BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Teori Umum Pengertian Data Warehouse Menurut Connolly (2010, p1197), data warehouse adalah sekumpulan data yang bersifat subject-oriented, terintegrasi, timevariant, dan non-volatile yang digunakan untuk mendukung pengambilan keputusan. Menurut Inmon (2005, p28), data warehouse adalah sekumpulan data yang sudah terintegrasi, berorientasi subyek yang dirancang untuk mendukung fungsi dari decision support system dimana data tersebut relevan dengan waktu. Menurut O Brien (2005, p697), data warehouse adalah kumpulan terpadu dari data yang diambil dari database operasional, historis dan eksternal, yang dibersihkan, diubah dan dikatalogkan untuk penelusuran dan analisis untuk menyediakan kecerdasan bisnis bagi pengambil keputusan bisnis. Data warehouse ialah sekumpulan informasi yang disimpan dalam basis data yang digunakan untuk mendukung pengambilan keputusan dalam sebuah organisasi. Data dikumpulkan dari berbagai aplikasi yang telah ada. Data yang telah dikumpulkan tersebut kemudian divalidasi dan direstrukturisasi lagi, untuk selanjutnya disimpan dalam 6

2 7 data warehouse. Pengumpulan data ini memungkinkan para pengambil keputusan untuk pergi hanya ke satu tempat untuk mengakses seluruh data yang ada tentang organisasinya (Wayne, S. Freeze. 2000) Perbedaan Data warehouse dengan OLTP OLTP merupakan komponen penting dalam kegiatan operasional perusahaan. Menurut Connolly dan Begg (2010, p1199), OLTP adalah pengoptimasian jumlah transaksi yang besar secara prediktif, berulang dan update secara intensif. Data warehouse memiliki perbedaan yang cukup mencolok jika dibandingkan dengan Online Transaction Processing (OLTP). Perbedaan ini dapat dilihat dari orientasi penggunaan sampai dengan tingkat frekuensi akses, berikut tabel perbedaannya : Tabel 2.1 Perbedaan OLTP dan Data warehouse Sistem OLTP Menyimpan data sekarang Sistem Data Warehouse Menyimpan data secara historikal Menyimpan data secara detail Menyimpan data secara highly, lightly, detailed. Data bersifat dinamis Berorientasi aplikasi Mendukung pengambilan keputusan sehari-hari Data bersifat static Berorientasi subyek Mendukung pengambilan keputusan strategik dalam perusahaan Dapat di update Tidak dapat di update

3 Karakteristik Data Warehouse Menurut Connolly (2010, p1197), data warehouse memiliki empat karakteristik utama, antara lain sebagai berikut: a. Subject-Oriented Sesuai dengan karakter utama dari pengertian yang diberikan oleh Inmon bahwa data warehouse bersifat berorientasi terhadap subyek. Karena data warehouse dikelompokkan dalam subyek bisnis yang utama seperti pelanggan, barang, karyawan. Bukan dalam bentuk fungsi seperti tagihan pelanggan, penjualan produk, pemesanan. b. Integrated Data warehouse harus terintegrasi dalam menyimpan data-data yang berasal dari sumber-sumber yang terpisah ke dalam suatu format yang konsisten dan saling terintegrasi. Data yang telah diambil kemudian akan diubah, diformat, disusun kembali, diringkas, dan seterusnya. Sumber data harus terintegrasi agar data yang dihasilkan konsisten sehingga memudahkan penggunanya untuk mengambil keputusan yang tepat. c. Time-Variant Karakteristik ini menunjukkan bahwa tiap data dalam data warehouse itu selalu akurat dalam periode tertentu. Jangka waktu data yang dapat disimpan dalam sebuah data warehouse berkisar antara 5-10 tahun. d. Non-Volatile

4 9 Data dalam data warehouse tidak dapat diupdate secara real-time namun dapat diperbaharui melalui sistem operasional secara teratur. Data yang dimasukkan ke dalam data warehouse bersifat menambahkan data bukan mengganti data yang sudah ada Arsitektur Data Warehouse Gambar 2.1 Arsitektur Data Warehousemenurut Connolly dan Begg(2010, p1205) a. Operational Data Dapat diambil dari proses transaksi sehari-hari dalam perusahaan, data pribadi yang terdapat dalam workstation atau server, mainframe data operasional dalam jaringan database. b. Operational Data Store(ODS) Tempat penyimpanan data yang terintegrasi, berupa data transaksi sehari-hari untuk digunakan sebagai analisis. Sama halnya

