BAB 4 PERANCANGAN DATA WAREHOUSE
|
|
- Yandi Budiono
- 6 tahun lalu
- Tontonan:
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
BAB 4 PERANCANGAN SISTEM DATA WAREHOUSE. Artsitektur data warehouse yang akan digunakan oleh PT. Toyota Astra
BAB 4 PERANCANGAN SISTEM DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Artsitektur data warehouse yang akan digunakan oleh PT. Toyota Astra Motor adalah arsitektur data warehouse terpusat (Centralized Data
Lebih terperinciBAB 4 PERANCANGAN SISTEM. menggunakan data warehouse terpusat (centralized data warehouse). Adapun
BAB 4 PERANCANGAN SISTEM 4.1 Arsitektur Data Warehouse Dalam perancangan data warehouse pada Mandiri Tabungan Rencana menggunakan data warehouse terpusat (centralized data warehouse). Adapun beberapa alasan
Lebih terperinciBAB 4 RANCANGAN DATA WAREHOUSE YANG DIUSULKAN. Pada perancangan Data Warehouse Kementerian Dalam Negeri Bagian
180 BAB 4 RANCANGAN DATA WAREHOUSE YANG DIUSULKAN 4.1 Arsitektur Data Warehouse Pada perancangan Data Warehouse Kementerian Dalam Negeri Bagian Kependudukan, kami mengusulkan sebuah Data Warehouse terpusat
Lebih terperinciBAB 4 PERANCANGAN DATA WAREHOUSE. diterapkan adalah arsitektur data warehouse terpusat. Alasan memilih arsitektur data
BAB 4 PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Dalam merancang data warehouse untuk PT. Saga Machie, arsitektur yang diterapkan adalah arsitektur data warehouse terpusat. Alasan memilih
Lebih terperinciGambar 4.57 Rancangan Pivot Tabel Total Purchase Return Dalam Quantity
123 Gambar 4.57 Rancangan Pivot Tabel Total Purchase Return Dalam Quantity Gambar 4.58 Rancangan Pivot Tabel Total Purchase Return Berdasarkan Vendor Area Dalam Rupiah 124 Gambar 4.59 Rancangan Pivot Tabel
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE
84 BAB 4 PERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE 4.1 Perancangan Data warehouse 4.1.1 Arsitektur Data warehouse Berdasarkan hasil dari penelitian yang dilakukan pada PT. Mega Solusi Teknologi, maka
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI. memproyeksikan hal hal berikut: 1. Jalannya investasi dari proses bisnis yang berjalan pada perusahaan
BAB 4 PERANCANGAN DAN IMPLEMENTASI 4.1. Identifikasi Kebutuhan Informasi Kebutuhan informasi dari PT. Corfina Capital adalah untuk dapat memproyeksikan hal hal berikut: 1. Jalannya investasi dari proses
Lebih terperinciBAB IV PERANCANGAN DATA WAREHOUSE. yang diterapkan adalah arsitektur data warehouse terpusat. Alasan memilih arsitektur
BAB IV PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data warehouse Dalam merancang data warehouse untuk PT. Teras Teknik Perdana, arsitektur yang diterapkan adalah arsitektur data warehouse terpusat. Alasan
Lebih terperinciBAB 4 PERANCANGAN DATA WAREHOUSE
BAB 4 PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Perancangan Data Warehouse pada Rumah Sakit XYZ menggunakan Centralized Data Warehouse (Data Warehouse yang terpusat). Sumber data yang terdapat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Teknologi informasi sekarang ini telah mengalami perkembangan yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi informasi sekarang ini telah mengalami perkembangan yang sangat pesat dalam waktu yang singkat. Teknologi informasi merupakan suatu keharusan yang harus ada
Lebih terperinciBAB 1 PENDAHULUAN. pokok untuk kelangsungan hidup perusahaan. perusahaan yang bergerak di bidang retail.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini penggunaan teknologi informasi tidak dapat dipisahkan dengan kehidupan kita, terutama di dalam suatu perusahaan. Teknologi informasi yang telah diintegrasikan
