BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Teori Teori Dasar / Umum Pengertian Data Warehouse dan Database Database merupakan gabungan dari sejumlah informasi yang terdapat pada masing - masing bagian aktivitas perusahaan yang membantu dalam memperbaharui database secara berkala (Molina,Widom & Jennifer, 2004) Data warehouse adalah sekumpulan data yang berorientasi pada subjek, terintegrasi, memiliki rentang waktu dan tidak mudah berubah yang mendukung proses pembuatan keputusan manajerial (Conolly & Begg, 2010). Data warehouse adalah sekumpulan data yang berorientasi pada subjek, terintegrasi, tidak mudah berubah dan memiliki rentang waktu yang dapat digunakan untuk mendukung keputusan manajerial (William, 2005) Data warehouse adalah mewakili sebuah solusi untuk meningkatkan ketersediaan data dan informasi, serta akses untuk pengambilan keputusan (Bornaz, 2010). 8

2 9 Jadi bisa disimpulkan bahwa data warehouse mempunyai data terintegrasi antara data yang satu dengan data yang lainnya didalam suatu perusahaan yang bersifat tidak mudah berubah sehingga akan mendukung suatu proses pembuatan keputusan di dalam perusahaan. Selain itu data warehouse juga memiliki rentang waktu Karakteristik Data Warehouse Karakteristik data warehouse yaitu subject-oriented, integrated, nonvolatile, time variant (Kimball & Ross, 2004) - Subject Oriented Sistem informasi klasik berorientasi pada aplikasi fungsional perusahaan. Untuk perusahaan asuransi contohnya : aplikasinya dapat berupa healthty, life, auto, casualty. Subjek dari sistem informasi-nya claim, customer, policy dan premium. Gambar 2.1 Data Warehouse Subject Oriented (Sumber : (Kimball & Ross, 2004)p30)

3 10 - Integrated Data diambil dari banyak sumber berbeda kemudian dimasukkan ke dalam data warehouse. Selama data diambil, data tersebut diubah, dilakukan format kembali, diurutkan, diringkas dan seterusnya. Hasilnya adalah data yang terletak dalam data warehouse yang memiliki pandangan terpadu dan terintegrasi. Untuk menciptakan subjek area yang berguna dan sumber data yang berasal dari banyak sistem yang berbeda, terlebih dahulu harus diintegrasikan sebelum digabungkan ke dalam data warehouse. Sebagai contoh : terdapat empat aplikasi yang menyimpan kode jenis kelamin dalam database secara berbeda. Aplikasi A menyimpan kode jenis kelamin dalam bentuk m untuk laki-laki dan f untuk perempuan, sedangkan aplikasi B menyimpan jenis kelamin dalam bentuk 1 dan 0, aplikasi C dalam bentuk x dan y, aplikasi D dalam bentuk male dan female. Melalui proses integrasi itulah dihasilkan kode jenis kelamin yang seragam untuk data warehouse yaitu m dan f. Untuk lebih jelasnya lihat gambar dibawah ini :

4 11 Gambar 2.2 Aspek Integrated dari data warehouse (Sumber : (Kimball & Ross, 2004)p31) - Non-Volatile Data dalam lingkungan operasional di ubah secara teratur, tetapi data pada data warehouse menunjukkan karakteristik yang berbeda. Data pada data warehouse di load dan diakses tetapi tidak di update. Ketika data di load pada data warehouse dalam sebuah snapshot (static format). Ketika terjadi perubahan selanjutnya, snapshot yang baru akan ditulis.

5 12 Gambar 2.3 Aspek Non-volatile dari Data Warehouse (Sumber : (Kimball & Ross, 2004), p32) - Time Variant Data yang tersimpan dalam data warehouse bersifat time-variant atau bersifat akurat pada periode tertentu. Karakteristik dasar data dalam data warehouse sangat berbeda dengan data dalam OLTP, dimana data hanya akurat sesaat setelah data diakses, sedangkan data pada data warehouse, data akurat selama periode waktu tertentu, maka dikatakan memiliki rentang waktu (time variant). Aspek yang menunjukkan karakteristik time variant dalam data warehouseadalah sebagai berikut: - Data warehouse mempresentasikan data untuk kurun waktu 5-10 tahun. Sedangkan pada OLTP mempresentasikan data untuk jangka waktu yang lebih singkat mulai hari, karena pada OLTP, aplikasi yang digunakan harus memiliki response time yang singkat maka data yang diproses harus optimal.