5 10 dengan data warehouse, semua data disusun secara terstruktur, perbedaannya karena operational data masih harus diproses untuk dapat dimasukkan ke dalam data warehouse. c. Load Manager Disebut juga front-end komponen yang menangani semua operasi yang berhubungan dengan ekstraksi dan memproses data ke dalam data warehouse. Data kemungkinan besar akan diekstrak secara langsung dari sumber data atau mungkin juga dari operational data store. d. Warehouse Manager Menampilkan semua operasi yang berhubungan dengan pengaturan data dalam data warehouse. Berikut operasi yang dijalankan oleh warehouse manager: Menganalisis data untuk mengecek konsistensi data Mentransformasi dan menggabungan sumber data yang berada di temporary store ke tabel dalam data warehouse. Membuat index dan viewuntuk database. Melakukan generalizations (jika diperlukan) Melakukan denormalisasi (jika diperlukan) Menyimpan dan backup data. e. Query Manager Disebut juga komponen back-end yang menampilkan semua operasi yang berhubungan dengan pengaturan pembuatan query. Komponen ini biasanya dikerjakan oleh vendor end-user data access

6 11 tools, data warehouse monitoring tools.tingkat kompleksitas query tergantung dari fasilitas yang diberikan oleh end-user access tools dan database. f. Detailed Data Bagian ini digunakan untuk menyimpan semua data yang detail ke dalam skema database. Bagian ini tidak digunakan secara online tapi dapat digunakan berdasarkan agregasi data dari setiap level kedetailan data. g. Lightly and Highly Summarized Data Menyimpan semua standar untuk lightly dan highly summarized data yang dihasilkan oleh warehouse manager.tujuan dilakukan hal ini adalah untuk memudahkan proses query dan tanggapan dari pengguna. Data ringkasan akan diperbaharui apabila terdapat penambahan data yang baru. h. Archive/Backup Data Digunakan untuk menyimpan detailed data dan data yang telah dirangkum. Tujuan dilakukan hal ini adalah untuk penyimpanan dan backup. Data kemudian di kirim ke media penyimpanan sepertimagnetic tape. i. Metadata Bagian ini menyimpan semua metadata (data dari data) yang telah terdefinisi untuk digunakan oleh pengguna dalam proses di data warehouse. Tujuan dari hal ini adalah:

7 12 The Extraction and Loading Process, metadata digunakan untuk memetakan sumber data ke dalam bentuk data yang terdapat dalam data warehouse. The Warehouse Management Process, metadata digunakan untuk mengotomatisasi produksi dari tabel-tabel yang telah diringkas. Bagian dalam proses query management, metadata digunakan untuk secara langsung membuat query yang sesuai dengan sumber data yang dimiliki Keuntungan Data Warehouse Menurut Connolly dan Begg (2010, p1198), Implementasi data warehouse yang sukses akan membawa beberapa keuntungan bagi organisasi, sebagai berikut: a. Potential high returns on investment Sebuah organisasi harus menggunakan sejumlah besar sumber daya untuk implementasi data warehouse dan biaya yang bervariasi. Namun, sebuah pembelajaran dari International Data Corporation (IDC)melaporkan bahwa proyek data warehouse memberikan rata-rata Return of Investment (ROI) sebesar 401%. Dimana 90% perusahaan meningkatkan ROI sebanyak 40%. b. Competitive advantage Keuntungan bersaing dapat diperoleh dengan mendukung dan memperbolehkan pengambilan

