field sk_company, CompanyName, dan CompanyBrand dari tabel Dim_Company. Gambar Langkah Ketiga puluh dua Fact_Penjualan

72 148 - Langkah 33 (Transform) : Melakukan lookup, mengambil field sk_company dari tabel Dim_Company berdasarkan field CompanyBrand. Gambar Langkah Ketiga puluh tiga Fact_Penjualan - Langkah 34 (Transform): Menggabungkan row dari field-field yang akan digunakan untuk analisa penjualan (#1-16) dan row dari field-field yang akan digunakan untuk analisa perbandingan harga (#17-22). Sampai tahap ini, field-field tersebut masih dalam tahap pemrosesan dan banyak yang belum memiliki surrogate key.

73 149 Gambar Langkah Ketiga puluh empat Fact_Penjualan - Langkah 35 (Extract) : Mengambil data-data dari field sk_operator, OprId, dan OperatorName dari tabel Dim_Operator. Gambar Langkah Ketiga puluh lima Fact_Penjualan

74 150 - Langkah 36 (Transform) : Melakukan lookup, mengambil field sk_operator dari tabel Dim_Operator berdasarkan OprId. Gambar Langkah Ketiga puluh enam Fact_Penjualan - Langkah 37 (Extract) : Mengambil data-data dari field sk_channel, Channel, dan ChannelDesc dari tabel Dim_Channel.

75 151 Gambar Langkah Ketiga puluh tujuh Fact_Penjualan - Langkah 38 (Transform) : Melakukan lookup, mengambil field sk_channel dari tabel Dim_Channel berdasarkan Channel. Gambar Langkah Ketiga puluh delapan Fact_Penjualan

76 152 - Langkah 39 (Extract) : Mengambil data-data dari field sk_media, MediaId, MediaDesc dari tabel Dim_Media. Gambar Langkah Ketiga puluh sembilan Fact_Penjualan - Langkah 40 (Transform) : Melakukan lookup, mengambil field sk_media dari tabel Dim_Media berdasarkan MediaId.

77 153 Gambar Langkah Keempat puluh Fact_Penjualan - Langkah 41 (Extract) : Mengambil data-data dari field sk_program, CategoryId, CaterogyName, ProgId, dan ProgDesc dari tabel Dim_Program. Gambar Langkah Keempat puluh satu Fact_Penjualan

78 154 - Langkah 42 (Transform) : Melakukan lookup, mengambil field sk_program dari tabel Dim_Program berdasarkan ProgId. Gambar Langkah Keempat puluh dua Fact_Penjualan - Langkah 43 (Extract) : Mengambil data-data dari field sk_option, OptId, dan OptDesc dari tabel Dim_Option.

79 155 Gambar Langkah Keempat puluh tiga Fact_Penjualan - Langkah 44 (Transform) : Melakukan lookup, mengambil field sk_option dari tabel Dim_Option berdasarkan OptId. Gambar Langkah Keempat puluh empat Fact_Penjualan

80 156 - Langkah 45 (Extract) : Mengambil data-data dari field sk_status, StatusId, Status, CausedBy dari tabel Dim_Status. Gambar Langkah Keempat puluh lima Fact_Penjualan - Langkah 46 (Transform) : Melakukan lookup, mengambil field sk_status dari tabel Dim_Status berdasarkan StatusId. Gambar Langkah Keempat puluh enam Fact_Penjualan

81 157 - Langkah 47 (transform): Mengambil data-data dari field sk_time, Year, Quarter, Month, MonthDesc, Week, Day, DayDesc dari tabel Dim_Time. Gambar Langkah Keempat puluh tujuh Fact_Penjualan - Langkah 48 (transform) : Melakukan lookup, mengambil field sk_time dari tabel Dim_Time berdasarkan Year, Month, dan Day. Gambar Langkah Keempat puluh delapan Fact_Penjualan

