BAB 2 LANDASAN TEORI. telah diproses atau data yang memiliki makna. dirancang untuk memenuhi kebutuhan informasi perusahaan atau organisasi.

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1. Teori-Teori Umum Pengertian Data Menurut O Brien (2005,p38)data adalah fakta atau observasi mentah yang biasanya mengenai transaksi bisnis Pengertian Informasi Menurut McLeod and Schell (2001,p12), informasi merupakan data yang telah diproses atau data yang memiliki makna Pengertian Database Menurut Connoly dan Begg (2005,p15), database adalah kumpulan data-data yang saling berhubungan satu sama lain yang digunakan secara bersama-sama dan dirancang untuk memenuhi kebutuhan informasi perusahaan atau organisasi Pemodelan Entity Relationship Menurut Connoly dan Begg (2005,p342), pemodelan ER adalah pendekatan dari atas ke bawah untuk merancang database yang dimulai dengan mengidentifikasi data yang penting yang dikenal dengan sebutan entitas dan hubungan antara data harus diperlihatkan dalam model ini. Konsep dasar dari pemodelan ER antara lain: a) Entitas (Entity) Menurut Connoly dan Begg (2005,p343), entity type adalah sekumpulan objek dengan properti yang sama, dimana diidentifikasikan oleh perusahaan karena mempunyai keadaan bebas. Menurut Connoly dan Begg (2005,

2 p333), entity occurence adalah objek yang didefinisikan secara unik dari entity type. Entity type digambarkan dalam bentuk bujur sangkar dengan diberi nama entitas, yang umumnya adalah kata benda tunggal, dapat dilihat pada gambar 2.1 Gambar 2.1 Diagram dari Entity Type Branch dan Staff (Sumber : Connoly dan Begg, 2005, p345) b) Hubungan (Relationship) Menurut Connoly dan Begg (2005, p346), relationship type adalah sekumpulan asosiasi berarti antara entity types. Setiap relationship type digambarkan dengan garis yang menghubungkan entity type, dan diberi nama hubungannya seperti pada gambar 2.2 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. Contohnya : pada gambar dibawah ini menyatakan bahwa Branch memilliki Staff.

3 Gambar 2.2 Diagram dari Relationship Type Branch mempunyai Staff (Sumber : Connoly dan Begg,2005, p347) c) Atribut (Attribute) Menurut Connoly dan Begg (2005, p350), atribut adalah properti dari sebuah entitas atau relationship type. Contohnya, Staff memiliki atribut StaffNo, nama, posisi, dan gaji. d) Multiplicity Menurut Connoly dan Begg (2005, p356), multiplicity adalah sejumlah kemunculan yang mungkin ada dalam sebuah entitas yang berhubungan dengan kemunculan tunggal dari entitas yang berhubungan dengannya. Tiga tipe hubungan multiplicity adalah :

4 1:1 (One-to-One) Contoh dari hubungan ini ádalah : Gambar 2.3 Multiplicity hubungan satu ke satu dari staff yang mengatur Branch (Sumber : Connoly dan Begg,2005, p358) Artinya, seorang staff dapat mengatur nol atau satu cabang dan masing-masing cabang di atur oleh satu staff. 1:* (One-to-Many) Contoh dari hubungan ini adalah : Gambar 2.4 Multiplicity hubungan satu ke banyak dari staff yang mengawasi property for rent (Sumber : Connoly dan Begg, 2005, p359)

5 Artinya, seorang staff dapat mengawasi nol atau lebih properti yang akan disewa dan sebuah properti yang akan disewa diawasi oleh nol atau satu staff. *:* (Many-to-Many) Contoh dari hubungan ini adalah : Gambar 2.5 Multiplicity hubungan banyak ke banyak dari newspaper yang mengiklankan property for rent (Sumber : Connoly dan Begg, 2005, p360) Artinya, satu koran mengiklankan satu atau lebih properti yang akan disewa dan satu properti yang akan disewa diiklankan oleh nol atau lebih koran Konsep Data warehouse Pengertian Data Warehouse Menurut Inmon (2005,p29), data warehouse merupakan kumpulan dari database yang memiliki sifat berorientasi subjek, terintegrasi, yang dirancang untuk dapat mendukung pengambilan keputusan dalam organisasi, dimana tiap datanya berhubungan dengan suatu kejadian yang terjadi pada suatu waktu tertentu.