8 13 keputusan untuk mengakses data yang tidak tersedia, sulit didapatkan dan tidak diketahui sebelumnya seperti trend. c. Increased productivity of corporate decision-makers Data warehouse meningkatkan produktivitas dari pengambil keputusan perusahaan dengan membuat sebuah database yang terintegrasi, konsisten dan data historikal. Data warehouse mengintegrasikan data dari beberapa sistem menjadi sebuah satu cara pandang yang konsisten bagi organisasi End-User Access Tools Tujuan dari data warehouse adalah memberikan informasi kepada pengguna bisnis untuk mengambil keputusan strategik. Para pengguna bisnis berinteraksi dengan data warehouse menggunakan enduser access tools. Data warehouse harus secara efisien mendukung ad hoc dan analisis yang dilakukan secara rutin. Kita mengkategorikan ke dalam 5 jenis tools, menurut Connolly dan Begg (2010, p1206): Reporting and query tools Reporting tools termasuk dalam production reporting tools dan laporan dari penulis. Production reporting tools digunakan untuk menghasilkan informasi operasional secara teratur atau daya kerja yang tinggi seperti customer order, invoice dan gaji karyawan. Query tools untuk relasional data warehouse, dirancang untuk menerima SQL dan sintaksnya, untuk query penyimpanan

9 14 data untuk data warehouse. Tools ini melindungi end-user dari kompleksitas SQL dan struktur database. Applications development tools Persyaratan dari end-user, kemampuan membuat informasi yang built-in dan query tools yang tidak mencukupi karena kebutuhan analisis tidak dapat dilakukan atau karena transaksi user membutuhkan tingkat professional yang tinggi. Executive Information System (EIS) tools EIS dikembangkan untuk mendukung pengambilan keputusan tingkat tinggi. Alat EIS berhubungan dengan mainframe pengguna untuk menyediakan sebuah gambaran datadata organisasi dan akses ke sumber data eksternal. Online Analytical Processing (OLAP) tools OLAP tools berdasarkan pada konsep database yang multidimensional dan memungkinkan pengguna untuk menganalisa data yang kompleks, serta membuat tampilan yang multidimensional.olap memungkinkan user untuk mendapatkan pengertian yang mendalam dan pengetahuan mengenai berbagai aspek dalam perusahaan secara cepat, konsisten, dan akses yang interaktif untuk memperluas kemungkinan dalam berbagai sudut pandang yang berbeda. Aplikasi bisnis yang secara khusus menggunakan OLAP seperti menilai keefektifan marketing, perkiraan penjualan produk, dan rencana kapasitas. OLAP tools yang digunakan dalam perancangan data warehouse adalah MOLAP (Multidimensional OLAP). MOLAP

10 15 tools digunakan khusus untuk struktur dan sistem manajemen database yang multidimensional yang dapat mengatur dan menganalisis data. Untuk meningkatkan performa query, data secara khusus dijumlah dan disimpan berdasarkan kebutuhan yang telah ditentukan. Struktur data MOLAP menggunakan teknologi array dan teknik penyimpanan melalui manajemen data yang renggang. Keuntungan mengaplikasikan OLAP, sebagai berikut: o Meningkatkan produktivitas dari end-user bisnis, pengembang teknologi informasi. o Meningkatkan penghasilan dan keuntungan potensial dengan memungkinkan perusahaan untuk merespon permintaan pasar secara cepat. o Mengurangi black-log dari pengembangan aplikasi untuk staf teknologi informasi dengan membuat end-user bebas untuk membuat perubahan skema dan memungkinkan organisasi merespon permintaan secara cepat. o Mengurangi lalu lintas jaringan dalam sistem OLTP atau dalam data warehouse. Data mining tools Data mining adalah proses yang memiliki makna tentang korelasi yang baru, patterns, dan trend dengan data dalam jumlah besar menggunakan teknik statistika, matematika dan kecerdasan buatan. Data mining memiliki potensi menggantikan kemampuan dari OLAP tools sebagai penampilan utama dari data mining

11 16 adalah kemampuan untuk membangun prediksi dibandingkan dengan model-model Data Warehouse Data Flows Menurut Connolly dan Begg (2005, p1161), bahwa dalam data warehouse memiliki 5 aliran utama untuk data, yaitu sebagai berikut: Gambar 2.2 Data Warehouse Data Flows (Connolly, 2005, p1161) Inflow Merupakan proses yang berkaitan dengan ekstraksi, pembersihan dan pemrosesan data dari sumber data ke dalam data warehouse. Proses rekonstruksinya sebagai berikut: Membersihkan data yang kotor, membuang data-data yang tidak diperlukan atau yang tidak terlalu penting. Restrukturisasi data untuk dicocokan dengan kebutuhan dari data warehouse, contohnya