6 13 - Secara implisit maupun eksplisit, setiap struktur data pada data warehouse mengandung elemen waktu seperti hari, minggu, bulan, dan sebagainya. Elemen waktu ini hampir selalu menjadi dasar yang mengintegrasikan data dalam data warehouse. - Data pada data warehouse merupakan serangkaian snapshot, yaitu potongan data yang dikelompokkan sesuai dengan urutan waktu. Gambar 2.4 Time Variant antara Data Operasional dan Data Warehouse (Sumber : (Kimball & Ross, 2004),p32) Struktur Data Warehouse Dalam struktur data warehouse terdapat older level of detail, current level of detail, level of summarized data (level data mart) dan level of highly summarized data. Aliran data (data flow) di data warehouse berasal dari lingkungan operasional. Biasanya transformasi signifikan terjadi dari data yang ada di level operasional menuju ke level data warehouse. (Kimball & Ross, 2004)p33).

7 14 1. Current Detail Data Current Detail Data menggambarkan data detil yang aktif pada saat ini dan keadaan yang sedang berjalan. Data jenis ini memerlukan media penyimpanan yang besar dan merupakan data yang sering diakses. Current Detail Data ini cepat diakses, tetapi mahal dan kompleks dalam pemeliharaannya. 2. Older Detail Data Older detail data merupakan data back-up (cadangan) yang jarang diakses. Data back-up seperti ini biasanya disimpan pada media penyimpanan yang berbeda. Penyusunan direktori dilakukan berdasarkan urutan umur data, sehingga data dapat tersusun rapi dan mempermudah dalam melakukan akses selanjutnya. 3. Lightly Summarized Data Lightly summarized data merupakan data ringkasan dari Current detail data. Di dalam tahap ini, data belum dapat digunakan untuk pengambilan keputusan karena data masih belum bersifat total summary, yang artinya data masih bersifat detil. Akses terhadap data jenis ini biasanya digunakan untuk memantau kondisi yang sedang dan sudah berjalan.

8 15 4. Highly Summarized Data Highly summarized data merupakan data yang bersifat total summary. Pada level ini, data sangat mudah diakses terutama untuk melakukan analisis perbandingan data berdasarkan urutan waktu dan analisis yang menggunakan data multidimensi. Data multidimensi adalah suatu teknologi software komputer yang dirancang untuk meningkatkan efisiensi dalam query data sehingga menjadi media penyimpanan yang lebih baik, serta memudahkan pengambilan data dalam volume besar. Gambar 2.5 Struktur Data Warehouse (Sumber : (Kimball & Ross, 2004)p34).

9 16 5. Metadata Menurut (Kimball & Ross, 2004)p393), metadata adalah data mengenai deskripsi dari struktur, isi, kunci, indeks dan lain-lain mengenai data. Menurut (Kimball & Ross, 2004)p ), hal-hal penting dari metadata meliputi: - ID dokumen - Tanggal memasukkan data ke warehouse - Deskripsi dari dokumen - Sumber dari dokumen - Tanggal sumber dari dokumen - Klasifikasi dokumen - Indeks - Lokasi fisikal - Panjang dokumen - Referensi yang terhubung dengan dokumen Syarat-syarat dalam pembuatan metadata menurut(kimball & Ross, 2004)p102): - Struktur data yang dikenal programmer - Struktur data yang dikenal analis DSS - Sumber data yang membantu data warehouse - Transformasi data ketika dilewatkan ke data warehouse - Model data - Hubungan antara model data dan data warehouse

10 17 - History dari extracts Anatomi Data Warehouse 1. Data Warehouse Fungsional Data warehouse fungsional menggunakan pendekatan kebutuhan dari tiap bagian fungsi bisnis, misalnya departemen, divisi, dan sebagainya, untuk mendefinisikan jenis data yang ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran data masing-masing. Pendekatan ini banyak digunakan karena sistem memberikan solusi ang mudah untuk dibangun dengan biaya investasi yang relatif rendah dan dapat memberikan kemampuan sistem pengumpulan data yang terbatas kepada kelompok pemakai. Penerapan jenis sistem pengumpulan data seperti ini beresiko kehilangan konsistensi data di luar lingkungan fungsi bisnis bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan fungsional menjadi lingkup organisasi, konsistensi data organisasi tidak lagi dapat dijamin. Gambar 2.6 Data Warehouse Fungsional Sumber :(