6 Karakteristik Data Warehouse Menurut Inmon (2005,p29), sebuah data warehouse memiliki karakteristik sebagai berikut : 1. Subject Oriented Data warehouse bersifat subject oriented berarti bahwa data warehouse bukan berorientasikan pada proses atau fungsi aplikasi tertentu, melainkan pada subyek-subyek tertentu dalam perusahaan, yang mana biasanya memiliki subyek-subyek yang unik untuk tiap perusahaannya. Misalnya : untuk perusahaan asuransi subyeknya adalah pelanggan, kebijakan, premi, dan keluhan; dalam pabrik subyeknya adalah produk, pesanan, vendor, tagihan material, bahan baku; dan sebagainya. Gambar 2.6 Aspek Subject Oriented dari Data Warehouse (Sumber : Inmon, 2005, p30)

7 2. Integrated Karakteristik integrasi ini dapat dikatakan merupakan aspek terpenting dari data warehouse. Integrasi disini dimaksudkan bahwa data dalam data warehouse memiliki satu bentuk tunggal fisikal yang sama dan konsisten walau berasal dari sumber yang berbeda-beda. Termasuk juga konsistensi pada aplikasi yang mengaksesnya, aturan pengentrian data, aturan penamaan atribut, dan karakteristik fisikal data lainnya. Jadi pengkodean pada data warehouse dilakukan secara konsisten tanpa terpengaruh pada metode maupun sumber aplikasinya berjalan seperti bagaimanapun. Gambar 2.7 Integrasi Data Warehouse (Sumber : Inmon, 2005, p31)

8 3. Time Variant Variasi waktu disini diartikan bahwa data di dalam sebuah data warehouse berhubungan dengan suatu titik atau point dalam suatu periode waktu tertentu. Misalnya semester, kwartalan, tahun fiskal, atau periode pembayaran. Sebagai contoh, data yang menunjukkan penjualan produk yang terlaris per tahun, jumlah pembelian per kwartal, dan sebagainya. Tabel 2.1 Perbandingan time variant antara data opersional dan data warehouse (Inmon, 2005, p32) Data Operasional Mempunyai time horizon hari Data Warehouse Mempunyai time horizon 5-10 tahun Data atau record dapat di-update Key structure dapat termasuk atau tidak termasuk elemen waktu Data atau record tidak dapat diupdate Key structure termasuk elemen waktu 4. Nonvolatile (Tidak dapat berubah) Karakteristik data warehouse nonvolatile dapat diartikan bahwa ketika data sudah disimpan ke dalam sebuah data warehouse, data harus tidak boleh berubah atau tidak boleh ada perubahan didalamnya.

9 Gambar 2.8 Aspek Non-Volatile dari Data Warehouse (Sumber : Inmon, 2005, p32) Struktur Data Warehouse Data warehouse mempunyai struktur yang spesifik dan mempunyai perbedaan dalam tingkatan ringkasan (summary) dan detail data serta perbedaan dalam tingkatan umur data. Menurut Inmon(2005,p33) terdapat beberapa level of detail yang berbeda dalam dalam data warehouse, yaitu : Current detail data (data detail saat ini) Old detail data (data detail historis) Lightly summarized data (data ringkasan level menengah) Highly summarized data (data ringkasan level tinggi)

10 M E T A D A T A Current Detail Highly Summarized Lightly Summarized (Data Mart) Operational Transformation Old Detail Gambar 2.9 Struktur Data Warehouse (Sumber : Inmon, 2005, p34) 1. Current detailed data Pada bagian ini current detail data disimpan dalam skema database. Data ini tidak disimpan secara langsung, tetapi data ini ditambahkan dalam warehouse untuk melengkapi data yang terkumpul. Data ini menjadi berguna saat detil data terkumpul pada tahap berikutnya. 2. Old detailed data Old detailed data merupakan data detil dan ringkas yang berguna untuk arsip dan back up. Meskipun ringkasan data atau summary didapat dari current detailed data, tetapi masih memungkinkan untuk menyimpan ringkasan data tersebut secara langsung jika data berada diluar periode current detailed data. Data disimpan dalam sebuah penyimpanan seperti magnetic tape atau optical disk.

11 3. Lightly summarized data Lightly summarized data merupakan data ringkasan atau summary dari current detailed data. Pada tingkat ini, data hasil ringkasan masih belum dapat digunakan dalam proses pengambilan keputusan karena belum bersifat total summary dan menjadi bersifat rinci. Lightly summarized data biasanya sering digunakan untuk gambaran dari keadaan yang sedang berlangsung dan sudah berlangsung. 4. Highly summarized data Highly summarized data merupakan hasil proses summary yang bersifat totalitas. Data pada highly summarized ini sangat mudah diakses. Data pada tingkat inilah yang pada akhirnya digunakan untuk mendukung pengambilan keputusan terutama dikalangan eksekutif dalam dunia bisnis. Hal ini disebabkan karena data pada tingkat ini dianggap sudah cukup representative dan ringkas. Akan tetapi tetap dapat merepresentasikan keadaan data secara keseluruhan. Hal ini tentu saja sangat memudahkan kalangan pimpinan atau eksekutif karena tidak perlu lagi membaca dan melakukan analisis data untuk waktu yang cukup lama.