Lebih terperinci2. DTS tabel DimOutlet
191 Gambar 4.17 Design Query untuk DTS_Brand Gambar 4.18 DTS DimBrand 2. DTS tabel DimOutlet Data diperoleh dari tabel Outlet yang melalui proses pengecekan tanggal pemasukan di FTS_Outlet. 192 Gambar
Lebih terperinciBAB IV PERANCANGAN DATA WAREHOUSE
BAB IV PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Berdasarkan penelitian yang dilakukan pada PT. Makmur Pangan Kharisma, arsitektur data warehouse yang cocok digunakan adalah bentuk data
Lebih terperinciBAB 4 PERANCANGAN SISTEM. di Bab 3, maka dibuat data warehouse dan langkahnya adalah sebagai berikut : Memilih Proses (Choosing the Process)
BAB 4 PERANCANGAN SISTEM 4.1 Perancangan Data Warehouse Untuk memecahkan masalah yang ada PT. Harmoni Dharma Abadi seperti yang ada di Bab 3, maka dibuat data warehouse dan langkahnya adalah sebagai berikut
Lebih terperinciBAB 1 PENDAHULUAN. perusahaan. Dengan informasi, organisasi bisa berkembang dan menjadi lebih
BAB 1 PENDAHULUAN 1.1 Latar Belakang Informasi menjadi kebutuhan penting dalam sebuah organisasi ataupun perusahaan. Dengan informasi, organisasi bisa berkembang dan menjadi lebih baik, karena informasi
Lebih terperinciBAB 4 RANCANGAN S IS TEM YANG D IUS ULKAN. kami mengusulkan sebuah data warehouse terpusat. Data warehouse tersebut
BAB 4 RANCANGAN S IS TEM YANG D IUS ULKAN 4.11 Arsitektur data warehouse Untuk perancangan data warehouse pada Software Laboratory Center, kami mengusulkan sebuah data warehouse terpusat. Data warehouse
Lebih terperinciBAB 4 PERANCANGAN DATAWAREHOUSE. Komunika menggunakan arsitektur data warehouse terpusat. Alasan. menggunakan data warehouse terpusat ialah :
73 BAB 4 PERANCANGAN DATAWAREHOUSE 4.1 Arsitektur Data warehouse Rancangan data warehouse yang diusulkan pada PT. Metrotech Jaya Komunika menggunakan arsitektur data warehouse terpusat. Alasan menggunakan
Lebih terperinciBAB 4 RANCANGAN DATA WAREHOUSE YANG DIUSULKAN. patokan yang menjadi pedoman dalam merancang data warehouse yang dibutuhkan
BAB 4 RANCANGAN DATA WAREHOUSE YANG DIUSULKAN 4.1 Rencana Perancangan Data Warehouse Berdasarkan analisis yang telah dilakukan sebelumnya, diperoleh suatu patokan yang menjadi pedoman dalam merancang data
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN KEPUTUSAN PADA PT. PUSAKA KALI AGUNG Penulis : Rustam Steven Edwin Laurentino Palit
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Memasuki era globalisasi pada saat ini, persaingan di dalam bisnis semakin ketat baik dalam industri barang atau jasa. Pada dasarnya perusahaan didirikan dengan melakukan
Lebih terperinciBab 4 ANALISIS DAN PERANCANGAN DATA WAREHOUSE
67 Bab 4 ANALISIS DAN PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Perancangan Data Warehouse pada PT. Fujiyama menggunakan arsitektur Data Warehouse terpusat atau Centralized. Pada arsitektur
Lebih terperinciBAB 4 ANALISIS DAN PERANCANGAN DATA WAREHOUSE
BAB 4 ANALISIS DAN PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Pelayanan Kesehatan Sint Carolus dan cabangnya yaitu Rumah Sakit Ibu dan Anak, masih melakukan pengolahan terhadap datanya secara
Lebih terperinciBAB 4 PERANCANGAN DATA WAREHOUSE YANG DIUSULKAN. data warehouse terpusat (centralized data warehouse). Arsitektur ini merupakan bentuk
BAB 4 PERANCANGAN DATA WAREHOUSE YANG DIUSULKAN 4.1. Arsitektur Data Warehouse Dalam perancangan data warehouse pada Rumah Sakit Husada menggunakan data warehouse terpusat (centralized data warehouse).