11 18 2. Centralized data warehouse Data warehouse terpusat adalah pendekatan yang paling baik digunakan, disebabkan oleh keterbiasaan pemakai dengan lingkungan mainframe terpusat. Data diambil dari seluruh sistem operasional dan disimpan di dalam pusat penyimpanan data. User kemudian menggunakan data yang telah terkumpul tersebut untuk membangun data warehouse fungsional masing-masing sesuai dengan kebutuhannya. Keuntungan sistem ini dibanding data warehouse fungsional adalah bahwa data benar-benar terpadu. Sistem ini mengharuskan data dikirim tepat pada waktunya agar tetap konsisten dengan pemasok data lainnya. Di samping itu, user hanya dapat mengambil data dari pusat pengumpulan saja dan tidak dapat berhubungan secara langsung dengan pemasok datanya sendiri. Penerapan sistem ini membutuhkan biaya pemeliharaan yang tinggi atas sistem pengumpulan data yang besar. Selain ini diperlukan waktu yang lama untuk membangun sistem tersebut. Gambar 2.7 Centralized Data Warehouse (

12 Keuntungan Data Warehouse Data warehouse yang telah diimplementasikan dengan baik dapat memberikan keuntungan bagi organisasi, yaitu: (Conolly & Begg, 2010)p1198). - Nilai kembali investasi yang berpotensi tinggi Sebuah organisasi harus mengeluarkan sumber daya dalam jumlah yang cukup besar untuk memastikan bahwa data warehouse telah diimplementasikan dengan baik. - Keuntungan kompetitif Pengambilan investasi yang besar untuk organisasi yang sukses mengimplementasikan data warehouse menjadi bukti besarnya keuntungan kompetitif yang menyertai teknologi ini. Keuntungan kompetitif akan didapatkan jika pengambil keputusan mengakses data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui atau tidak tersedia, misal informasi mengenai trend, konsumen, dan permintaan. - Meningkatkan produktivitas dari para pengambil keputusan organisasi. Data warehouse meningkatkan produktivitas para pengambil keputusan organisasi dengan menciptakan sebuah database yang terintegrasi secara konsisten, berorientasi subjek dan data historis. Data warehouse mengintegrasikan data dari beberapa sistem yang tidak compatible ke

13 20 dalam bentuk yang menyediakan satu pandangan yang konsisten dari organisasi. Dengan mengubah data menjadi informasi yang berguna, maka seorang manajer bisnis dapat membuat analisa yang lebih akurat dan konsisten Metodologi Perancangan Data Warehouse (Kimball & Ross, 2004)p161) terdapat 9 tahap metodologi dalam membangun data warehouse yang dikenal dengan nine-step methodology yaitu: 1. Memilih proses (Choosing the process) Proses pada subyek masalah dari data mart tertentu. Data mart yang akan dibangun harus sesuai anggaran dan dapat menjawab masalah-masalah bisnis yang penting. 2. Memilih Grain (Choosing the grain) Memilih grain berarti menentukan hal yang sebenarnya dihadirkan oleh tabel fakta. Setelah menentukan grain-grain tabel fakta, dimensi-dimensi untuk setiap fakta dapat diidentifikasi. 3. Identifikasi dan membuat dimensi yang sesuai (Identifying and conforming the dimensions) Mengidentifikasi dimensi disertai deskripsi detail yang secukupnya. Ketika tabel dimensi berada pada dua atau lebih data mart, maka tabel dimensi tersebut harus mempunyai dimensi yang sama atau salah satu merupakan subset dari yang lainnya. Jika suatu tabel dimensi

14 21 digunakan oleh lebih dari satu data mart, maka dimensinya harus disesuaikan. 4. Memilih Fakta (Choosing the facts) Memilih fakta yang akan digunakan dalam data mart. Semua fakta harus ditampilkan pada tingkat yang diterapkan oleh grain dan fakta juga harus numeric dan aditif. 5. Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-calculations in the fact table) Ketika fakta telah dipilih, maka setiap fakta tersebut harus diuji apakah ada fakta yang dapat menggunakan pre-kalkulasi, setelah itu lakukan penyimpanan pada tabel fakta 6. Melengkapi Tabel Dimensi (Rounding out the dimension tables) Menambahkan sebanyak mungkin deskripsi teks pada tabel dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user. 7. Memilih durasi dari Database (Choosing the duration of the database) Menentukan batas waktu dari umur data yang diambil dan akan dipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua tahun lalu atau lebih diambil dan dimasukkan dalam tabel fakta.

15 22 8. Melacak perubahan dari dimensi secara perlahan (Tracking slowly changing dimensions) Perubahan dimensi yang lambat menjadi sebuah masalah. Ada 3 tipe dasar dari perubahan dimensi yang lambat, yakni : a. Perubahan atribut dimensi yang ditulis ulang. b. Perubahan atribut dimensi yang mengakibatkan pembuatan suatu record dimensi baru. c. Perubahan atribut dimensi yang mengakibatkan sebuah atribut alternative dibuat, sehingga kedua atribut tersebut yakni atribut yang lama dan yang baru dapat diakses secara bersamaan dalam sebuah dimensi yang sama. 9. Memutuskan prioritas dan cara query (Deciding the query priorities and the query modes) Mempertimbangkan pengaruh dari perancangan fisikal yang akan mempengaruhi persepsi user terhadap data mart. Selain itu, perancangan fisikal akan mempengaruhi masalah administrasi, backup, kinerja pengindeksan dan keamanan Pengertian Data Mining Data mining adalah ilmu untuk menggali informasi dari data set yang besar dan database yang digunakan dalam proses mengelola data yang mencakup analisa dan penentuan kesalahan (Ghencea & Immo, 2010). Data mining merupakan teknik untuk mengekstrak pengetahuan dari informasi. Proses analsis