12 Keuntungan Data Warehouse Menurut Connolly dan Begg (2005, p1152), keuntungan data warehouse adalah: 1. Potensial ROI (Returns on Investment) yang tinggi. Organisasi harus menjalankan jumlah yang besar dari sumber untuk menjamin kesuksesan implementasi dari data warehouse dan biaya yang sangat besar bagi solusi technical support yang tersedia. Penyelidikan dari International Data Corporation (IDC) pada tahun 1996 menjalankan rata-rata ROI dalam 2 tahun dengan data warehousing mencapai 401%, diatas 90% perusahaan yang disurvei mencapai diatas 160% ROI, dan seperempatnya lebih dari 600% ROI. 2. Competitive Advantage. ROI yang besar bagi perusahaanperusahaan diperoleh dari kesuksesan data warehouse merupakan fakta bahwa competitive advantage yang besar menyertai teknologi ini. Competitive advantage diperoleh dengan menyediakan akses pembuatan keputusan ke data yang dapat mengungkapkan ketidaksediaan, ketidakpahaman, dan ketidakterbukaan informasi sebelumnya, sebagai contoh customer, trend, dan permintaan. 3. Meningkatkan produktivitas pembuatan keputusan perusahaan. Data warehouse meningkatkan produktivitas pembuatan keputusan perusahaan dengan menciptakan integrasi database yang konsisten, subject-oriented, data historikal.

13 Komponen Data Warehouse Komponen data warehouse terdiri atas: 1. Operational Data Source Sumber data untuk data warehouse didapat dari main frame operasional data, data tiap departemen, data pribadi, dan dari sistem eksternal seperti internet. 2. Operational Data Store Merupakan tempat menyimpan current data dan data operasional dan terintegrasi untuk dianalisa. 3. Load Manager (Frontend Component) Melakukan semua operasi yang berhubungan dengan pengekstrakan dan pemuatan data ke data warehouse. 4. Warehouse Manager Warehouse manager berupa: Melakukan analisa data untuk menjaga konsistensi data. Melakukan transformasi dan penggabungan sumber data dari penyimpanan sementara ke dalam tabel-tabel data warehouse Menciptakan index dan view pada base tables Melakukan denormalisasai (jika diperlukan) Melakukan agregasi (jika diperlukan) Melakukan back-up dan archive / back-up data

14 5. Query Manager Query manager melakukan semua operasi yang berhubungan dengan management user queries. Kemampuan ini dibangun dengan menggunakan vendor end-user data access tools, data warehouse monitoring tools, falisilitas basis data, dan custom build-in program. Kompleksitas queries manager ditentukan oleh fasilitas yang disediakan oleh end-user access tools dan basis data. Operasi yang dilakukan komponen ini berupa pengarahan query pada tabel-tabel yang tepat dan penjadwalan eksekusi query. 6. Detailed Data Komponen ini menyimpan semua data detil dalam skema basis data. Pada umumnya beberapa data tidak disimpan secara fisik tetapi dapat dilakukan dengan cara agregasi. Secara periodik data detil ditambahkan ke data warehouse untuk mendukung agregasi data. 7. Lightly and Highly Summarized Data Komponen ini menyimpan semua data yang diringkas oleh warehouse manager. Data perlu diringkas dengan tujuan untuk mempercepat performa query. Rangkuman data turut diperlukan seiring dengan adanya data yang baru yang masuk ke dalam data warehouse.

15 8. Archive / Back-up Data Komponen ini menyimpan data detil dan ringkasan data dengan tujuan untuk menyimpan dan back-up data. Walaupun ringkasan yang diperoleh dari data mendetil, ringkasan perlu di back-up juga apabila data tersebut disimpan melampaui periode penyimpanan data detil. Data kemudian digunakan ke media penyimpanan seperti magnetic tape atau optical disc. 9. Metadata Komponen ini menyimpan semua definisi metadata (informasi mengenai data) yang digunakan dalam proses dalam data warehouse. Metadata digunakan untuk berbagai tujuan, antara lain: Proses extracting dan loading, metadata digunakan untuk menentukan sumber data dalam warehouse. Proses manajemen warehouse, metadata digunakan untuk menghasilkan tabel ringkasan. Sebagai bagian dari proses manajemen query, metadata digunakan untuk mengarahkan sebuah query pada sumber data yang tepat. 10. End-user Access Tools Tujuan utama dari data warehouse adalah menyediakan informasi bagi pengguna untuk pembuatan keputusan yang strategis dalam berbisnis. Para pengguna berinteraksi dengan data