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1. Analisis Sistem Pada bagian ini akan dijelaskan lebih detail tentang proses bisnis perusahaan saat ini, permasalahan-permasalahan yang sering muncul serta kebutuhan-kebutuhan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
38 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Perusahaan 3.1.1 Riwayat Perusahaan PT. Artha Envirotama didirikan pada tanggal 25 Juli 2000 oleh Bapak Yohanes Roman. Perusahaan ini pertama kali
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada masa seperti sekarang ini teknologi sudah berkembang dengan pesat. Seiring dengan perubahan zaman, teknologi tersebut dapat membantu dan memudahkan setiap kegiatan
Lebih terperinciBAB 1 PENDAHULUAN. untuk organisasi tersebut. Informasi tersebut dapat digunakan sebagai pengambilan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi yang pesat, maka data sangat dibutuhkan oleh setiap organisasi karena dapat menghasilkan informasi yang diperlukan untuk
Lebih terperinciBAB IV PERANCANGAN SISTEM
BAB IV PERANCANGAN SISTEM Pembahasan BAB IV mengenai proses perancangan data warehouse meliputi proses integrasi, pemodelan database dan dashboard interface. 4.1 Perencanaan Tahap perencanaan penelitian
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Dengan semakin berkembangnya zaman, maka semakin berkembang pula
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya zaman, maka semakin berkembang pula teknologi informasi sekarang ini. Hampir seluruh aspek kehidupan manusia mulai dipengaruhi oleh teknologi
Lebih terperinciBAB 1 PENDAHULUAN. tersebut dapat membantu dalam pengambilan keputusan yang tepat di waktu
BAB 1 PENDAHULUAN 1.1 Latar Belakang Informasi dan pengambilan keputusan adalah dua hal yang saling terkait dan tidak dapat dipisahkan. Dengan adanya informasi yang memadai, perusahaan dapat menganalisa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang. Pada era globalisasi yang diiringi dengan kemajuan teknologi yang semakin
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada era globalisasi yang diiringi dengan kemajuan teknologi yang semakin pesat ini, kebutuhan akan informasi yang cepat, lengkap, akurat dan relevan menjadi hal yang
Lebih terperinciyang ingin ditampilkan.
130 Gambar 4.38 Tampilan Grafik Batang Laporan Penjualan Dalam halaman grafik ini terdapat drop down menu untuk melihat jenis laporan penjualan. Jenis laporan penjualan dibagi menjadi empat, yaitu total
Lebih terperinciBAB 1 PENDAHULUAN. berkembang.mereka semua berusaha meningkatkan bisnisnya agar tetap dapat bertahan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini bisnis bertumbuh dengan pesat, perusahaan yang sudah ada terus berkembang.mereka semua berusaha meningkatkan bisnisnya agar tetap dapat bertahan dalam persaingan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang 1.2 Ruang Lingkup
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kemajuan teknologi informasi yang amat sangat pesat saat ini baik di Indonesia maupun negara lain, mempengaruhi semua aspek yang ada di masyarakat. Kebutuhan akan teknologi
Lebih terperinciBAB 1 PENDAHULUAN. berbagai macam produk untuk kebutuhan aktifitas dan promosi. Selain itu, PT. Commeta
BAB 1 PENDAHULUAN 1.1 Latar Belakang PT. Commeta Niaga Raya adalah perusahaan yang bergerak sebagai penyedia berbagai macam produk untuk kebutuhan aktifitas dan promosi. Selain itu, PT. Commeta Niaga Raya
Lebih terperinciBAB 4 PERANCANGAN DATA WAREHOUSE. kendali kontrol terhadap data. Untuk perancangan data warehouse pada PT. Arbe
69 BAB 4 PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Dalam memilih arsitektur data warehouse yang akan digunakan, terlebih dahulu harus ditentukan dimana data warehouse akan ditempatkan dan
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE. 4.1 Anatomi dan Arsitektur Data Warehouse Perusahaan Teh Tong Tji
BAB 4 PERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE 4.1 Anatomi dan Arsitektur Data Warehouse Perusahaan Teh Tong Tji Dalam perancangan data warehouse untuk Perusahaan Teh Tong Tji digunakan bentuk data
Lebih terperinciANALISA SISTEM INFORMASI MONITORING DATA QUALITY PRODUCT STUDI KASUS PADA PT KONE INDO ELEVATOR
11 ANALISA SISTEM INFORMASI MONITORING DATA QUALITY PRODUCT STUDI KASUS PADA PT KONE INDO ELEVATOR SKRIPSI Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Fakultas Ilmu Komputer Universitas Mercu
Lebih terperinci1. Merancang arsitektur data warehouse. 2. Merancang data warehouse. 3. Merancang skema bintang. yang ada di dalam data warehouse.
