BAB 2 LANDASAN TEORI. each unit of data is relevant to some moment in time, atau kurang lebih dapat

Transkripsi

1 7 BAB 2 LANDASAN TEORI 2.1 Pengertian Data Warehouse Menurut Inmon (2002, p389), A data warehouse is a collection of integrated, subject oriented database designed to support the DSS function, where each unit of data is relevant to some moment in time, atau kurang lebih dapat diartikan bahwa data warehouse adalah kumpulan basis data yang mempunyai sifat berorientasi subyek, terintegrasi, mempunyai rentang waktu, yang dirancang untuk mendukung fungsi sistem pendukung pengambilan keputusan dimana tiap data berhubungan dengan suatu kejadian pada suatu waktu. Berdasarkan sumber informasi yang lain, data warehouse adalah kumpulan dari data yang tertransformasi dan terintegrasi, disimpan dengan tujuan untuk menyediakan informasi yang bersifat strategis untuk keseluruhan perusahaan (Ponniah, 2001, p504). Menurut Ponniah (2001,p13), data warehouse adalah suatu lingkungan informasi yang: Menyediakan sudut pandang yang terintegrasi dan bersifat meyeluruh dari suatu perusahaan. Membuat informasi baru maupun historis tersedia secara mudah untuk pengambilan keputusan. Memungkinkan proses pengambilan keputusan tanpa mengganggu sistem operasional. Memberikan informasi tentang organisasi secara konsisten.

2 8 Memberikan sumber informasi strategis secara fleksibel dan interaktif. 2.2 Karakteristik Data Warehouse Data warehouse adalah suatu kumpulan data yang bersifat subjectoriented, integrated, time-variant, dan non-volatile dalam mendukung proses pengambilan keputusan (Connolly dan Begg, 2002, p1047; Inmon, 2002, p31) Subject Oriented Data disusun berdasarkan subyek-subyek area utama perusahaan, tidak seperti OLTP (OnLine Transaction Processing) yang diatur berdasarkan aplikasi-aplikasi operasional perusahaan. Contohnya dalam perusahaan asuransi data warehouse akan berorientasi pada subyek utama perusahaan antara lain customer, kebijakan, premi, dan klaim sedangkan OLTP lebih berorientasi pada aplikasi-aplikasi operasional perusahaannya antara lain asuransi mobil, asuransi kesehatan, asuransi jiwa, asuransi kecelakaan.

3 9 Gambar 2.1 Contoh data berorientasi subyek (Inmon,2002, p32) Integrated Karakteristik data warehouse selanjutnya adalah terintegrasi. Terintegrasi merupakan aspek yang paling penting dalam data warehouse. Terintegrasi berarti data konsisten. Integrasi merupakan suatu masalah bagi organisasi, khususnya jika menggunakan banyak tipe teknologi yang berbeda. Sebelum data dimasukkan ke dalam data warehouse, data harus diintegrasikan. Maka proses integrasi adalah suatu proses yang dilalui data setelah meninggalkan database aplikasi untuk masuk ke data warehouse. Berikut adalah hal-hal yang perlu standarisasi (Ponniah, 2001, p22): Penamaan (naming conventions) Kode (codes)

4 10 Atribut data (data attributes) Pengukuran (measurements) Gambar 2.2 Contoh integrasi data (Inmon,2002, p33) Non-Volatile Data warehouse bersifat read-only, pengguna tidak dapat mengubah data. Tidak seperti sistem database operasional yang bersifat untuk mengumpulkan data (data capture), data warehouse berfungsi untuk mendukung system reporting. Pada sistem database operasional terdapat tiga operasi, yaitu insert, update, dan delete. Sedangkan pada data warehouse

5 11 terdapat dua operasi, yaitu loading data dan akses data (query data). Artinya user hanya boleh melakukan proses read, bukan write. Tujuannya adalah untuk menjaga keaslian dan integrasi data di dalam sistem, dan juga sifat ini membedakan data warehouse dengan OLTP. Gambar 2.3 Persoalan dalam non volatile (Inmon,2002, p34) Time-Variant Time-variant berarti data historis disimpan. Hampir seluruh query yang dieksekusi pada data warehouse berhubungan dengan elemen waktu. Umumnya sistem operasional tidak menyimpan informasi historis, dan hampir tidak mungkin meramalkan kejadian di masa depan tanpa meneliti kejadian di masa lalu. Maka data warehouse membantu mengatasi masalah tersebut dengan menambahkan dimensi historis pada data yang diambil dari database operasional. Data warehouse berisikan record-record yang bersifat historis. Record dalam data warehouse berjangka 5-10 tahun, sehingga record-record