82 158 - Langkah 49 (transform): Menambahkan kolom Count_Traffic yang berisi value untuk perhitungan Jumlah Traffic. Gambar Langkah Keempat puluh sembilan Fact_Penjualan - Langkah 50 (transform): Menyeleksi field-field yang akan di Load ke dalam tabel Fact_Penjualan, yaitu: sk_time, sk_operator, sk_channel, sk_media, sk_program, sk_option, sk_status, sk_company, Jumlah_Traffic, Total_Penjualan, dan Harga_Program. - Gambar Langkah Kelima puluh Fact_Penjualan

83 159 - Langkah 51 (loading): Langkah terakhir ini adalah proses Load data ke dalam tabel Fact_Penjualan. Gambar Langkah Kelima puluh satu Fact_Penjualan b. Proses Backup Pelaku Backup Dilakukan setiap Keterangan Database Administrator Satu bulan sekali, sebelum proses ETL dilakukan Tabel Tabel Backup Backup data warehouse dilakukan untuk menganggulangi proses ETL yang gagal

84 Skema bintang Pada perancangan ini, bentuk skema yang dipilih adalah star schema, karena skema ini merupakan skema yang mudah dipahami dan digunakan oleh pengguna daripada skema yang lain. Dengan penggunaan star schema, kebutuhan untuk performa menjadi lebih ringan dan waktu pemrosesan menjadi lebih cepat. Secara garis besar skema bintang terdiri dari dua jenis tabel, yaitu tabel fakta dan tabel dimensi. Berikut gambar skema bintang PT. Antar Mitra Prakarsa secara keseluruhan. Gambar Skema Bintang PT. Antar Mitra Prakarsa

85 Skema Bintang Penjualan Skema bintang penjualan menunjukkan kegiatan penjualan ke pelanggan. Tabel fakta yang ada dalam skema ini yaitu Fact_Penjualan. Tabel dimensi yang ada dalam skema ini yaitu Dim_Time, Dim_Operator, Dim_Channel, Dim_Program, Dim_Media, Dim_Status, dan Dim_Option. Berikut gambar skema bintang penjualan pada PT. Antar Mitra Prakarsa: Gambar Skema Bintang Penjualan

86 Skema Bintang Pembelian Skema bintang pembelian menunjukkan kegiatan pembelian content ke partner. Tabel fakta yang ada dalam skema ini beserta dimensinya yaitu Fact_Pembelian, Dim_Time, Dim_Program, dan Dim_Partner. Berikut gambar skema bintang pembelian pada PT. Antar Mitra Prakarsa: Gambar Skema Bintang Pembelian 4.4 Metadata Metadata memuat informasi yang penting mengenai data dalam data warehouse. Metadata dalam data warehouse dapat memuat beberapa hal yaitu: Nama database sumber Nama tabel data warehouse beserta deskripsi dari tabel tersebut Rincian informasi dalam tabel data warehouse, meliputi:

87 163 o Nama kolom o Tipe tabel kolom o Ukuran kolom (ukuran kolom yang diperlukan dalam media penyimpanan dalam satuan tertentu), dan o Kolom yang menjadi kunci Berikut metadata pada perancangan data warehouse PT. Antar Mitra Prakarsa:

88 164 a. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Time Deskripsi Tabel : Tabel dimensi waktu Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_waktu Int Create Year Int - Year Datetime - mstars_trx, mstars_buy Create Quarter Int - Quarter Int - mstars_trx, mstars_buy Create M onth Int - M onth Int - mstars_trx, mstars_buy Create MonthDesc Varchar 30 MonthDesc Varchar 30 mstars_trx, mstars_buy Create Week Int - Week Int - mstars_trx, mstars_buy Create Day Int - Day Int - mstars_trx, mstars_buy Create DayDesc Varchar 30 DayDesc Varchar 30 mstars_trx, mstars_buy Create Tabel Tabel Metadata Dimensi Time

89 165 b. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Operator Deskripsi Tabel : Tabel dimensi operator Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_operator Int Create OprId Varchar 6 OprId Varchar 6 Gen_Master_ Copy OperatorName Varchar 50 Operator Name Operator Varchar 50 Gen_Master_ Operator Copy Tabel Tabel Metadata Dimensi Operator

90 166 c. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Channel Deskripsi Tabel : Tabel dimensi channel Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_channel Int Create Channel Varchar 4 Channel Varchar 4 Gen_Master_ Copy ChannelDesc Varchar 100 Channel Desc Channel Varchar 100 Gen_Master_ Channel Copy Tabel Tabel Metadata Dimensi Channel