BAB 4 PERANCANGAN SISTEM YANG DIUSULKAN 4.1 Perancangan Data Warehouse Berdasarkan hasil analisa yang telah dilakukan pada bab sebelumnya mengenai permasalahan yang dihadapi dan informasi yang dibutuhkan
Lebih terperinciBAB I PENDAHULUAN. memanfaatkan teknologi informasi, perusahaan dapat menjalankan proses bisnis dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi informasi telah berkembang dengan pesat, dengan memanfaatkan teknologi informasi, perusahaan dapat menjalankan proses bisnis dengan lebih cepat,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang. Kebutuhan perusahaan akan informasi yang cepat dan akurat semakin
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kebutuhan perusahaan akan informasi yang cepat dan akurat semakin meningkat seiring dengan tingkat kemajuan teknologi yang semakin pesat. Informasi tersebut dihasilkan
Lebih terperinciBAB 4 RANCANGAN S IS TEM YANG D IUS ULKAN
BAB 4 RANCANGAN S IS TEM YANG D IUS ULKAN 4.1 Arsitektur Data Warehouse Dalam perancangan data warehouse ini, arsitektur yang akan digunakan adalah arsitektur data warehouse terpusat. Bentuk ini terlihat
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PERPUSTAKAAN (STUDI KASUS: PERPUSTAKAAN UNIVERSITAS BINADARMA PALEMBANG)
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PERPUSTAKAAN (STUDI KASUS: PERPUSTAKAAN UNIVERSITAS BINADARMA PALEMBANG) Andri 1), Baibul Tujni 2) 1,2) Program Studi Sistem Informasi Universitas Binadarma Jalan
Lebih terperinciBINUS UNIVERSITY. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil 2007/2008
BINUS UNIVERSITY Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil 2007/2008 PERANCANGAN DATA WAREHOUSE PENJUALAN, BONUS, KINERJA MEMBER DAN SERVICE CENTER PADA PT. WOO TEKH INDONESIA
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini pangan merupakan salah satu masalah terbesar yang semakin sulit untuk ditangani dikarenakan jumlah manusia yang semakin banyak dari tahun ke tahun sehingga
Lebih terperinciMANFAAT DATA WAREHOUSE PADA PT ABC
MANFAAT DATA WAREHOUSE PADA PT ABC Evaristus Didik M.; Dewi S.; Felisia L.; Winnie S. Information Systems Department, School of Information Systems, Binus University Jl. K.H. Syahdan No. 9, Palmerah, Jakarta
Lebih terperinciBAB 2 LANDASAN TEORI. each unit of data is relevant to some moment in time, atau kurang lebih dapat
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Data Warehouse Menurut Inmon (2002, p389), A data warehouse is a collection of integrated, subject oriented database designed to support the DSS function, where each
Lebih terperinciPERANCANGAN DATA WAREHOUSE PADA SOFTWARE LABORATORY CENTER
PERANCANGAN DATA WAREHOUSE PADA SOFTWARE LABORATORY CENTER Alvin Chandra Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jln. Kebon Jeruk Raya No. 27, Kebon Jeruk, Jakarta
Lebih terperinciBAB 1 PENDAHULUAN. saja media-media nirkabel seperti telepon selular, notebook dan masih banyak yang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini media komunikasi sudah didukung oleh banyak kecanggihan, sebut saja media-media nirkabel seperti telepon selular, notebook dan masih banyak yang lainnya.