16 23 ini mempunyai peran penting dalam menentukan estimasi standar (Titan, Tudor, & Loana, 2007). Sebuah sistem data mining pada khususnya dapat melakukan satu tugas atau secara umum mampu melakukan banyak tugas data mining. Sebagian besar data mining menerapkan sejumlah algoritma dan mampu melakukan sebagian besar tugas yang pada umumnya cukup untuk memenuhi kebutuhan pelanggan (Crisan & Androin, 2010)p47) Perbandingan OLTP dengan Data Warehouse Biasanya sebuah organisasi mempunyai beberapa sistem online transaction proccessing (OLTP) yang berbeda untuk setiap proses bisnis, seperti pengawasan persediaan (inventory control), pesanan pelanggan (invoicing costumer) dan tingkat penjualan. Sistem ini menghasilkan data operasional yang detil, terbaru dan selalu berubah. Sistem OLTP optimal jika digunakan untuk sejumlah transaksi yang dapat diramalkan (predictable), berulang (repetitive), dan sering diperbaharui (update intensive). Data OLTP diorganisasikan berdasarkan syarat-syarat dari transaksi yang dihubungkan dengan aplikasi bisnis dan mendukung keputusan perhari dalam sejumlah besar operasional user yang konkruen. Umumnya organisasi hanya mempunyai satu data warehouse yang menyimpan data secara historis, detil, dan ringkasan dengan beberapa tingkatan dan sangat jarang berubah. Data warehouse didesain untuk mendukung transaksi yang tidak dapat diramalkan (unpredictable) dan memerlukan jawaban untuk query khusus (ad hoc), tidak terstruktur, dan heuristic. Data warehouse

17 24 diorganisasikan berdasarkan pada syarat-syarat query yang potensial dan mendukung keputusan strategis jangka panjang dari sejumlah kecil user tingkat manajerial. (Conolly & Begg, 2010)p1198). Di bawah ini adalah tabel perbandingan antara sistem OLTP dengan sistem data warehouse (Conolly & Begg, 2010)p1199), yaitu :

18 25 Tabel 2.1 Perbandingan OLTP dan Data Warehouse OLTP Data Warehouse Menyimpan data-data saat ini Menyimpan data historis Menyimpan data yang rinci Menyimpan data yang rinci, sedang, dan ringkas Data bersifat dinamis Data bersifat statis Proses berulang-ulang Proses ad hoc, tidak terstruktur, dan heuristic. Hasil transaksi tingkat tinggi Hasil transaksi tingkat rendah sampai menengah Pola penggunaan dapat diprediksi Pola penggunaan tidak dapat diprediksi Digunakan untuk transaksi Digunakan untuk analisis Berorientasi pada aplikasi Berorientasi pada subjek Mendukung keputusan harian Mendukung keputusan yang bersifat strategis Digunakan oleh banyak user Digunakan oleh sedikit user manajerial operasional

19 Arsitektur Data Warehouse terdiri dari (Conolly & Begg, 2010)p ), arsitektur data warehouse 1. Operational Data Sumber data untuk data warehouse diambil dari : - Mainframe data operasional yang menangani generasi pertama secara hirarki dan database jaringan. Biasanya mayoritas data operasional perusahaan disimpan di sistem ini. - Data masing-masing departemen yang disimpan dalam sistem file kepemilikan seperti VSAM, RMS dan relational DBMS seperti Informix dan Oracle. - Data internal yang tersimpan dalam work station dan server pribadi. - Sistem eksternal seperti internet, database komersial atau database yang berhubungan dengan supplier dan customer. 2. Operational Datastore (ODS) Suatu operational datastore (ODS) adalah suatu media penyimpanan dan pengintegrasian data operasional yang digunakan untuk analisis. ODS menyediakan data dengan cara yang sama seperti data warehouse, tetapi sesungguhnya bertindak secara sederhana sebagai tempat penampungan sementara sebelum data dipindahkan ke data warehouse.