12 17 menambah atau membuang field-field dan denormalisasi. Memastikan bahwa sumber data konsisten dengan dirinya sendiri dan dengan data lainnya yang sudah ada di data warehouse. Upflow Merupakan penambahan nilai ke dalam data di data warehouse melalui peringkasan, pemaketan dan distribusi data. Aktivitas yang berhubungan dengan upflow, yaitu sebagai berikut: Meringkas data dengan proses memilih, memperhitungkan, menggabungkan dan mengelompokkan data relasional ke dalam tampilan yang lebih baik dan berguna bagi user. Pengelompokkan data dengan mengubah data yang detail ke dalam format yang lebih berguna seperti spreadsheets, teks dokumen, diagram, tampilan grafik yang lain, database pribadi dan animasi. Mendistribusikan data ke kelompok-kelompok yang tepat untuk meningkatkan dan dapat di akses. Downflow Merupakan proses mengambil dan mem-backup data dalam data warehouse. Menyimpan data lama memainkan peranan yang penting dalam mempertahankan penampilan dan efektivitas dari warehouse dengan mengirimkan data

13 18 lama dengan nilai yang terbatas ke sebuah tempat penyimpanan seperti magnetic tape.downflow dari data juga meliputi proses yang memastikan bahwa kondisi sekarang dari data warehouse dapat dibangun kembali jika terjadi kehilangan data, kegagalan software, atau hardware. Outflow Merupakan proses membuat data agar tersedia bagi end-user. Outflow merupakan kondisi dimana manfaat dari data warehouse benar-benar dirasakan oleh sebuah organisasi. 2 aktivitas kunci yang terdapat pada outflow, yaitu: Pengaksesan, dimana berhubungan dengan proses memuaskan pemakai akhir dengan menyediakan data yang dibutuhkan oleh mereka. Yang menjadi perhatian utama yaitu membuat suatu lingkungan sehingga user dapat secara efektif menggunakan query tools untuk mengakses sumber data yang paling tepat. Frekuensi dari pengaksesan ini dapat bervariasi dimulai dari ad hoc secara rutin sampai real-time. Selain itu juga harus dipastikan bahwa sumber sistem digunakan dengan cara paling efektif di dalam menjadwalkan pengeksekusian terhadap query dari users. Pengiriman, dimana berhubungan dengan secara aktif mengirimkan informasi ke workstation dari user. Ini

14 19 merupakan area yang baru dari data warehouse dan sering dihubungkan dengan proses publish dan berlangganan. Warehouse akan memperkenalkan objek bisnis yang bermacam-macam dan user akan berlangganan terhadap objek bisnis yang dibutuhkan oleh mereka. Metaflow Merupakan proses manajemen metadata. Metaflow merupakan proses yang memindahkan metadata (data tentang flow yang lainnya). Metadata merupakan deskripsi dari data yang ditampung di dalam data warehouse, apa yang ada didalamnya, dari mana asalnya, dan apa yang telah dilakukan terhadap data tersebut dengan cara cleansing, integrating dan summarizing Data Warehouse Tools and Technology Proses extraction, cleansing, transformation tools merupakan langkah-langkah yang cukup penting untuk dilaksanakan dalam membangun data warehouse. Semakin banyak vendor yang menawarkan berbagai macam teknologi yang dapat digunakan untuk membantu melaksakan ketiga proses tersebut. Namun ada 3 kategori yang harus dipenuhi oleh teknologi yang dikembangkan, menurut Connolly dan Begg (2010, p1207), yaitu: a. Code generators Terbentuk dengan jenis 3GL/4GL program transformasi yang berdasarkan sumber dan target dari definisi