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis 3.1.1 Riwayat Perusahaan PT Pondok Pujian Sejahtera, pengelola Toko Pondok Pujian adalah perseroan yang bergerak dalam bidang distribusi audio visual,
Lebih terperinciPerancangan Data Warehouse Alumni Untuk Mendukung Kebutuhan Informasi Business Placement Centre Universitas AMIKOM
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Data Warehouse Alumni Untuk Mendukung Kebutuhan Informasi Business Placement Centre Universitas AMIKOM Arik
Lebih terperinciBAB III LANDASAN TEORI Akreditasi Nasional Perguruan Tinggi dan Program Studi
BAB III LANDASAN TEORI 3.1. Akreditasi Nasional Perguruan Tinggi dan Program Studi Satu satunya badan akreditasi yang diakui oleh pemerintah adalah BAN-PT yang berdiri pada tahun 1994, berlandaskan UU
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI
BAB 4 PERANCANGAN DAN IMPLEMENTASI 4.1 Arsitektur Data Warehouse Pelaksanaan perancangan data warehouse dimulai dari perumusan permasalahan yang dihadapi oleh perusahaan kemudian dilanjutkan dengan pencarian
Lebih terperinciIMPLEMENTASI DATA WAREHOUSE PENJUALAN DI PT XYZ MENGGUNAKAN PENTAHO
IMPLEMENTASI DATA WAREHOUSE PENJUALAN DI PT XYZ MENGGUNAKAN PENTAHO Rika Juniarti 41505120102 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA 2013 IMPLEMENTASI DATA
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Program Studi Database Skripsi Sarjana Komputer Semester Ganjil tahun 2007/2008
v UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Program Studi Database Skripsi Sarjana Komputer Semester Ganjil tahun 2007/2008 ANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN DAN PEMBELIAN PADA
Lebih terperinciBAB I PENDAHULUAN. terus mempertahankan dan mengembangkan eksistensinya agar dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Pada masa era globalisasi seperti sekarang ini, persaingan bisnis terus tumbuh dan berkembang pesat. Oleh karena itu suatu perusahaan berusaha untuk terus mempertahankan
Lebih terperinciMANFAAT DATAWAREHOUSE PADA RUMAH SAKIT ABC
MANFAAT DATAWAREHOUSE PADA RUMAH SAKIT ABC Evaristus Didik M.; M. Awan Wibisono; Sucipto A.; Gusti Agung D. V. Information Systems Department, School of Information Systems, Binus University Jl. K.H. Syahdan
Lebih terperinciBAB 2 LANDASAN TEORI. berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2002, p5).
BAB 2 LANDASAN TEORI 2.1 Data Data adalah sebuah representasi dari obyek - obyek dan kejadian - kejadian yang berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2002, p5). Data
Lebih terperinciBAB III METODOLOGI. mengidentifikasi proses-proses bisnis utama dan entitas-entitas utama yang ada di SFI,
BAB III METODOLOGI 3.1 Analisa masalah Langkah pertama yang dilakukan dalam proyek business intelligence pada PT Suzuki Finance Indonesia (SFI) adalah dengan melakukan analisa masalah. Yaitu dengan mengidentifikasi
Lebih terperinciBAB 1 PENDAHULUAN. banyaknya proses bisnis yang dilakukan tidak lagi secara manual melainkan telah
BAB 1 PENDAHULUAN 1.1 Latar Bel akan g Seiring dengan perkembangan zaman, komputer tidak hanya sebagai sarana untuk mengetik atau menghitung saja. Saat ini teknologi informasi telah berkembang pesat dalam
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM Sejarah singkat DPPU Halim Perdanakusuma
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Riwayat Perusahaan 3.1.1 Sejarah singkat DPPU Halim Perdanakusuma Bandara Internasional Halim Perdanakusuma beroperasi ditopang berbagai jenis aset dan layanan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Seiring dengan perkembangan teknologi yang semakin pesat, banyak
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi yang semakin pesat, banyak perusahaan memanfaatkan teknologi sebagai alat pengolah informasi. Teknologi informasi menawarkan kemudahan
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI SISTEM. arsitektur yang digunakan adalah arsitektur data warehouse terpusat (centralized
BAB 4 PERANCANGAN DAN IMPLEMENTASI SISTEM 4.1 Arsitektur Data Warehouse Dalam perancangan data warehouse PT. Harmoni Dinamik Indonesia, arsitektur yang digunakan adalah arsitektur data warehouse terpusat
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Program Studi Strata-1 Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Program Studi Strata-1 Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN DATA WAREHOUSE DEPARTEMEN MARKETING PT. RAHADICIPTA
Lebih terperinci3.5 Arsitektur Data Warehouse Data Source Data Warehouse Surveilans Terpadu Penyakit (STP) kabupatenbantul
DAFTAR ISI aman Judul... i aman Pengesahan... ii aman Pernyataan... iii aman Persembahan dan Motto... iv Kata Pengantar... v Abstrak... vi Abstract... vii Daftar Isi... viii Daftar Gambar... x Daftar Tabel...