20 27 ODS diciptakan ketika sistem operasional ditemukan tidak mampu untuk mencapai keberhasilan sistem pelaporan. ODS menyediakan manfaat yang berguna dari suatu relational database dalam mengambil keputusan yang mendukung fungsi data warehouse. Membangun ODS dapat membantu dalam pembuatan data warehouse sebab suatu ODS dapat menyediakan data yang telah diextract dan di-cleansing dari sumber. Ini artinya proses integrasi dan restrukturisasi data untuk data warehouse menjadi lebih sederhana. 3. Load Manager Load manager melaksanakan semua operasi yang berhubungan dengan pengambilan dan load data ke dalam data warehouse. Data di-extract secara langsung dari sumber data atau dari penyimpanan data operasional. Operasi yang dilakukan oleh load manager dapat meliputi perubahan bentuk yang sederhana untuk mempersiapkan data tersebut agar dapat dimasukkan ke dalam data warehouse. 4. Warehouse Manager Warehouse manager melaksanakan semua operasi yang berhubungan dengan manajemen data. Operasi yang dilakukan oleh warehouse manager meliputi :

21 28 - Analisis data untuk memastikan konsistensi - Transformasi dan penggabungan sumber data dari tempat penyimpanan data sementara ke dalam table-table data warehouse. - Pembuatan index dan view pada table - Melakukan denormalisasi - Melakukan agregasi - Melakukan backup dan mengarsip data Dalam beberapa hal, warehouse manager juga menghasilkan profile query untuk menentukan kesesuaian indeks dan agregasi. Suatu profile query dapat dihasilkan baik untuk masing-masing user, kelompok user atau data warehouse dan didasarkan pada informasi yang menguraikan karakteristik query seperti frekuensi, target table, dan ukuran dari hasil yang telah ditetapkan. 5. Query Manager Query manager melaksanakan semua operasi yang berhubungan dengan manajemen user query. Komponen ini secara khusus dibangun menggunakan peralatan akses data end-user, peralatan pengontrol data warehouse, fasilitas database, dan pembangunan program. Kompleksitas query manager ditentukan oleh fasilitas yang disajikan melalui peralatan akses para end-user database. Operasi yang dilakukan komponen ini meliputi pengarahan query pada tabel yang sesuai dan penjadwalan pelaksanaan query. Terkadang query

22 29 manager juga menghasilkan profil query yang mengijinkan warehouse manager menentukan kesesuaian indeks dan agregasi. 6. Detailed Data Area ini menyimpan semua data yang terperinci di dalam skema database. Dalam banyak kasus data yang terperinci tidaklah disimpan secara online tetapi dapat disediakan melalui agregasi data pada tingkatan detil berikutnya. Bagaimanapun biasanya data yang lebih terperinci ditambahkan untuk melengkapi data yang sudah ada. 7. Lightly and highly summarized data Area ini menyimpan semua lightly and highly summarized data yang dihasilkan oleh warehouse manager. Area ini adalah tempat penampungan sementara sebelum dilakukan perubahan secara berkelanjutan untuk merespon perubahan profil query. Tujuan informasi ringkasan adalah untuk mempercepat pencapaian query. Meskipun biaya operasi akan meningkat sehubungan dengan proses peringkasan data tersebut, namun ini merupakan offset untuk melaksanakan operasi ringkasan secara terus menerus untuk menjawab user query. Data ringkasan diperbaharui secara terus-menerus ketika ada data baru yang terisi ke dalam data warehouse.

23 30 8. Archive or Backup Data Area ini menyimpan semua detil dan ringkasan data untuk kepentingan archiving dan backup. Walaupun ringkasan data dibangun dari detil data, akan memungkinkan untuk membuat cadangan ringkasan data secara online jika data ini ditunjukkan melebihi penyimpanan waktu untuk detil data. Data ditransfer ke gudang atau penyimpanan seperti magnetic tape dan optical disk. 9. Metadata Area ini menyimpan semua definisi metadata yang digunakan oleh semua proses di dalam warehouse. Metadata digunakan untuk berbagai tujuan termasuk : - Proses extract dan load metadata digunakan untuk memetakan sumber data ke dalam pandangan umum sebagai warehouse. - Proses manajemen warehouse-metadata digunakan untuk mengotomatisasi pembuatan tabel ringkasan. - Sebagai bagian proses manajemen query metadata digunakan untuk menghubungkan suatu query dengan sumber data yang tepat. Struktur metadata berbeda untuk masing-masing proses, sebab memiliki tujuan yang berbeda. Ini berarti bahwa berbagai salinan metadata yang menggambarkan data item yang sama dipegang di dalam data warehouse. Manajemen metadata di dalam data warehouse adalah suatu tugas yang sangat kompleks yang tidak boleh diremehkan.