91 167 d. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Media Deskripsi Tabel : Tabel dimensi media Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukura Tabel sk_media Int Create n MediaId Varchar 6 MediaId Varchar 6 Gen_Master_ Copy Media MediaDesc Varchar 50 MediaDesc Varchar 50 Gen_Master_ Copy Media Tabel Tabel Metadata Dimensi Media

92 168 e. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Partner Deskripsi Tabel : Tabel dimensi partner Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_partner Int Create PartnerId Varchar 6 Partner Varchar 6 Gen_Partner Copy Id PartnerName Varchar 50 Partner Varchar 50 Gen_Partner Copy Name Tabel Tabel Metadata Dimensi Partner

93 169 f. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Option Deskripsi Tabel : Tabel dimensi option Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_option Int Create OptId Int - OptId Int - Gen_Master_Option Copy OptDesc Varchar 50 OptDesc Varchar 50 Gen_Master_Option Copy Tabel Tabel Metadata Dimensi Option

94 170 g. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Program Deskripsi Tabel : Tabel dimensi program Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_program Int Create CategoryId Varchar 3 ProgCategory Varchar 3 Gen_Master_Prog Copy Category CategoryName Varchar 30 CategoryName Varchar 30 Gen_Master_Prog Copy Category ProgId Varchar 9 ProgId Varchar 9 Gen_Program Copy ProgDesc Varchar 100 ProgDesc Varchar 100 Gen_Program Copy Tabel Tabel Metadata Dimensi Program

95 171 h. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Status Deskripsi Tabel : Tabel dimensi status Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_status Int Create StatusId Int - StatusId Int - Gen_Master_Status Copy Status Varchar 20 Status Varchar 20 Gen_Master_Status Copy CausedBy Varchar 100 CausedBy Varchar 100 Gen_Master_Cause Copy Tabel Tabel Metadata Dimensi Status

96 172 i. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Dim_Company Deskripsi Tabel : Tabel dimensi company Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukura Tabel sk_company Int Create n CompanyName Varchar 100 Company Varchar 100 Ms_Company.xls Copy Name CompanyBrand Varchar 100 Company Varchar 100 Ms_Company.xls Copy Brand Tabel Tabel Metadata Dimensi Company

97 173 j. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Fact_Penjualan Deskripsi Tabel : Tabel fakta penjualan Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_time Int - sk_time Int - Dim_Time Copy sk_operator Int - sk_operator Int - Dim_Operator Copy sk_channel Int - sk_channel Int - Dim_Channel Copy sk_media Int - sk_media Int - Dim_Media Copy sk_program Int - sk_program Int - Dim_Program Copy sk_option Int - sk_option Int - Dim_Option Copy sk_status Int - sk_status Int - Dim_Status Copy sk_company Int - sk_company Int - Dim_Company Copy Jumlah_Traffic Int - Jumlah_Traffic Int - mstars_trx Copy

98 174 Total_Penjualan Int - Total_Penjualan Int - mstars_trx Copy Harga_Program Int - Price Int - Gen_Program, Copy Gen_Master_Pr ice Tabel Tabel Metadata Fact Penjualan k. DBMS : SQL Server 2008 Nama Database : OLAP_AMP Nama Tabel : Fact_Pembelian Deskripsi Tabel : Tabel fakta pembelian Field Tipe Ukuran Sumber Data Transformasi Field Tipe Ukuran Tabel sk_time Int - sk_time Int - Dim_Time Create sk_partner Int - sk_partner Int - Dim_Partner Copy sk_program Int - sk_program Int - Dim_program Copy Jumlah_Content Int - Qty Int - mstars_buy_detail Copy Tabel Tabel Metadata Fact Pembelian