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PADA PT. PRIMACOM INTERBUANA SKRIPSI. Oleh
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PADA PT. PRIMACOM INTERBUANA SKRIPSI Oleh Wenly (0900820894) Bambang Mulya Wijaya (0900824444) Adhitya Nugraha A.U (0900833820) Kelas : 07PBT Kelompok : 01 Halaman
Lebih terperinciBAB II LANDASAN TEORI. Data adalah sesuatu yang mewakilkan objek dan peristiwa yang memiliki arti
BAB II LANDASAN TEORI 2.1 Data Data adalah sesuatu yang mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi pemakai (Hoffer, Prescott dan McFadden,2007, p6). 2.2 Basis Data Basis
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Data adalah sebuah rekaman dari fakta-fakta, konsep-konsep, atau instruksiinstruksi pada media penyimpanan untuk komunikasi perolehan, dan pemrosesan dengan cara otomatis
Lebih terperinciBAB 1 PENDAHULUAN. tersedianya informasi yang sesuai, dibutuhkan data warehouse yang berisi data
BAB 1 PENDAHULUAN 1.1 Latar Belakang Persaingan di dunia bisnis global yang semakin ketat menuntut perusahaan untuk memiliki strategi bisnis yang tepat agar dapat bertahan dan terus berkembang. Salah satu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Teori Dasar / Umum 2.1.1 Pengertian Data Warehouse dan Database Database merupakan gabungan dari sejumlah informasi yang terdapat pada masing - masing bagian aktivitas perusahaan
Lebih terperinciDATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP)
DATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP) Overview Data Warehouse dan OLAP merupakan elemen penting yang mendukung decision support. Terutama bagi perusahaan perusahaan besar dengan database
Lebih terperinciLampiran 1 - Coding Sturktur Tabel Relasi Dasar
L1 Lampiran 1 - Coding Sturktur Tabel Relasi Dasar CREATE TABLE Polis ( NoPolis CHAR(9) NOT NULL PRIMARY KEY, NoEndorsement CHAR(3) NOT NULL PRIMARY KEY, NamaTertanggung VARCHAR(50) NOT NULL, Alamat VARCHAR(100)
Lebih terperinciLAMPIRAN L 1. Lampiran 1 Implementasi Tabel
L 1 LAMPIRAN Lampiran 1 Implementasi Tabel CREATE TABLE [Klien] [KodeKlien] [char] 6) COLLATE [NamaKlien] [varchar] 30) COLLATE [Alamat] [varchar] 70) COLLATE [Telepon] [varchar] 15) COLLATE SQL_Latin1_General_CP1_CI_AS
Lebih terperinciPERANCANGAN DATA WAREHOUSE PADA RUMAH SAKIT (STUDI KASUS: BLUD RSU KOTA BANJAR)
PERANCANGAN DATA WAREHOUSE PADA RUMAH SAKIT (STUDI KASUS: BLUD RSU KOTA BANJAR) Rianto 1), Cucu Hadis 2) 1,2, Jurusan Teknik Informatika Fakultas Teknik Universitas Siliwangi Tasikmalaya e-mail: rianto@unsil.ac.id
Lebih terperinciPERANCANGAN DATA WAREHOUSE UNTUK DEMOGRAFI, PERKEMBANGAN PRODUK DAN PROMOSI PADA MANDIRI TABUNGAN RENCANA DI PT.BANK MANDIRI(PERSERO) TBK.