24 End-Users Access Tools Tujuan prinsip data warehousing adalah untuk menyediakan informasi kepada para user bisnis untuk pengambilan keputusan. Para user berinteraksi dengan warehouse menggunakan peralatan akses end-user. Berdasarkan kutipan dari (Conolly & Begg, 2010)p1206) yang dikemukakan oleh Berson dan Smith, kategori tools dibagi menjadi lima bagian : - Sebagai alat untuk laporan dan query Menghasilkan program laporan dan laporan tertulis, sedangkan query tools didesain untuk menerima SQL atau menghasilkan pernyataan SQL untuk men-query data di dalam data warehouse. - Perangkat pengembangan aplikasi Keperluan end user dari laporan dan alat query terkadang tidak cukup karena analisis yang diperlukan tidak dapat ditampilkan atau karena interaksi pengguna memerlukan keahlian yang tinggi dari user. Beberapa dari alat pengembangan aplikasi ini terintegrasi dengan alat OLAP yang tekenal, dan dapat mengakses semua sistem database utama, termasuk Oracle, Sybase, dan Informix. - Perangkat Executive Information System (EIS) Executive Information System (EIS), dikembangkan untuk mendukung pembuatan keputusan tingkat tinggi. Alat EIS

25 32 berhubungan dengan mainframe pengguna untuk membangun kebiasaan-kebiasaan, aplikasi grafik pendukung keputusan untuk menyediakan sebuah gambaran data- data organisasi dan akses ke sumber data luar. - Perangkat Online Analytical Processing (OLAP) Perangkat OLAP berdasarkan dari konsep multidimensional database dan mengijinkan pengguna untuk menganalisa dan menggunakan kompleks multidimensional views. Aplikasi bisnis khusus ini digunakan untuk menilai keefektifan marketing, perkiraan sales produk, dan rencana kapasitas. - Perangkat data mining Data mining adalah proses menemukan korelasi baru, pola, arah yang baru dengan menganalisa sejumlah besar data menggunakan statistik, matematika, dan teknik Artificial Intelligence (AI). Gambar 2.8 Arsitektur Data Warehouse (Sumber : (Conolly & Begg, 2010)p1204)

26 OLAP OLAP digunakan untuk menyediakan akses mudah dan cepat ke sumber daya analisis yang mendasari pengambilan keputusan dan proses manajemen (Diana, 2011) Star Schema Menurut Doro Edi1, Stevalin Betshani (p78-80) Star schema merupakan salah satu alat pendukung pengambilan keputusan, maka dari itu perancangan star schema disesuaikan dengan kebutuhan pihak manajerial dalam pengambilan suatu keputusan Star Schema adalah suatu struktur logical yang memiliki sebuah tabel fakta yang berisikan data data fakta di tengahnya dan di kelilingi oleh tabel-tabel dimensi yang berisikan data-data referensi (bisa dalam bentuk denormalisasi) (Conolly & Begg, 2010)p1227).

27 34 Gambar 2.9 Star Schema (sumber (Conolly & Begg, 2010)p1228) Snowflake Schema Snowflake schema adalah variasi lain dari skema bintang dimana tabel dimensi tidak berisi data yang dinormalisasi, dan suatu tabel dimensi dapat memiliki tabel dimensi lainnya (Conolly & Begg, 2010)p1129).

28 35 Gambar 2.10 Snowflake Schema (sumber (Conolly & Begg, 2010)p1229) Starflake Schema Starflake schema adalah struktur campuran antara skema bintang dan snowflake schema. Beberapa tabel dimensi dapat disajikan dalam bentuk skema bintang maupun snowflake schema untuk memenuhi kebutuhan query yang berbeda beda (Conolly & Begg, 2010)p1230).

29 Granularity Granularity mengarahkan ke level of detail atau ringkasan dara pada data warehouse. Semakin detil data semakin rendah tingkat granularity. Semakin ringkas data, semakin tinggi tingkat granularity. Ringkasan dari semua transaksi pada suatu bulan akan menjadi tingkat yang tinggi atas granularity. Granularity dari data akan menajadi sebuah persoalan desain utama pada lingkungan data warehouse karena mempengaruhi volume data pada data warehouse dan jenis query yang dapat dijawab. Pada banyak kasus, data warehouse berada pada tingkat granularity yang terlalu tinggi artinya developer harus menghabiskan banyak sumber daya untuk memecah data. Kadang kadang data masuk ke data werehouse pada tingkat granularity yang terlalu rendah (William, 2005)p41) Metadata Metadata adalah sebuah komponen penting dari lingkungan data werehouse. Metadata atau data tentang data, telah menjadi bagian dari lingkungan pemrosesan informasi selama telah ada program dan data. Tetapi dalam dunia data werehouse, metadata mendapatkan tingkat kepentingan yang baru, untuk segala usaha yang paling efektif digunakan pada data werehouse. Metadata memungkinakan end-user atau decision support system analyst untuk menavigasi melalu beberapa kemungkinan. Ketika user akan menggunakan data warehouse yang tidak memiliki metadata, maka user