15 20 data. Masalah utama yang berkaitan dengan pendekatan ini adalah jumlah program manajemen data yang cukup banyak untuk menangani data warehouse yang sangat kompleks. Oleh karena itu, para vendor dari teknologi mengakali masalah tersebut dengan menggunakan bantuan metode workflow dan sistem penjadwalan yang otomatis. b. Database data replication tools Menganalisis pemicu database atau memulihkan perubahan yang terjadi ke sumber data utama dalam satu sistem dan memungkinkan perubahan untuk duplikat database yang berasal dari sumber data walaupun dalam sistem yang berbeda. c. Dynamic transformation engines Digunakan untuk mengumpulkan data dari sumber sistem dalam interval yang telah ditentukan pengguna, transformasi data, dan kemudian memproses yang mengirim hasilnya ke lingkungan yang telah ditentukan Dimensionality Modeling Menurut Connolly dan Begg (2010, p1227), Dimensionality Modelingadalah teknik desain secara logikal yang bertujuan untuk menampilkan data sesuai dengan standar yang ada, membuat formulir yang intuitif sehingga terjadi akses yang cukup tinggi. Dimensionality Modeling menggunakn konsep Entity-Relationship Modeling dengan beberapa batasan yang cukup penting. Setiap dimensionality modeling dibangun dari satu tabel dengan primary key yang bersifat composite

16 21 yang bisa disebut juga tabel fakta (fact table) dan beberapa tabel yang lebih kecil disebut juga tabel dimensi (dimension table). Setiap tabel dimensi memiliki simple primary key yang berkoresponden satu sama lain dengan tabel fakta. Hal lainnya, bahwa primary key dari tabel fakta terbuat dari 2 atau lebih foreign keys yang disebut juga star schema. Ada 3 skema yang terdapat dalam dimensionality modeling, yaitu : a. Star Schema Struktur logikal yang mempunyai sebuah tabel fakta yang berisi data fakta di tengah dan dikelilingi oleh tabel-tabel dimensi yang berisi data referensi atau keterangan yang biasanya dapat di denormalisasi. Star schema mengeksploitasi karakteristik dari data yang nyata seperti fakta yang digenerasikan berdasarkan kejadian yang muncul pada masa lalu dan sulit untuk berubah dan bagaimana cara menganalisisnya. Keuntungan dari star schema ini adalah: Respon data lebih cepat dihasilkan dari perancangan database. Kemudahan dalam mengembangkan dan memodifikasi data yang terus berubah End-user dapat menyesuaikan cara berpikir dan menggunakan data, konsep ini dikenal juga dengan istilah paralel dalam perancangan database.

17 22 Menyederhanakan pemahaman dan penelusuran metadata bagi pemakai dan pengembang. Berikut contoh penggunaan star schema pembelian: Gambar 2.3 Star Schema (Journal Analisis dan Perancangan Data Warehouse, Choirul Huda dkk, 2010, p443) b. Snowflake Schema Menurut Connolly dan Begg (2010, p1229), bahwa snowflake schema adalah sebuah variasi dari star schema dimana tabel dimensi tidak mengandung data yang didenormalisasi. c. Starflake Schema

18 23 Menurut Connolly dan Begg (2010, p1230), bahwa starflake schema adalah struktur hybrid yang mengandung campuran dari star schema dan snowflake schema Extraction, Transformation, and Loading (ETL) ETL merupakan proses yang sangat penting, dengan ETL data dapat dimasukkan ke dalam data warehouse. ETL juga dapat digunakan untuk mengintegrasikan data dengan sistem yang sudah ada sebelumnya. Tujuan ETL adalah mengumpulkan, menyaring, mengolah dan menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi kriteria data warehouse seperti data historis, terpadu, terangkum, statis dan memiliki struktur yang dirancang untuk keperluan proses bisnis. Extract Langkah pertama pada proses ETL adalah mengekstrak sumber-sumber data. Kebanyakan proyek data warehouse menggabungkan data dari sumber-sumber yang berbeda. Pada umumnya, proses ekstraksi adalah proses penguraian, pembersihan dari data yang diekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Transform Tahapan transformasi menggunakan serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan

19 24 selanjutnya akan dimasukkan ke dalam data warehouse. Berikut hal-hal yang dapat dilakukan di tahap transformasi: Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse. Menterjemahkan nilai-nilai yang berupa kode, tidak ada pembersihan secara manual dalam proses ETL. Mengkodekan nilai-nilai ke dalam bentuk bebas. Melakukan perhitungan nilai-nilai baru. Menggabungkan data secara bersama-sama dari berbagai sumber. Membuat ringkasan dari sekumpulan basis data. Loading Tahapan berfungsi untuk memasukkan data ke dalam data warehouse. Jangka waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data warehouse dapat setiap minggu mencatat seluruh informasi yang ada secara kumulatif, data diubah, sementara data warehouse yang lain dapat menambahkan data baru dalam bentuk historikal, contohnya setiap jam. Waktu dan jangkauan untuk mengganti atau menambah data tergantung dari perancangan data warehouse pada waktu menganalisis keperluan informasi Design Data Warehouse Menurut Henry (2006, p74), Perancangan data warehouse diawali dengan menganalisis aktivitas bisnis dan mengindentifikasi kebutuhan kemudian dilakukan penyaringan terhadap data operasional

20 25 yang dibutuhkan dan dengan teknologi DTS (Data Transformation System), data operasional tersebut ditransformasikan ke dalam data warehouse. Setelah itu, dirancang prototypeaplikasi yang disesuaikan dengan keinginan eksekutif perusahaan. Gambar 2.4 Business Dimensional Lifecycle Diagram Menurut Ralph Kimball (2010, p97), ada 6 langkah metodologi dalam perancangan data warehouse: Project Planning Pada tahapan ini berfokus dalam merencanakan program seperti menentukan ruang lingkup, menentukan alasan dalam menjalankan proyek dan membentuk tim untuk menjalankan proyek. Berdasarkan siklus hidup ini program dan manajemen proyek terus tetap berjalan sesuai dengan aktivitas yang sedang dijalankan. Business Requirement Definition

21 26 Memunculkan kebutuhan bisnis adalah tugas utama dalam Kimball lifecycle karena temuan tersebut mendorong keputusan dari tingkat atas ke tingkat bawah. Persyaratan yang dikumpulkan untuk menentukan faktor utama yang berdampak bisnis dengan berfokus pada pengguna bisnis. Dimensionality Modeling Teknik desain logikal yang bertujuan untuk menyajikan data dalam bentuk intuitif standar yang memungkinkan untuk akses kinerja yang tinggi. Physical Design Setelah mendesain model dimensional, maka kita harus mengkonversikan model dimensional ke dalam physical design agar lebih mudah dalam melakukan proses ETL (extract, transform, load). ETL, Design & Development Proses ETL, desain dan pengembangan merupakan tahapan selanjutnya. Ada 4 operasi utama yang dilakukan dalam proses ini, yaitu penggalian data dari sumber data, melakukan proses pembersihan, dan melakukan proses transformasi, mengirimkan data ke lapisan presentation dan mengelola kembali proses ETL. Deployment

22 27 3 jalur lifecycle menyatu dalam proses deployment, menyatukan teknologi, data dan aplikasi BI. Proses iterasi dikerahkan memasuki tahapan pemeliharaan Fact Finding Technique Tahap ini dilakukan proses pengumpulan dan analisa informasi tentang bagian organisasi yang akan didukung oleh aplikasi database dan menggunakan informasi ini untuk mengindentifikasi kebutuhan pengguna pada sistem yang baru. Menurut Connolly dan Begg (2010, p341), fact finding adalah suatu proses yang menggunakan teknik seperti wawancara dan kuisioner untuk mengumpulkan data mengenai sistem, persyaratan dan kebutuhan yang diperlukan. Ada lima teknik fact finding yang umum digunakan, sebagai berikut: a. Examining documentation Teknik ini berupa pemahaman dan pencarian data untuk diperiksa yang berkaitan dengan sistem yang sedang berjalan diperusahaan. Jika masalah berkaitan dengan sistem yang sekarang dijalankan maka perlu adanya dokumentasi yang berkaitan dengan sistem tersebut. b. Interviewing Teknik merupakan teknik yang paling umum digunakan. Kita bisa langsung menanyakan masalah yang sedang terjadi dalam sistem perusahaan kepada orang yang bersangkutan secara bertatap muka. Menurut Connolly dan