PERANCANGAN DATA WAREHOUSE UNTUK DEMOGRAFI, PERKEMBANGAN PRODUK DAN PROMOSI PADA MANDIRI TABUNGAN RENCANA DI PT.BANK MANDIRI(PERSERO) TBK. Nita Uswatun Hasanah Alfiana Binus University, Jakarta, DKI Jakarta,
Lebih terperinciPERANCANGAN STRUKTUR DAN APLIKASI DATAWAREHOUSE PADA PELAYANAN KESEHATAN SINT CAROLUS. Ervyn. Binus University, Jakarta, DKI Jakarta, Indonesia.
PERANCANGAN STRUKTUR DAN APLIKASI DATAWAREHOUSE PADA PELAYANAN KESEHATAN SINT CAROLUS Ervyn Binus University, Jakarta, DKI Jakarta, Indonesia Selvi Binus University, Jakarta, DKI Jakarta, Indonesia dan
Lebih terperinciBAB II. LANDASAN TEORIse. Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah
BAB II LANDASAN TEORIse 2.1 Data Warehouse Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah tempat penyimpanan data dimana kapasitas penyimpanannya berskala besar; datanya diakumulasikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Informasi merupakan sebuah elemen penting dalam kehidupan manusia yang semakin lama semakin maju. Dengan adanya informasi, kita bisa mengetahui beberapa hal
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Dalam bab ini akan dijelaskan tentang beberapa konsep tentang supra desa, business intelligence, data warehouse, staging area, ETL, OLAP, ROLAP, Pentaho Data Integration, dan PHP.
Lebih terperinciPERANCANGAN DATA MART BAGIAN PENJUALAN MOTOR BEKAS(USED MOTOR CYCLE ) PADA CV. ATLAS MOTOR
PERANCANGAN DATA MART BAGIAN PENJUALAN MOTOR BEKAS(USED MOTOR CYCLE ) PADA CV. ATLAS MOTOR Randy Permana, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail : randy.permana@rocketmail.com
Lebih terperinciBAB 1 PENDAHULUAN. terkumpul diolah menjadi database yang berperan penting dalam perusahaan. Database
1 BAB 1 PENDAHULUAN 1.1 Latar belakang Data merupakan suatu elemen penting pada suatu organisasi yang digunakan untuk memberikan informasi dan keterangan-keterangan yang diperlukan oleh suatu organisasi.
Lebih terperinciBAB 2 LANDASAN TEORI. kebutuhan informasi suatu perusahaan. komputer secara sistematis. menggunakan database SQL Server 2000.
BAB 2 LANDASAN TEORI 2.1 Pengertian Database dan Data Warehouse 2.1.1 Pengertian Database Menurut Connolly dan Begg (2002, p14) database adalah kumpulan data yang berhubungan satu sama lain yang digunakan
Lebih terperinciBAB 4 DATA WAREHOUSE YANG DIUSULKAN
57 BAB 4 DATA WAREHOUSE YANG DIUSULKAN 4.1 Arsitektur Data Warehouse Pada awalnya, perancangan data warehouse dimulai dengan mencari data dari berbagai sumber yang berhubungan dengan pembuatan laporan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Di zaman sekarang ini teknologi komputer merupakan hal yang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang ini teknologi komputer merupakan hal yang tidak bisa dipisahkan dalam kehidupan manusia sehari-hari. Teknologi juga sering digunakan untuk
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Pembuatan data warehouse telah banyak dilakukan oleh perusahaanperusahaan industri yang berorientasi profit. Data warehouse diharapkan mampu
Lebih terperinciBAB 2 LANDASAN TEORI. Berikut ini akan dijelaskan teori umum atau dasar yang digunakan, yaitu sebagai berikut:
BAB 2 LANDASAN TEORI 2.1 Teori Umum Berikut ini akan dijelaskan teori umum atau dasar yang digunakan, yaitu sebagai berikut: 2.1.1 Pengertian Data Menurut Hoffer & Venkataraman (2011: 5) menjelaskan bahwa
Lebih terperinciBAB 4 DATA WAREHOUSE YANG DIUSULKAN. KTL adalah menggunakan anatomi data warehouse terpusat (centralized data
BAB 4 DATA WAREHOUSE YANG DIUSULKAN 4.1 Arsitektur Data Warehouse Jenis perancangan arsitektur data warehouse yang akan dibangun untuk PT KTL adalah menggunakan anatomi data warehouse terpusat (centralized