30 37 tidak tahu darimana akan memulai analisa. Dengan adanya metadata, maka user dapat dengan cepat mencari data yang penting atau menentukan data yang tidak ada dalam data warehouse. Metadata bertindak sebagai index untuk isi data warehouse. (William, 2005) p102). Metadata items menyimpan hal hal sebagai berikut : - Stuktur data bagai programmer. - Struktur data bagi DSS Analyst. - Sumber data untuk data warehouse. - Transformasi data ke data warehouse. - Data model. - Relationship antara data model dan data warehouse. - Histori dari extract External Data dan Data Warehouse Kebanyakan organisasi membangun data warehouse mereka pada data yang berasal dari sistem yang ada (yakni, diatas data internal ke perusahaan). Di hampir setiap kasus, data ini dapat disebut data internal, terstruktur. Data internal berasal dari perusahaan dan telah dibentuk ke dalam format yang teratur. Satu keseluruhan besar atas data lain yang sah digunakan untuk sebuah perusahaan yang tidak dihasilkan dari sistem perusahaan sendiri disebut data eksternal dan biasanya memasuki perusahaan dalam format yang tidak diduga. Data warehouse ialah tempat yang idela untuk menyimpan data eksternal (William, 2005) p ).

31 38 Data warehouse mampu menangani lebih dari data internal, terstruktur. Ada banyak infromasi yang relevan untuk menjalankan perusahaan yang berasal dari sumber-sumber di luar perusahaan (William, 2005)p268) Perhitungan Estimasi Kapasitas Disk Perhitungan estimasi kapasitas disk adalah sebagai berikut: - Menentukan jumlah baris di dalam tabel = Num_Rows - Ukuran tergantung pada tipe data dan panjangnya Jumlah kolom = Num_Cols Jumlah fixed length kolom (byte) = Fixed_Data_Size Jumlah variable-length kolom = Num_Variable_Cols Ukuran maksimal variable length kolom = Max_Var_Size - Menghitung null bitmap jika dalam tabel terdapat fixed length kolom: Nul lbitmap (Null_Bitmap) = 2 + ((Num_Cols + 7) / 8 ) - Menghitung kapasitas jika terdapat variable length kolom dalam tabel: Total size of variable-length columns (Variable_Data_Size) = 2 + (Num_Variable_Cols * 2) + Max_Var_Size Jika tidak terdapat variable length kolom, Variable_Data_Size = 0 - Menghitung ukuran baris: Total row size (Row_Size) = Fixed_Data_Size + Variable_Data_Size + Null_Bitmap + 4

32 39 - Menghitung jumlah baris per page (8096 byte per page): Number of rows per page (Rows_PerPage) = (8096) / (Row_Size + 2) - Jika terdapat clustered index di dalam tabel, maka menghitung free rows per page didasarkan pada Fill Factor. Jika tidak ada clustered index yang dibuat, maka Fill Factor = 100 Number of free rows per page (Free_Rows_Per_Page) = 8096 * ((100 - Fill_Factor) / 100) / (Row_Size + 2) - Menghitung jumlah page yang dibutuhkan untuk menyimpan semua baris: Number of pages (Num_Pages) = Num_Rows / (Rows_ Per_Page - Free_Rows_Per_Page) - Menghitung kapasitas yang dibutuhkan untuk menyimpan data dalam tabel (8192 byte per page): Table size (bytes) = 8192 * Num_Pages (Microsoft, 2011)

33 Teori Khusus Pengertian Penjualan Penjualan merupakan proses antara pembeli dan penjual yang bertemu karena adanya kebutuhan, dengan saling bertukar informasi dan adanya keterkaitan akan suatu kebutuhan.penjualan membutuhkan dorongan dalam bentuk iklan ataupun bentuk penyampaian kepada masyarakat luas agar tercapainya dorongan efektivitas antara pembeli dan penjual.dengan informasi yang diberikan maka penjualan barang atau jasa tertentu dapat meningkat sejalannya waktu (Kotler, 2006:457). Penjualan merupakan proses menciptakan dan mengembangkan hubungan antara pelanggan dan penanggung jawab (stakeholders). Relasi penjualan mengacu pada peningkatan pembangunan, hubungan pertukaran biaya yang efektif dengan setiap pelanggan, supplier, karyawan dan mitra lainnya agar tercapai hubungan yang saling menguntungkan (Jobber & David, 2006) Pengertian Permintaan Barang Permintaan adalah sejumlah barang yang akan dibeli atau yang diminta pada tingkat harga tertentu dalam waktu tertentu. Masyarakat selaku konsumen harus membeli barang atau jasa keperluannya di pasar. Keadaan ini mengandaikan bahwa barang atau jasa itu memiliki tingkat harga tertentu. Adanya berbagai macam harga di pasar selanjutnya