99 Proses Analisis Kapasitas Media Penyimpanan Proses Analisis Kapasitas Media Penyimpanan Transaksi sehari-hari yang terjadi pada OLTP, sangat mempengaruhi pertumbuhan data dalam database maupun pertumbuhan data dalam data warehouse. Oleh karena itu, diperlukan analisis kebutuhan media penyimpanan untuk data warehouse sehingga mampu menampung pertumbuhan data yang terus menerus selama beberapa tahun ke depan. Rumus yang akan digunakan untuk perhitungan kebutuhan record dalam SQL Server 2008 adalah: o Num_Row = Jumlah Baris / Jumlah Record o Num_Col = Jumlah Kolom dalam tabel o Fixed_Data_Size = Jumlah bytes yang dibutuhkan oleh semua kolom yang mempunyai tipe data dengan ukuran yang pasti. o Num_Variable_Cols = Jumlah kolom yang mempunyai tipe data dengan ukuran tidak pasti seperti varchar, nvarchar, varbinary. o Max_Var_Size = Ukuran byte terbesar dari semua kolom yang mempunyai tipe data dengan ukuran tidak pasti o Null_Bitmap = Bit status null kolom = 2 + ((Num_Col + 7) / 8) o Variable_Data_Size = Jumlah bytes yang dibutuhkan untuk semua kolom variable = 2 + (Num_Variable_Cols x 2) + Max_Var_Size o Row_Size = Fixed_Data_Size + Null_Bitmap + 4 o Rows_Per_Page = 8096 / (Row_Size+2) o Num_of_Pages = Num_Row / Rows_Per_Page o Heap_Size (Bytes) = 8192 Num_of_Pages

100 176 o Heap_Size (Mbytes) = Num_of_Bytes / 1024 / 1024 Analisis perkiraan kapasitas media penyimpanan data pada data warehouse PT Antar Mitra Prakarsa adalah seperti berikut ini, dimana n merupakan variabel tahun. Rn = R (n + (1+i) n ) R = jumlah record n = tahun i = persentase pertumbuhan record per tahun Perhitungan untuk dimensi yang mengalami pertumbuhan data adalah seperti berikut: Rn = R (1+i) n R = jumlah record n = tahun i = persentase pertumbuhan record per tahun

101 177 Berikut adalah analisis perkiraan kapasitas media penyimpanan saat ini: DimTime DimChannel DimMedia DimOperator Num_Rows Num_Cols Fixed_Data_Size Num_Variable_Cols Max_Var_Size Null_Bitmap Variable_Data_Size Row_Size Rows_Per_Page Num_Pages Heap size (bytes) Heap size (Kbytes) Dim_Stat us Dim_Compa ny Dim_Opti on Dim_Partn er Dim_Progra m Num_Rows Num_Cols Fixed_Data_Size Num_Variable_C ols Max_Var_Size Null_Bitmap Variable_Data_Si ze Row_Size Rows_Per_Page Num_Pages Heap size (bytes) Heap size (Kbytes) Tabel Tabel Kapasitas Penyimpanan Dimensi

102 178 Fact_Penjualan Fact_Pembelian Num_Rows Num_Cols 11 4 Fixed_Data_Size Num_Variable_Cols 0 0 Max_Var_Size 4 4 Null_Bitmap Variable_Data_Size 6 6 Row_Size Rows_Per_Page Num_Pages Heap size (bytes) Heap size (Kbytes) Tabel Tabel Kapasitas Penyimpanan Fact Berikut adalah analisis perkiraan kapasitas media penyimpanan untuk lima tahun mendatang : 1. Record Fact_Penjualan Asumsi jumlah record data selama lima tahun diperkirakan adalah record. Jumlah tersebut didasarkan pada asumsi bahwa ratarata setiap bulan terjadi transaksi sehingga jumlah record untuk lima tahun adalah x 12 x 5 yaitu record. R5 = (5 + (1+0,1) 5 ) = Jumlah record Fact_Penjualan pada tahun ke-5 = Maka kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = Num_Col = 11