6 12 yang lama tetap akan ada di dalam sistem. Hal ini digunakan sebagai bahan analisis untuk pengambilan keputusan dalam menentukan trend bisnis yang ada di masa lalu. Namun record yang terlalu lama juga tidak baik disimpan, sebab dapat memberikan hasil analisis yang kurang tepat. Dalam OLTP, record-nya merupakan record yang terbaru. OLTP tidak menyimpan data yang lama, dengan maksud untuk mempercepat proses. Semakin sedikit data yang disimpan maka waktu yang diperlukan untuk pemrosesan data semakin kecil. Data dalam data warehouse berhubungan dengan suatu titik atau point dalam suatu periode tertentu (semester, kuartal, tahun fiskal). Data tersebut merupakan data hasil summary. Hal ini membantu dalam menentukan performa query data warehouse serta dalam membentuk pengertian bisnis. Gambar 2.4 Persoalan dalam variasi waktu (Inmon,2002, p35) 2.3 Struktur Data Warehouse Menurut Inmon (2005, p35), data mengalir dari lingkungan operasional ke dalam data warehouse dimana data mengalami transformasi dari tingkatan

7 13 operasional ke tingkatan data warehouse. Pada perumusan data, data disampaikan dari current detail data ke older detail. Setelah data diringkas, data tersebut disampaikan dari current detail ke lightly summarized data, kemudian dari lightly summarized data ke highly summarized data. Gambar 2.5 Struktur data warehouse (Inmon,2002, p36) Current Detailed Data Current detailed data berisi data yang mencerminkan keadaan yang sedang berjalan saat ini dan merupakan level terendah dari data warehouse. Oleh karena itu, data di tingkat ini belum efisien untuk digunakan sekalipun datanya lengkap/detail. Hal ini dikarenakan terlalu rumit/kompleks untuk melakukan analisis dengan data yang banyak.

8 Old Detailed Data Old detailed data merupakan merupakan data history dari suatu perusahaan yang berupa hasil backup yang disimpan dalam media penyimpanan yang frekuensi akses relatif jarang. Data pada tingkat ini biasanya berupa backup data-data dari kurun waktu lama misalnya dalam ukuran tahunan dan sudah hampir tidak pernah diakses lagi. Namun penyusunan directory untuk data ini harus mencerminkan umur dari data agar mempermudah untuk pengaksesan kembali 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 masih bersifat detail. Lightly summarized data biasanya sering digunakan untuk gambaran dari keadaan yang sedang berlangsung dan sudah berlangsung Highly Summarized Data Highly summarized data merupakan merupakan hasil proses summary yang bersifat "totalitas". Data-data pada highly summarized ini sangat mudah diakses. Data pada tingkat inilah yang pada akhirnya digunakan untuk mendukung pengambilan keputusan terutama di kalangan eksekutif dalam

9 15 dunia bisnis. Hal ini disebabkan karena data pada tingkat ini dianggap sudah cukup representatif dan ringkas. Akan tetapi data ini 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. 2.4 Metadata Metadata bukan merupakan hasil kegiatan operasional seperti keempat jenis data di atas. Metadata memuat informasi yang penting mengenai data dalam data warehouse yang berfungsi sebagai: Direktori yang akan dipakai oleh user dalam mencari lokasi dalam data warehouse. Merupakan penuntun pemetaan (mapping) dalam proses transformasi dari operasional ke data warehouse. Suatu panduan untuk proses summary data dari detail data menjadi lightly summarized data dan kemudian menjadi highly summarized data. Metadata merupakan bentuk suatu jaringan yang sangat penting bagi pengguna data warehouse. Data yang tersedia harus dapat digunakan oleh user dengan istilah yang sesuai dengan cara user dalam melakukan pekerjaannya. Karena data warehouse harus melayani banyak fungsi, maka metadata penting untuk menjawab kebutuhan dari suatu fungsi tertentu. Karena setiap departemen biasanya menggambarkan struktur data yang spesifik meskipun asal datanya sama.