23 28 Begg (2010, p344), keuntungan menggunakan teknik ini, yaitu: Memungkinkan orang yang diwawancara untuk menanggapi pertanyaan dengan bebas dan terbuka. Memungkinkan orang yang diwawancara merasa bahwa ia merupakan bagian dari proyek. Memungkinkan pewawancara untuk menindaklanjuti komentar-komentar menarik yang dibuat oleh orang yang diwawancara. Memungkinkan pewawancara untuk mengubah atau menyusun kembali pertanyaan selama kegiatan wawancara. Memungkinkan pewawancara untuk mengamati bahasa tubuh orang yang diwawancara Kerugian menggunakan teknik ini: Sangat memakan waktu dan biaya sehingga menjadi tidak praktis. Keberhasilannya tergantung pada kemampuan berkomunikasi pewawancara. Keberhasilannya tergantung pada keinginan orang yang diwawancara untuk ikut serta dalam wawancara. c. Observing the enterprise in operation Teknik kedua yaitu pengamatan atau observasi. Teknik dilakukan dengan mengamati kegiatan seseorang

24 29 untuk mempelajari sistem yang mereka miliki. Faktor keberhasilan dari suatu pengamatan adalah dengan mencari informasi sebanyak mungkin tentang aktivitas yang sedang dilakukan oleh seseorang. Keuntungan dari teknik ini adalah: Validitas data dan fakta dapat diperiksa. Pengamat dapat melihat dengan jelas apa yang dikerjakan Pengamat juga memperoleh data yang menjelaskan lingkungan fisik dari tugas yang diberikan. Relatif murah Pengamat dapat membuat pengukuran kerja. Kerugian dari teknik ini adalah: Sangat memakan waktu, sehingga menjadi tidak praktis Dapat terlewat dalam mengamati tugas-tugas yang melibatkan tingkat kesulitan yang lain. Beberapa tugas tidak selalu dilakukan dengan cara seperti pada saat pengamatan. d. Research Penelitian tidak hanya dapat dilakukan di dalam perusahaan, namun juga dapat dilakukan di luar perusahaan, seperti melihat jurnal-jurnal komputer, buku-buku referensi, dan browsing. Keuntungan dari teknik ini adalah:

25 30 Dapat menghemat waktu jika solusinya tersedia Peneliti dapat mengamati cara orang lain memecahkan masalah yang sama atau menemui kebutuhan yang serupa. Membuat para peneliti selalu up-to-date dengan perkembangan baru. Kerugian teknik ini adalah : Sangat memakan waktu Membutuhkan akses ke sumber informasi yang tepat Dapat tidak membantu memecahkan masalah karena tidak didokumentasikan. e. Questionnaires Merupakan sekumpulan dokumen khusus yang memungkinkan kita untuk mengumpulkan beberapa fakta dalam jumlah besar. Ada 2 jenis kuisioner, yaitu free-format dan fixed-format. Free-format memungkinkan para pengisi kuisioner untuk mengisi dengan jawaban yang bebas tanpa aturan tertentu sedangkan fixed-format pengisi kuisioner hanya bisa memilih jawaban yang telah disediakan di dalam kuisioner tersebut. Keuntungan dari teknik ini adalah: Orang dapat mengembalikan kuisioner sesuai dengan keinginan mereka. Cukup murah Respon dapat segera di analisa

26 31 Kerugian dari kuisioner adalah: Jumlah responden kurang Kuisioner dikembalikan tidak komplit Tidak bisa mengamati bahasa tubuh dari responden Struktur Data Warehouse Data warehouse memiliki struktur yang spesifik serta perbedaan tingkatan summary dan detail datanya, dan juga perbedaan tentang umur data di dalamnya. Gambar 2.5 Struktur Data Warehouse(Deliana et al, 2009,p183) Struktur data warehouse menurut Deliana (2009,p183), yaitu: Current Detail Data