103 179 Fixed_Data_Size = = 44 bytes Num_Variable_Cols = 0 Max_Var_Size = 4 Null Bitmap = 2 + ((11 + 7) / 8) = 4,25 Variable_Data_Size = 2 + (11 x 2) + 4 = 6 Row_Size = , = 58,25 bytes Rows_Per_Page = 8096 / (58,25 + 2) = 134,37 rows Num_of_Pages = / 134,37 = ,6 pages Heap_Size (Bytes) = ,6 = bytes Heap_Size (Mbytes) = / 1024 / 1024 = ,87 Mbytes 2. Record Fact_Pembelian Asumsi jumlah record data untuk lima tahun diperkirakan adalah record. Jumlah tersebut didasarkan pada asumsi bahwa rata-rata setiap bulan terjadi transaksi sehingga jumlah record untuk satu tahun adalah x 12 x 5 yaitu record. R5 = (5 + (1+0,1) 5 ) = Jumlah record Fact_Pembelian pada tahun ke-5 = Maka kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row =

104 180 Num_Col = 4 Fixed_Data_Size = = 16 bytes Num_Variable_Cols = 0 Max_Var_Size = 4 Null Bitmap = 2 + ((4 + 7) / 8) = 3,38 Variable_Data_Size = 2 + (0 x 2) + 4 = 6 Row_Size = , = 29,38 bytes Rows_Per_Page = 8096 / (29,38 + 2) = 258 row Num_of_Pages = / 258 = 2305,99 pages Heap_Size (Bytes) = ,99 = ,08 bytes Heap_Size (Mbytes) = ,08 / 1024 / 1024 = 18,02 Mbytes Perhitungan untuk dimensi yang mengalami pertumbuhan data adalah seperti berikut, (kecuali Dimensi Time, Media, dan Option): 1. Dimensi Time R5 = (365 x 5) = 3650 Jumlah record Dim_Time pada tahun ke-5 = 3650 Maka kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 3650 Num_Col = 8 Fixed_Data_Size = = 84 bytes

105 181 Num_Variable_Cols = 2 Max_Var_Size = 30 Null Bitmap = 2 + ((8 + 7) / 8) = 3,88 Variable_Data_Size = 2 + (2 x 2) + 30 = 36 Row_Size = , = 127,88 bytes Rows_Per_Page = 8096 / (127,88 + 2) = 62,33 row Num_of_Pages = 3650 / 62,33 = 58,56 pages Heap_Size (Bytes) = ,56 = ,52 bytes Heap_Size (Mbytes) = ,52 / 1024 / 1024 = 0,46 Mbytes 2. Dimensi Channel R5 = 5 (1+0,01) 5 = 6 Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 6 Num_Col = 3 Fixed_Data_Size = = 108 bytes Num_Variable_Cols = 2 Max_Var_Size = 100 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (2 x 2) = 106 Row_Size = , = 221,25 bytes Rows_Per_Page = 8096 / (221,25 + 2) = 36,26 row

106 182 Num_of_Pages = 6 / 36,26 = 0,17 pages Heap_Size (Bytes) = ,17 = 1392,64 bytes Heap_Size (Mbytes) = 1392,64 / 1024 / 1024 = 0,01 Mbytes 3. Dimensi Media Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 3 Num_Col = 3 Fixed_Data_Size = = 60 bytes Num_Variable_Cols = 2 Max_Var_Size = 50 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (2 x 2) + 50 = 56 Row_Size = , = 123,25 bytes Rows_Per_Page = 8096 / (123,25 + 2) = 64,64 row Num_of_Pages = 3 / 64,64 = 0,05 pages Heap_Size (Bytes) = ,05 = 409,6 bytes Heap_Size (Mbytes) = 409,6 / 1024 / 1024 = 0,01 Mbytes 4. Dimensi Operator R5 = 7 (1+0,01) 5 = 8

107 183 Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 8 Num_Col = 3 Fixed_Data_Size = = 60 bytes Num_Variable_Cols = 2 Max_Var_Size = 50 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (2 x 2) + 50 = 56 Row_Size = , = 123,25 bytes Rows_Per_Page = 8096 / (123,25 + 2) = 64,64 row Num_of_Pages = 3 / 64,64 = 0,12 pages Heap_Size (Bytes) = ,12 = 983,04 bytes Heap_Size (Mbytes) = 983,4 / 1024 / 1024 = 0,01 Mbytes 5. Dimensi Option R5 = 20 (1+0,01) 5 = 22 Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 22 Num_Col = 3 Fixed_Data_Size = = 58 bytes Num_Variable_Cols = 1