16 warehouse menggunakan end-user access tools. Berdasarkan kegunaan data warehouse, terdapat lima kategori end-user access tools, yaitu: Reporting and Query Tools Reporting tools meliputi production reporting tools dan report writers. Production reporting tools digunakan untuk menghasilkan laporan operasional secara berkala. Query Tools untuk relasional data warehouse dirancang untuk menerima SQL, dan proses query data yang tersimpan di warehouse. Application Development Tools Application Development Tools menggunakan graphical data access tools yang dirancang khusus untuk lingkungan client-server. Beberapa aplikasi tersebut diintegrasikan dengan OLAP tools, dan dapat mengakses semua sistem basis data utama. Executive Information System (EIS) Tools EIS sering dikenal sebagai everyone s information system (sistem informasi setiap orang). Awalnya dikembangkan untuk mendukung pembuatan kebutuhan top-level yang strategis. Akan tetapi, kemudian meluas untuk mendukung semua tingkat manajemen. EIS tools pada awalnya

17 berhubungan dengan mainframes yang memungkinkan para pengguna untuk membangun aplikasi pendukung keputusan yang bersifat grafik untuk menyediakan sebuah overview mengenai data perusahaan dan akses pada sumber data eksternal. Kini, EIS banyak dilengkapi dengan fasilitas query dan menyediakan custom-build applications untuk area bisnis seperti penjualan, pemasaran dan keuangan. Online Analytical Processing (OLAP) Tools OLAP tools didasarkan pada konsep basis data yang bersifat multi-dimensional dan memperbolehkan pengguna untuk menganalisis data dari sudut pandang yang kompleks dan multi-dimensi. Alat Bantu ini mengasumsikan bahwa data diatur dengan model multi-dimensi yang khusus (MDDB) atau oleh sebuah relational basis data yang dirancang untuk memungkinkan query multi dimensi. Data Mining Tools Data mining adalah proses menemukan korelasi, pola dan tren yang baru, yaitu dengan melakukan penggalian sejumlah data menggunakan teknik statistik, matematis, dan artificial intelligent (AI). Data mining memiliki potensi untuk menggatikan kemampuan OLAP tools.

18 OLTP (Online Transaction Processing) Menurut Connoly dan Begg (2005, p1153), Online Transaction Processing (OLTP) is the systems that have been designed to handle high transaction throughput, with transactions typically making small changes to the organization s operational data, that is, data that the organization requires to handle its day-to-day operations, yang berarti OLTP adalah suatu sistem yang telah dirancang untuk menangani jumlah hasil transaksi yang tinggi, dengan transaksi yang pada umumnya membuat perubahan yang kecil bagi data operasional organisasi. Oleh karena itu, data organisasi memerlukan penanganan operasinya setiap hari. Data pada database operasional bersifat volatile, dirancang untuk membuat perubahan baru dan termutakhir terhadap data didalamnya, menjaga integrasi data dan melaksanakan transaksi data secepat mungkin. Pemakai dapat melihat informasi, mungkin memanipulasi informasi tersebut pada layar komputer, tetapi pemakai tidak dapat merubah isi data dari data yang ada pada database analisis. Sedangkan database analisis dirancang untuk sejumlah besar data yang bersifat read only serta menyediakan informasi yang digunakan untuk membuat keputusan. Pada pemerosesan database analisis, tidak terdapat pemerosesan data secara satuan record setiap kali terjadi perubahan isi record. Perubahan pada database analisis dilakukan sesuai jadwal yang sudah ditentukan. Karena organisasi menggunakan banyak aplikasi piranti lunak dan banyak database, maka data warehouse digunakan untuk mengumpulkan dan