Lebih terperinciBAB 1 PENDAHULUAN. yang menyebabkan kemampuan bersaing dalam dunia bisnis akan sangat
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era globalisasi sekarang ini, perkembangan dunia teknologi informasi telah bergerak dengan sangat cepat. Seiring dengan berkembangnya teknologi komputer yang mampu
Lebih terperinciData Warehouse pada PT. Universal Broker Indonesia
Data Warehouse pada PT. Universal Broker Indonesia Yason Tri Kurniawan Binus University, Jakarta, DKI Jakarta, Indonesia Dedi Patriansyah Syarif Binus University, Jakarta, DKI Jakarta, Indonesia ABSTRAK
Lebih terperinciBAB 4 DATA WAREHOUSE YANG DIUSULKAN
94 BAB 4 DATA WAREHOUSE YANG DIUSULKAN 4.1 Arsitektur Data Warehouse Rancangan data warehouse yang diusulkan adalah rancangan yang menggunakan arsitektur data warehouse terpusat. Alasan penggunaan arsitektur
Lebih terperinciImplementasi Pengembangan Sistem Model Water Fall Untuk Data Warehouse Akademik
Implementasi Pengembangan Sistem Model Water Fall Untuk Data Warehouse Akademik 1 Arik Sofan Tohir, 2 Kusrini, 3 Sudarmawan 1,2,3 Universitas Amikom 1,2,3 Sleman, Yogyakarta E-mail: 1 arik.sofan.tohir@gmail.com,
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE UNTUK UNIT TABUNGAN PADA BANK SYARIAH MANDIRI
ANALISIS DAN PERANCANGAN DATA WAREHOUSE UNTUK UNIT TABUNGAN PADA BANK SYARIAH MANDIRI Said Muhammad Yahya Binus University, Jakarta, DKI Jakarta, Indonesia Rizky Bahari Syahputra Binus University, Jakarta,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Seiring dengan perkembangan teknologi yang semakin pesat, Software
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi yang semakin pesat, Software Laboratory Center sebagai unit kerja dari Bina Nusantara University dituntut untuk mengikuti perkembangan
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PERSEDIAAN DAN PENJUALAN PADA PT. PERTAMINA (PERSERO) AVIATION DPPU HALIM PERDANAKUSUMA
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PERSEDIAAN DAN PENJUALAN PADA PT. PERTAMINA (PERSERO) AVIATION DPPU HALIM PERDANAKUSUMA Sari Ardelina Binus University, Jakarta, DKI Jakarta, Indonesia Yani Hermanto
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia perusahaan manufaktur merupakaan perusahaan yang cukup signifikan perkembangannya seperti industri kimia, industri perbankan dll. Perusahaan manufaktur
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Berbagai aspek ilmu pengetahuan dan teknologi selalu berkembang dan mengalami kemajuan, sesuai dengan perkembangan cara berpikir manusia dan perkembangan zaman. Salah
Lebih terperinciAnalisa dan Perancangan Data Warehouse untuk Departemen Finance, Accounting, dan Purchasing pada PT. Panarub Industry
Analisa dan Perancangan Data Warehouse untuk Departemen Finance, Accounting, dan Purchasing pada PT. Panarub Industry Veronica Binus University, Jakarta, DKI Jakarta, Indonesia Handrian Julang Binus University,
Lebih terperinciPROSES EXTRACT, TRANSFORM DAN LOAD PADA DATA WAREHOUSE
PROSES EXTRACT, TRANSFORM DAN LOAD PADA DATA WAREHOUSE Oktavian Abraham Lantang ABSTRAK Saat ini seiring dengan perkembangan teknologi informasi yang semakin pesat, ketergantungan proses bisnis suatu perusahaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengertian Data Warehouse Data warehouse merupakan tempat penampungan data perusahaan atau intitusi yang disusun sedemikian rupa sehingga mengandung makna dan untuk analisis dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Warehouse Mohammed (2014) mengatakan bahwa data warehouse merupakan database relasional yang dirancang untuk melakukan query dan analisis. Data warehouse biasanya berisi
Lebih terperinci