108 184 Max_Var_Size = 50 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (1 x 2) + 50 = 54 Row_Size = , = 119,25 bytes Rows_Per_Page = 8096 / (119,25 + 2) = 66,77 row Num_of_Pages = 22 / 66,77 = 0,33 pages Heap_Size (Bytes) = ,33 = 2703,36 bytes Heap_Size (Mbytes) = 2703,36 / 1024 / 1024 = 0,003 Mbytes 6. Dimensi Partner R5 = 50 (1+0,01) 5 = 53 Jumlah record Dim_Partner pada tahun ke-5 = 53 Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 53 Num_Col = 3 Fixed_Data_Size = = 60 bytes Num_Variable_Cols = 2 Max_Var_Size = 50 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (2 x 2) + 50 = 56 Row_Size = , = 123,25 bytes Rows_Per_Page = 8096 / (123,25 + 2) = 64,64 row

109 185 Num_of_Pages = 53 / 64,64 = 0,82 pages Heap_Size (Bytes) = ,82 = 6717,44 bytes Heap_Size (Mbytes) = 6717,44 / 1024 / 1024 = 0,007 Mbytes 7. Dimensi Program R5 = 500 (1+0,02) 5 = 553 Jumlah record Dim_Program pada tahun ke-5 = 553 Maka kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 553 Num_Col = 5 Fixed_Data_Size = = 146 bytes Num_Variable_Cols = 4 Max_Var_Size = 100 Null Bitmap = 2 + ((5 + 7) / 8) = 3,5 Variable_Data_Size = 2 + (4 x 2) = 110 Row_Size = ,5 + 4 = 263,5 bytes Rows_Per_Page = 8096 / (263,5 + 2) = 30,49 row Num_of_Pages = 553 / 30,49 = 18,14 pages Heap_Size (Bytes) = ,14 = ,88 bytes Heap_Size (Mbytes) = ,88 / 1024 / 1024 = 0,142 Mbytes

110 Dimensi Status R5 = 300 (1+0,02) 5 = 316 Jumlah record Dim_Status pada tahun ke-5 = 316 Maka kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah: Num_Row = 316 Num_Col = 4 Fixed_Data_Size = = 128 bytes Num_Variable_Cols = 2 Max_Var_Size = 100 Null Bitmap = 2 + ((4 + 7) / 8) = 3,38 Variable_Data_Size = 2 + (2 x 2) = 106 Row_Size = , = 241,38 bytes Rows_Per_Page = 8096 / (241,38 + 2) = 33,26 row Num_of_Pages = 316 / 33,26 = 9,5 pages Heap_Size (Bytes) = ,5 = bytes Heap_Size (Mbytes) = / 1024 / x1024 = 0,08 Mbytes 9. Dimensi Company R5 = 20 (1+0,01) 5 = 22 Kisaran media penyimpanan yang dibutuhkan dalam jangka waktu 5 tahun adalah:

111 187 Num_Row = 22 Num_Col = 3 Fixed_Data_Size = = 204 bytes Num_Variable_Cols = 2 Max_Var_Size = 100 Null Bitmap = 2 + ((3 + 7) / 8) = 3,25 Variable_Data_Size = 2 + (2 x 2) = 106 Row_Size = , = 317,25 bytes Rows_Per_Page = 8096 / (317,25 + 2) = 25,36 row Num_of_Pages = 22 / 25,36 = 0,87 pages Heap_Size (Bytes) = ,87 = 7127,04 bytes Heap_Size (Mbytes) = 7127,04 / 1024 / 1024 = 0,0068 Mbytes Proses Analisis Pertumbuhan Data Analisis perkiraan pertumbuhan data pada data warehouse PT. Antar Mitra Prakarsa adalah sebagai berikut:

112 188 Nama Tabel Besar Jumlah Jumlah record Current bytes (Bytes) Record (Mbytes) Fact_Penjualan ,87 Fact_Pembelian ,02 Dim_Time ,46 Dim_Program ,142 Dim_Option ,003 Dim_Operator ,01 Dim_Channel ,01 Dim_Media ,01 Dim_Status ,08 Dim_Partner ,007 Dim_Company ,0068 Total Tabel Tabel Analisis Pertumbuhan Data 4.6 Tampilan Layar Aplikasi Rancangan layar AMP-Penjualan-Channel Dalam layar ini berisikan pivot table dan chart yang menampilkan channel yang paling banyak digunakan berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan

113 189 juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF. Gambar Rancangan layar AMP-Penjualan-Channel Rancangan layar AMP-Penjualan-JumlahTraffic Dalam layar ini berisikan pivot table dan chart yang menampilkan jumlah traffic berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot

114 190 table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF. Gambar Rancangan layar AMP-Penjualan-JumlahTraffic Rancangan layar AMP-Penjualan-Media Dalam layar ini berisikan pivot table dan chart yang menampilkan media yang paling banyak digunakan berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

115 191 Gambar Rancangan layar AMP-Penjualan-Media Rancangan layar AMP-Penjualan-Operator Dalam layar ini berisikan pivot table dan chart yang menampilkan operator mana yang paling banyak transaksinya berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

116 192 Gambar Rancangan layar AMP-Penjualan-Operator Rancangan layar AMP-Penjualan-Option Dalam layar ini berisikan pivot table dan chart yang menampilkan option mana yang paling banyak diminati oleh pelanggan berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

117 193 Gambar Rancangan layar AMP-Penjualan-Option Rancangan layar AMP-Penjualan-Program Dalam layar ini berisikan pivot table dan chart yang menampilkan program mana yang paling banyak diminati oleh pelanggan berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

118 194 Gambar Rancangan layar AMP-Penjualan-Program Rancangan layar AMP-Penjualan-StatusOperator Dalam layar ini berisikan pivot table dan chart yang menampilkan operator mana yang paling banyak mengalami kegagalan pengiriman content berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

119 195 Gambar Rancangan layar AMP-Penjualan-StatusOperator Rancangan layar AMP-Penjualan-Status Dalam layar ini berisikan pivot table dan chart yang menampilkan tingkat keberhasilan dan tingkat kegagalan pengiriman content berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

120 196 Gambar Rancangan layar AMP-Penjualan-Status Rancangan layar AMP-Penjualan-TotalPenjualan Dalam layar ini berisikan pivot table dan chart yang menampilkan total penjualan berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

121 197 Gambar Rancangan layar AMP-Penjualan-TotalPenjualan Rancangan layar AMP-Pembelian-Partner Dalam layar ini berisikan pivot table dan chart yang menampilkan informasi mengenai partner mana yang paling banyak memberikan content berdasarkan periode waktu tertentu. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

122 198 Gambar Rancangan layar AMP-Pembelian-Partner Rancangan layar AMP-Perbandingan-Harga Dalam layar ini berisikan pivot table dan chart yang menampilkaninformasi mengenai harga content dalam program tertentu dari company kita dibandingkan dengan harga dari company lainnya. Pada tombol navigator dilambangkan dengan kubus yang berada di paling kiri berfungsi bagi user untuk memilih dimensi yang diinginkan untuk tampil, dan juga dapat memilih measure yang ingin ditampilkan. Sedangkan tombol exports to excel dilambangkan dengan simbol X yang berada di paling kanan berfungsi untuk melakukan export pivot table ke excel. Tombol dengan gambar printer yang terletak tepat di sebelah kiri exports to excel, berfungsi untuk meng-export ke dalam bentuk PDF.

123 199 Gambar 4.26 Rancangan layar AMP-Perbandingan-Harga 4.7 Rancangan Implementasi Pengembangan sistem data warehouse ini menggunakan 2 komponen pendukung yaitu dukungan perangkat keras (hardware) dan dukungan perangkat lunak (software) Dukungan Perangkat Keras (Hardware) Perangkat keras yang digunakan dalam pengimplementasian data warehouse penjualan dan pembelian bagi PT. Antar Mitra Prakarsa, yang terdiri dari server dan client. Adapun spesifikasi minimum perangkat keras yang disarankan untuk data warehouse tersebut adalah sebagai berikut : a. Server Processor Kapasitas harddisk : Intel Xeon QuadCore 2,5 Ghz : 160 GB