19 mengatur data yang diperoleh dari aplikasi-aplikasi bertahun-tahun dalam suatu tempat Perbandingan antara OLTP dan Data Warehouse Tabel 2.2 Perbandingan antara OLTP dengan Data Warehouse (Connoly dan Begg, 2005, p1153) 3. TABEL OLTP DATA WAREHOUSE Tujuan Menjalankan operasi sehari-hari Mengambil dan menganalisa informasi Management database RDBMS RDBMS Metode Pemodelan Data Normalisasi Skema Bintang Akses SQL SQL ditambah dengan kemampuan analisa data Kegunaan data Digunakan untuk menjalankan kegiatan bisnis harian Digunakan untuk menganalisa dan menyiasati strategi bisnis OLAP (Online Analytical Processing) Menurut Connoly dan Begg (2005,p1205), OLAP adalah sintesis dinamis, analisis dan konsolidasi dari sekumpulan besar data multidimensi. OLAP merupakan proses departmental untuk lingkungan data mart. OLAP mendeskripsikan sebuah teknologi yang menggunakan view multi-dimensi dari sekumpulan data untuk menyediakan akses yang

20 cepat ke informasi strategis untuk analisis lebih lanjut. Aplikasi OLAP tergantung dengan data warehouse dan system OLTP untuk merefresh source level data. OLAP adalah teknologi yang memperbolehkan para user untuk menganalisa basis data yang besar untuk mendapatkan sistem informasi yang lebih spesifik. Basis data untuk sistem OLAP disusun terstruktur agar lebih efisien dalam penyimpanan data statis. Karena penyimpanan OLAP adalah multidimensi, biasa disebut cube, yang berlawanan dengan tabel. Yang membuat OLAP unik adalah kemampuannya untuk menyimpan kumpulan data secara hirarki. Dimensi-dimensi memberikan informasi secara kontekstual dalam bentuk bilangan atau perhitungan yang lebih teliti Perbandingan OLAP dan OLTP Tabel 2.3 Perbandingan OLAP dan OLTP (Connoly dan Begg, 2005,p1153 ) OLAP Digunakan untuk mendukung kegiatan analisis Menggunakan view multi dimensi Mendukung keputusan untuk masa OLTP Digunakan untuk mendukung kegiatan transaksi sehari-hari Menggunakan view single Mendukung keputusan per hari depan Bergantung pada data yang tesimpan Tidak bergantung pada OLAP pada OLTP

21 Melayani manajerial user Operasi query-nya lebih rumit, adhoc dan tidak melibatkan operasi data Melayani operasional user Operasi query-nya sederhana dan berulang-ulang update Memakai data yang terangkum dalam Memakai data sehari-hari data cube Perbandingan OLAP dan Data Warehouse Tabel 2.4 Perbandingan OLAP dan Data Warehouse (Connoly dan Begg,2005,p1049) OLAP Merupakan end-user access tools dari data sederhana DATA WAREHOUSE Merupakan basis data untuk menyimpan data syarat dan menyediakan data cube yang akan digunakan untuk OLAP Mendukung manajerial user dan analytical Mendukung manajerial user user Bergantung pada data yang tersimpan pada data warehouse Menggunakan teknologi data warehouse dalam penggunaannya Tidak bergantung pada OLAP dalam penyediaan datanya Menyediakan teknologi yang digunakan untuk melakukan OLAP

22 Metodologi Perancangan Data Warehouse Menurut Connolly dan Begg (2005,p ), metodologi yang dikemukakan oleh Kimball dalam membangun data warehouse ada 9 tahapan, yang dikenal dengan Nine-step Methodology. Sembilan tahap tersebut adalah : 1. Memilih Proses ( choosing the process ) Proses (fungsi) merujuk pada subjek masalah dari data mart tertentu. Datamart yang akan dibangun harus sesuai anggaran dan dapat menjawab masalah-masalah 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, dimensidimensi untuk setiap fakta dapat diidentifikasi. 3. Mengidentifikasi dan Membuat Dimensi yang Sesuai ( Identifying and Comforming the Dimentions ) Mengidentifikasi dimensi disertai deskripsi detail yang secukupnya. Ketika table 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 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 numerik dan aditif.

23 5. Menyimpan pre- kalkulasi salam tabel Fakta ( Storing pre-calculation 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 Table ) 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 ke dalam tabel fakta. 8. Melacak Perubahan Dari Dimensi Secara Perlahan ( Tracking Slowly Changing Dimensions ) Perubahan dimensi yang lambat menjadi sebuah masalah ada tiga tipe dasar dari perubahan dimensi yang lambat, yakni : a. Perubahan atribut dimensi yang ditulis ulang (overwrite). 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.