34 41 mengandaikan adanya kondisi yang mempengaruhi. Adapun unsureunsur yang terdapat pada permintaan yakni barang atau jasa, harga dan kondisi yang mempengaruhi. Jadi permintaan adalah jumlah barang atau jasa yang dibeli dalam berbagai situasi dan tingkat harga. Kurva Permintaan Barang Permintaan di tempatkan sebagai fungsi yang dipengaruhi oleh beberapa factor. Factor yang di maksid adalah harga, barang, atau jasa, selera dan pendapatan. Keterkaitan antara permintaan dan faktor-faktor tersebut menghasilkan rumus sbb : X= f (Hb1, Hb2, S, P) Dimana : H = harga S = selera B = barang atau jasa P = Pendapatan Dalam kaitannya dengan factor ekonomi pada masalah permintaan ini berlaku ceteris paribus. Dalam kondisi seperti ini harga merupakan factor dominant dalam permintaan, sementara factor yang lain dianggap tidak berubah. Pada harga yang tinggi, banyak pembeli yang tidak mampu membeli atau mungkin cenderung mencari barang substitusi dengan harga terjangkau. Sedangkan pada harga rendah, pembeli yang tadinya kurang mammpu menjadi mampu untuk membeli

35 42 Bagi pembeli perorangan, kenaikan harga akan memperkecil daya beli pembeli atau akan mengurangi anggaran untuk alat pemuas kebutuhan yang lainnya (dengan catatan pendapatan tetap) Adanya harga barang substitusi yang harganya jauh lebih rendah akan lebih menarik apabila harga suatu barang atau jasa semakin tinggi. Akibatnya pembeli akan beralih dari barang atau jasa yang telah biasa di konsumsi ke barang atau jasa substitusi Pengertian Pembelian Pembelian merupakan kegiatan bisnis yang berhubungan dengan pembayaran barang atau jasa oleh perusahaan. Kegiatan bisnis tersebut dapat juga menjadi perputaran barang atau jasa pada putaran bisnis (bussiness circle). Terdapat 5 aktivitas yang mendasar dalam teori pembelian : 1. Requesting the purchase of needed goods Aktivitas pertama dalam suatu pembelian terdapat permintaan barang atau jasa, dalam melakukan pembelian persediaan maka perusahaan membutuhkan perbandingan produk,harga, dan tanggal pembelian barang yang diperlukan. 2. Ordering goods to be purchased Aktivitas kedua pembelian merupakan pemesanan barang. Pemesanan barang harus melalui perbandingan yang terdapat pada tahap awal, serta memperhatikan supplier yang memiliki harga kompetitif dan kualitas barang

36 43 yang terjamin mutunya.dokumen yang secara formal digunakan untuk membuat suatu perjanjian kepada supplier untuk mengirimkan barang tertentu dengan harga yang telah disetujui kedua belah pihak adalah purchase order. 3. Receiving ordered goods Aktivitas ketiga kegiatan menerima barang yang dikirim oleh supplier lalu pihak perusahaan melakukan pengecekan ulang pada jumlah barang dan harga yang disetujui dalam purchase order. Hal tersebut dilakukan agar dapat melihat barang diterima sudah sesuai atau belum dan apabila terdapat kerusakkan barang dapat langsung dikembalikan. 4. Approving vendor invoice for payment Aktivitas keempat mencatat kembali barang yang sudah diterima dan mencatat pengeluaran keuangan dalam perusahaan. Hal ini dilakukan oleh bagian akuntan 5. Paying for goods purchased Aktivitas kelima membayar barang yang sudah dibeli, pastikan pembayaran dilakukan sesuai tanggal jatuh tempo (Romney, Marshall, Steinbart, & Paul, 2000) Pengertian Retur Pembelian Pelanggan mengembalikan barang dagangan yang telah mereka beli karena beberapa alasan, antara lain penjual mengirimkan barang dagang yang salah : barang tersebut cacat, produk rusak dalam pengiriman penjual melakukan

37 44 pengiriman barang terlambat atau tertunda dalam perjalanan, dan pembeli menolak pengiriman tersebut. Ketika terjadi pengembalian, pembeli akan meminta penjual untuk menjamin suatu credit allowance atas produk yang tidak diinginkan (Hall & Singleton, 2007).