10 Arsitektur Data Warehouse Dalam melakukan perancangan data warehouse harus ditentukan arsitektur yang cocok untuk pengembangan data warehouse. Gambar 2.6 Arsitektur Data Warehouse (Connolly dan Begg,2002, p1053) Komponen-komponen utama data warehouse (Connolly dan Begg,2002,pp ): 1. Operational Data Source (ODS) ODS merupakan tempat penyimpanan data operasional terkini dan terintegrasi yang digunakan untuk analisis. Seringkali mempunyai struktur dan data seperti data warehouse, namun pada faktanya hanya bertindak sebagai staging area bagi data untuk dipindahkan ke dalam warehouse. 2. Load manager/komponen frontend

11 17 Load manager bertugas melaksanakan semua operasi yang berhubungan dengan extraction dan loading data ke dalam warehouse, termasuk transformasi data sederhana sebagai persiapan data untuk dimasukkan ke dalam warehouse. 3. Warehouse manager Warehouse manager melaksanakan semua operasi yang berhubungan dengan manajemen data dalam warehouse. Operasi yang dilaksanakan oleh komponen ini antara lain analisis data untuk memastikan konsistensi, transformasi dan menggabungkan berbagai sumber data, pembuatan index dan view, denormalisasi, archiving dan backup data. 4. Query manager/komponen backend Query manager melaksanakan semua operasi yang berhubungan dengan manajemen query pengguna, termasuk mengarahkan query ke tabel-tabel yang tepat, menjadwalkan eksekusi query. 5. End-user access tools Dapat dikategorikan menjadi 5 kelompok: Data reporting dan query tool Application development tool Executive Information System (EIS) tool Online analytical processing (OLAP) tool Data mining tool

12 Anatomi Data Warehouse Data Warehouse Terpusat Berdasarkan W.H. Inmon (2002, p201), sebagian besar organisasi membangun dan memelihara lingkungan data warehouse terpusat tunggal. Pengaturan ini dilakukan karena memiliki beberapa alasan yaitu: 1. Data dalam warehouse terintegrasi antar perusahaan dan gambaran terintegrasi digunakan hanya pada kantor pusat. 2. Perusahaan mengoperasikan sebuah model bisnis terpusat. 3. Volume data dalam data warehouse seperti sebuah penyimpanan tunggal yang terpusat. 4. Sekalipun data dapat diintegrasikan, jika data diedarkan melalui banyak local sites, maka akan mempersulit pengaksesan Data Warehouse Terdistribusi Menurut Inmon (2002, p202), tiga tipe dari data warehouse terdistribusi: 1. Bisnis terdistribusi secara geografis atau dibedakan menurut garis produk. Oleh karena hal tersebut, maka disebutlah data warehouse lokal dan data warehouse global. Data warehouse lokal mewakili data dan proses di lokasi yang terpencil dan data warehouse global mewakili bagian dari bisnis yang diintegrasikan melalui keseluruhan bisnis. 2. Lingkungan data warehouse akan memegang banyak data dan volume data akan didistribusikan melalui beberapa prosesor. Secara logikal

13 19 hanya ada satu data warehouse, tetapi secara fisikal terdapat banyak data warehouse yang semuanya mempunyai hubungan yang dekat tetapi diletakkan pada prosesor yang terpisah. Konfigurasi ini dapat disebut dengan teknologi data warehouse terdistribusi. 3. Lingkungan data warehouse tumbuh dalam sebuah kebiasaan yang tidak terorganisasi. Data warehouse yang pertama muncul, kemudian diikuti yang lainnya. Kurangnya koordinasi dari pertumbuhan data warehouse yang berbeda biasanya menghasilkan sebuah perbedaan secara politik dan organisasi. Kasus ini dapat disebut dengan data warehouse terdistribusi yang secara bebas berkembang. 2.7 Metodologi Perancangan Data Warehouse Berdasarkan Kimball seperti yang dikutip oleh Connolly dan Begg (2002, p1083), terdapat 9 tahap metodologi dalam membangun data warehouse yang dikenal dengan nine-step methodology yakni: 1. Memilih proses (Choosing the process) Proses (fungsi) merujuk 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.

14 20 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 lainya. 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 level yang diterapkan oleh grain dan fakta juga harus numerik 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 21 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: Perubahan atribut dimensi yang ditulis ulang (overwrite). Perubahan atribut dimensi yang mengakibatkan pembuatan suatu record dimensi baru. Perubahan atribut dimensi yang mengakibatkan sebuah atribut alternatif 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 indexing dan keamanan. 2.8 Konsep Pemodelan Data warehouse Skema Bintang (Star Schema) Menurut Ponniah (2001, pp ), skema bintang (star schema) adalah teknik dasar desain data untuk data warehouse. Struktur skema bintang adalah suatu struktur yang dapat dengan mudah dipahami dan digunakan oleh pengguna. Struktur tersebut mencerminkan bagaimana pengguna biasanya memandang ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang ada.