24 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 datamart. Selain itu, perancangan fisikal ini akan mempengaruhi masalah administrasi, backup, kinerja pengideksan dan keamanan Konsep Pemodelan Data Warehouse Menurut Connoly dan Begg (2005, p1187), merancang data warehouse merupakan suatu pekerjaan yang sangat kompleks. Untuk memulai sesuatu proyek data warehouse mula-mula perlu dilakukan pengumpulan analisis kebutuhan pengguna, yang bisa dilakukan dengan cara melakukan wawancara terhadap anggota yang sesuai, contohnya pengguna dibidang pemasaran, keuangan, penjualan, operasional, dan manajemen untuk mengidentifikasi satu set kebutuhan yang terprioritaskan bagi perusahaan yang harus dipenuhi oleh data warehouse. Hasil wawancara menyediakan informasi yang penting bagi top-down view (kebutuhan pengguna ) dan bottom-up view (dimana sumber data tersedia) dari data warehouse. Dengan dua pandangan diatas proses merancang data warehouse sudah dapat dimulai. Salah satu komponen basis data dalam data warehouse dideskripsikan dengan menggunakan permodelan dimensionalitas (dimensionality modelling), yaitu suatu teknik desain secara logis yang bertujuan untuk menyajikan data dalam suatu bentuk standar dan intuitif yang memungkinkan akses dengan performansi tinggi. Konsep permodelan dimensionalitas menggunakan konsep

25 dari permodelan entity-relationship (ER) dengan beberapa pembatasan penting. Setiap model dimensionalitas terdiri dari satu tabel dengan satu composite primary key (PK) yang dikenal sebagai tabel fakta (fact tabel), serta satu lagi tabel yang lebih kecil yang dikenal sebagai tabel dimensi (dimension tabel). Setiap tabel dimensi memiliki satu primary key yang berkorespondensi dengan satu komponen dari composite key dalam tabel fakta. Dengan kata lain, primary key dari tabel fakta terdiri dari dua atau lebih foreign key. Karakteristik yang memiliki bentuk seperti bintang ini dikenal sebagai star schema atau star join atau skema bintang Skema Bintang (Star Schema) Menurut Connolly (2005, p1183), skema bintang adalah 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 denormalisasi.

26 Gambar 2.10 Star Schema (Sumber : Connolly, 2005, p1184) Tabel Facta (Fact Table) Menurut Connolly dan Begg (2005, p1183), Every dimensional model (DM) is composed of one table with a composite primary key, called the fact table, yang berarti tabel fakta adalah suatu tabel pada Dimensional Model (DM) yang isinya composite primary key (PK). Jadi PK pada tabel fakta merupakan beberapa foreign key Tabel Dimensi (Dimenstion Table) Menurut Connolly dan Begg (2005, p1183), Dimensional table is a set of smaller tables called dimension tables, yang berarti tabel dimensi adalah sekumpulan tabel-tabel yang lebih

27 kecil dari tabel fakta pada dimensional model (DM). Setiap tabel dimensi mempunyai non-composite Primary Key Surrogate key Menurut http 1, A surrogate key is an artificially produced value, most often a system-managed, incrementing counter whose values can range from 1 to n, where n represents a table's maximum number of rows. In SQL Server, create a surrogate key by assigning an identity property to a column that has a number data type. A natural key is a naturally occurring descriptor of the data and one of a table's attributes that has no duplicate values. When use a natural key as a table's primary key, each of the table's rows is uniquely identified. Artinya, sebuah nilai yang dihasilkan secara buatan, sistem yang paling sering dikelola, penambahan nilai-nilai yang dapat berkisar dari 1 hingga n, dimana n merupakan jumlah angka maksimum dari baris yang ada pada tabel. Dalam SQL Server, membuat surrogate key dengan menetapkan identitas pada kolom yang memiliki sejumlah tipe data. Kunci yang secara alami menjadi deskripsi dari data dan salah satu atribut dari tabel tidak bernilai ganda. Ketika menggunakan kunci tersebut sebagai sebuah primary key dari tabel, masing-masing baris pada tabel secara unik teridentifikasi.

28 Keuntungan Skema Bintang Skema bintang memiliki keuntungan yang tidak didapat oleh skema relasional biasa. Keuntungan skema bintang, antara lain: Respon data yang lebih cepat dihasilkan dari perancangan database. Kemudahan dalam mengembangkan atau memodifikasi data yang terus berubah. End user dapat menyesuaikan cara berpikir dan menggunakan data, konsep ini dikenal juga dengan istilah pararel dalam perancangan database. Menyederhanakan pemahaman dan penelusuran metadata bagi pemakai dan pengembang Arsitektur Data Warehouse Centralized Data Warehouse Centralized data warehouse ini merupakan database fisikal tunggal yang memuat semua data untuk area fungsional yang khusus, departemen, divisi, atau perusahaan. Data warehouse ini digunakan ketika terdapat kebutuhan akan data informasional dan terdapat banyak end-user yang sudah terhubung ke komputer pusat atau jaringan. Bentuknya menyerupai functional data warehouse, akan tetapi sumber datanya lebih dahulu dikumpulkan atau diintegrasikan pada suatu tempat terpusat, baru kemudian data tersebut dibagi berdasarkan fungsifungsi yang dibutuhkan oleh perusahaan. Bentuk data warehouse terpusat