27 32 Data yang aktif saat ini merupakan level terendah dari data warehouse, biasanya current detail data ini memerlukan tempat penyimpanan yang besar. Old Detail Data Data lama berupa hasil backup yang disimpan dalam tempat penyimpanan yang berbeda, yang mana dapat diakses lagi jika data tersebut diperlukan atau akan digunakan. Lightly Summarized Data Data yang merupakan hasil ringkasan dari detail data namun sifatnya belum merupakan ringkasan secara total. Akses data ini dapat digunakan untuk view dari suatu kondisi yang sedang atau sudah berjalan. Highly Summarized Data Data yang merupakan hasil ringkasan yang bersifat total dan mudah diakses terutama untuk melakukan analisis perbandingan data berdasarkan urutan waktu dan data multidimensi. Metadata Merupakan suatu bentuk jaringan yang berperan penting bagi pengguna data warehouse. Metadata digunakan sebagai direktori bagi user dalam mencari data yang dibutuhkan dalam data warehouse Pemodelan Entity Relationship Menurut Connolly dan Begg (2010, p371), pemodelan ER adalah pendekatan dari atas ke bawah untuk merancang database yang

28 33 dimulai dengan mengindentifikasi data yang penting yang dikenal dengan sebutan entitas dan hubungan antara data harus diperlihatkan dalam model ini. Konsep dasar dari pemodelan ER antara lain: 1 Entitas (Entity) Entitas adalah sekumpulan objek dengan properti yang sama dimana diidentifikasi oleh perusahaan karena mempunyai keadaan bebas. Entity occurrence adalah objek yang didefinisikan secara unik dari entitas. Entitas digambarkan dalam bentuk bujur sangkar dengan diberi nama entitas, yang umumnya adalah kata benda tunggal. 2 Hubungan (Relationship) Hubungan adalah sekumpulan asosiasi berarti antara entitas. Relationship occurrence adalah sebuah asosiasi yang dapat diidentifikasi secara unik dimana terdiri dari satu occurrence dari masing-masing entitas yang berhubungan. Setiap hubungan digambarkan dengan garis yang menghubungkan entitas dan diberi nama hubungannya. Pada umumnya hubungannya menggunakan kata kerja atau frase pendek yang mengandung kata kerja. Jika memungkinkan, nama hubungannya harus bersifat unik. Secara umum, nama hubungan hanya mempunyai arti untuk satu arah saja. 3 Atribut (Attribute) Atribut adalah properti dari sebuah entitas atau hubungan. Contohnya karyawan memiliki ID_Karyawan, posisi, gaji, nama.

29 34 4 Multiplicity Sejumlah kemunculan yang mungkin ada dalam sebuah entitas yang saling berhubungan dengan kemunculan tunggal dari entitas yang berhubungan dengannya. Tiga tipe hubungan multiplicity: 1:1 (one to one) Hubungan yang terjadi hanya bisa mengurus 1 hal saja dari entitas yang berhubungan dengan entitas yang lain. 1:* (one to many) Hubungan yang terjadi dimana 1 entitas hanya bisa melakukan 1 hal dan entitas lain bisa melakukan lebih dari 1 hal untuk entitas yang terhubung dengan entitas tersebut. *:* (many to many) Hubungan yang terjadi dimana masing-masing entitas yang terhubung dapat melakukan lebih dari 1 hal untuk entitas lainnya Aggregation Operations Menurut Connolly and Begg (2010, P170), Dalam relational algebra terdapat beberapa operasi, salah satunya yaitu aggregation operations. Seperti halnya mengambil tupelo tertentu dan atribut dari suatu relasi, kita sering ingin melakukan beberapa bentuk penjumlahan atau agregasi data mirip dengan total di bagian bawah laporan atau beberapa bentuk pengelompokkan data mirip dengan

30 35 subtotal dalam sebuah laporan. Operasi ini tidak dapat dilakukan dengan menggunakan operasi aljabar dasar relasional dianggap di atas. Namun, ada operasi tambahan yang disarankan. Berikut fungsifungsi utama dari aggregation operations: Count, mengembalikan nilai dari angka dalam atribut yang terkait. Sum, mengembalikan jumlah nilai dalam atribut terkait. AVG, mengembalikan rata-rata nilai dalam atribut terkait. Min, mengembalikan nilai terkecil dalam atribut terkait. Max, mengembalikan nilai terbesar dalam atribut terkait.