29 ini sering digunakan oleh perusahaan-perusahaan yang belum mempunyai jaringan eksternal. Keuntungan bentuk centralized data warehouse ini adalah data benar-benar terpadu karena konsistensi yang tinggi. Namun demikian membutuhkan waktu yang lama dan biaya yang mahal dalam membentuk data warehouse seperti ini. Gambar 2.11 Centralized Data Warehouse ETL (Extract,Transform,Loading) Menurut Silvers(2008,p150) ETL (Extract, Transform, Load) adalah proses-proses dalam data warehouse yang meliputi: Mengekstrak data dari sumber-sumber eksternal. Mentransformasikan data ke bentuk yang sesuai dengan keperluan bisnis. Memasukkan data ke target akhir, yaitu data warehouse. 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.

30 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 analisis. Extract Langkah pertama pada proses ETL adalah mengekstrak data dari sumber-sumber data. Kebanyakan proyek data warehouse menggabungkan data dari sumber-sumber yang berbeda. Pada hakekatnya, proses ekstraksi adalah proses penguraian, pembersihan dari data yang diekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Transform Tahapan transfomasi menggunakan serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan selanjutnya akan dimasukkan ke dalam data warehouse. Berikut adalah hal- hal yang dapat dilakukan dalam tahap transformasi : o Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse. o Menterjemahkan nilai-nilai yang berupa kode (contohnya apabila database sumber menyimpan nilai 1 untuk laki- laki dan nilai 2 untuk perempuan, tetapi data warehouse yang telah ada menyimpan M untuk laki-laki dan F untuk perempuan, ini disebut

31 dengan automated data cleansing, tidak ada pembersihan secara manual yang ditunjukkan selama proses ETL. o Mengkodekan nilai-nilai ke dalam bentuk bebas (contohnya memetakan Male, 1 dan Mr ke dalam M). o Melakukan perhitungan nilai-nilai baru (contohnya sale_amount = qty * unit_price). o o Menggabungkan data secara bersama-sama dari berbagai sumber. Membuat ringkasan dari sekumpulan baris data (contohnya total penjualan untuk setiap toko atau setiap bagian). Loading Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam target akhir, yang biasanya ke dalam suatu data warehouse. Jangka waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data warehouse dapat setiap minggu menulis keseluruhan informasi yang ada secara kumulatif, data diubah, sementara data warehouse yang lain (atau bagian lain dari data warehouse yang sama) dapat menambahkan data baru dalam suatu bentuk historikal, contohnya setiap jam. Waktu dan jangkauan untuk mengganti atau menambah data tergantung dari perancangan data warehouse pada waktu menganalisis keperluan informasi.

32 Gambar 2.12 Extract, Transform, Load (ETL) (Sumber : Silvers, 2008, p152) Metadata Menurut Paulraj Ponniah(2001,p36), metadata dalam sebuah datawarehouse di bagi ke dalam 3 kategori utama : Operational Metadata Data untuk data warehouse berasal dari beberapa sistem operasional dari perusahaan. Sumber sistem ini mengandung struktur data yang berbeda. Elemen data yang dipilih untuk data warehouse mempunyai bermacam-macam field lengths dan tipe data. Dalam memilih data dari sumber sistem untuk data warehouse, record harus dipisahkan, menggabungkan bagian-bagian records dari sumber file yang berbeda dan membuat kesepakatan dengan skema pengkodingan ganda dan field lengths. Ketika informasi dikirim kepada end user, harus dapat menghubungkan kembali ke kumpulan sumber data yang asli. Operasional metadata mengandung semua informasi mengenai operasional sumber data. Extraction and Transformation Metadata Extraction dan Transformation Metadata mengandung data mengenai ekstraksi data dari sumber sistem, yakni ekstraksi frekuensi, ekstraksi metode dan aturan-aturan bisnis untuk ekstraksi data. Juga, kategori dari metadata ini mengandung informasi tentang semua transformasi data yang mengambil tempat dalam data staging area.

33 End-User Metadata End-User Metadata merupakan peta navigasi dari data warehouse. Hal ini memungkinkan end-user untuk menemukan informasi dari data warehouse. End-user metadata mengijinkan end-user untuk menggunakan terminologi bisnis milik mereka sendiri dan mencari informasi dalam cara itu dimana mereka secara normal berpikir mengenai bisnis Fact Finding Menurut Connolly dan Begg (2005, p ), fact finding adalah proses formal yang menggunakan teknik-teknik seperti wawancara dan kuesioner untuk mengumpulkan fakta-fakta mengenai sistem, persyaratan dan preferensi. Metode yang digunakan fact finding adalah : 1. Wawancara Wawancara adalah yang paling sering digunakan, dan biasanya paling berguna, teknik pencarian fakta. Kita dapat wawancara untuk mengumpulkan informasi dari individu melalui tatap muka. Ada beberapa tujuan dapat menggunakan wawancara, seperti mencari tahu fakta, memverifikasi fakta, mengklarifikasi fakta, menghasilkan antusiasme, mendapatkan pengguna akhir yang terlibat, mengidentifikasi kebutuhan, dan mengumpulkan ide - ide dan pendapat. Akan tetapi, dengan menggunakan teknik wawancara membutuhkan keterampilan komunikasi yang baik untuk berurusan secara efektif dengan orang - orang yang memiliki nilai yang berbeda, prioritas, opini, motivasi, dan kepribadian.

34 seperti fakta lain teknik wawancara tidak selalu merupakan metode terbaik untuk semua situasi. Terdapat dua macam tipe interview: tidak terstruktur dan terstruktur. Wawancara tidak terstruktur dilakukan hanya dengan tujuan umum dalam pikiran dan dengan sedikit, jika ada, pertanyaan - pertanyaan spesifik. Pewawancara menghitung pada orang yang diwawancara untuk menyediakan kerangka kerja dan arah untuk wawancara. Wawancara jenis ini sering kehilangan fokus, karena alasan ini, sering kali tidak berfungsi dengan baik untuk analisis dan desain database. Wawancara terstruktur, pewawancara memiliki serangkaian pertanyaan khusus untuk meminta diwawancarai. tergantung pada respon orang yang diwawancara, pewawancara akan langsung menambah pertanyaan-pertanyaan untuk mendapatkan klarifikasi atau ekspansi. Untuk memastikan kesuksesan wawancara meliputi memilih individu yang sesuai untuk wawancara, mempersiapkan secara ekstensif untuk wawancara, dan melakukan wawancara yang efisien dan efektif.

35 Tabel 2.5 Keuntungan dan Kelemahan Menggunakan Wawancara sebagai Teknik Fact Finding (Connolly dan Begg, 2005, p318) 2. Mengamati perusahaan beroperasi Pengamatan adalah salah satu yang paling efektif teknik pencarian fakta untuk memahami sebuah sistem. Dengan teknik ini, mungkin baik untuk berpartisipasi, atau menonton, orang yang melakukan kegiatan untuk belajar tentang sistem. Teknik ini terutama bermanfaat bila validitas data yang dikumpulkan melalui metode lain yang terkait atau ketika kompleksitas aspek-aspek tertentu dari sistem mencegah penjelasan yang jelas oleh pengguna akhir, seperti dengan fakta lain teknik, pengamatan yang sukses membutuhkan persiapan. Untuk memastikan bahwa pengamatan berhasil, sangat penting untuk mengetahui sebanyak mungkin tentang individu dan kegiatan yang harus diperhatikan mungkin.

36 Tabel 2.6 Keuntungan dan Kelemahan Menggunakan Observasi sebagai Teknik Fact Finding (Sumber : Connolly, 2005, p319) 2.2. Teori-teori khusus Sistem Penjualan Menurut Anita S. Hollander et al. (2000, p230), penjualan adalah kumpulan kejadian yang secara kolektif melayani untuk menarik pelanggan, membantu pelanggan untuk memilih barang dan layanan, mengantar barang dan layanan yang diminta, dan mengumpulkan pembayaran untuk barang dan layanan Sistem Pembelian Menurut Mulyadi (2001, p301), sistem pembelian digunakan dalam perusahaan untuk pengadaan barang yang diperlukan oleh perusahaan. Fungsi pembelian pada sistem pembelian bertanggung jawab untuk memperoleh informasi mengenai harga barang, menentukan pemasok yang dipilih dalam pengadaan barang, dan mengeluarkan order pembelian kepada pemasok yang dipilih.

37 Sistem Pemasaran Menurut Hendro, & Widhianto, C.W. (2006, p419), Pemasaran adalah proses kegiatan dalam perusahaan dan manajerial dimana individu, kelompok atau perusahaan mendapatkan apa yang mereka butuhkan atau harapkan melalui penciptaan, penawaran dan pertukaran segala sesuatu yang bernilai dengan orang lain atau kelompok yang lain.