16 22 Gambar 2.7 Contoh skema bintang ( Karakteristik dari komponen skema bintang: 1. Tabel dimensi Key tabel dimensi Key tabel dimensi merupakan primary key dari tabel dimensi yang mengidentifikasi setiap baris dalam tabel secara unik. Merupakan tabel yang lebar Tabel dimensi memiliki jumlah kolom atau atribut yang banyak, oleh karena itu tabel dimensi bersifat lebar. Atribut berupa teks Dalam tabel dimensi, jarang ditemukan nilai numerik untuk perhitungan, atribut umumnya berupa teks yang merepresentasikan deskripsi tekstual dari komponen-komponen dalam dimensi bisnis. Atribut-atribut tidak berhubungan secara langsung

17 23 Sebagai contoh, besar paket dan merek produk tidak saling berhubungan, namun sama-sama dapat menjadi atribut tabel dimensi produk. Tidak dinormalisasi Untuk kinerja query yang efisien, paling baik jika query mengambil dari tabel dimensi dan langsung ke tabel fakta tanpa melalui tabel perantara yang akan terbentuk jika tabel dimensi dinormalisasi. Kemampuan drill-down dan roll-up Atribut-atribut dalam tabel dimensi menyediakan kemampuan untuk mendapatkan detail dari level tinggi agregasi sampai level detail yang rendah. Sebagai contoh, jumlah penjualan dapat dilihat berdasarkan propinsi, lalu dapat drill-down ke kota dan kode pos. Atau total penjualan berdasarkan kode pos dapat roll-up ke kota dan propinsi. Terdapat beberapa hirarki Berbagai bagian perusahaan dapat mengelompokkan dimensi dengan cara yang berbeda, sehingga terbentuk lebih dari 1 hirarki. Jumlah record yang lebih sedikit Tabel dimensi umumnya memiliki jumlah record atau baris yang lebih sedikit dari tabel fakta. 2. Tabel fakta Concatenated key Baris dalam tabel fakta diidentifikasi dengan menggunakan primary key dari tabel-tabel dimensi, maka primary key

18 24 dari tabel fakta merupakan gabungan primary key dari semua tabel dimensi. Data grain Data grain merupakan tingkat detail untuk pengukuran. Sebagai contoh, jumlah pemesanan berhubungan dengan jumlah produk tertentu pada suatu pesanan, tanggal tertentu, untuk pelanggan spesifik dan diperoleh oleh seorang perwakilan sales spesifik tertentu. Jika jumlah pesanan dilihat sebagai jumlah untuk suatu produk perbulan, maka data grain-nya berbeda dan pada tingkat yang lebih tinggi. Fully additive measures Agregasi dari fully additive measures dilaksanakan dengan penjumlahan sederhana nilai-nilai atribut tersebut. Semiadditive measures Semiadditive measures merupakan nilai yang tidak dapat langsung dijumlahkan, sebagai contoh persentase keuntungan. Tabel besar, tidak lebar Tabel fakta umumnya memiliki lebih sedikit atribut daripada tabel dimensi, namun memiliki jumlah record yang lebih banyak. Sparse data Tabel fakta tidak perlu menyimpan record yang nilainya null. Maka tabel fakta dapat memiliki gap. Degenerate dimensions

19 25 Terdapat elemen-elemen data dari sistem operasional yang bukan merupakan fakta ataupun dimensi, seperti nomor pesanan, nomor tagihan, dan lain-lain. Namun atribut-atribut tersebut dapat berguna dalam jenis analisis tertentu. Sebagai contoh, mencari rata-rata jumlah produk per pesanan, maka produk harus dihubungkan ke nomor pesanan untuk mendapatkan nilai rata-rata. Atribut-atribut tersebut disebut degenerate dimension dan disimpan sebagai atribut dari tabel fakta. Keuntungan skema bintang: 1. Mudah dipahami pengguna. 2. Mengoptimalkan navigasi. 3. Paling cocok untuk pemrosesan query Skema Snowflake Snowflake merupakan variasi lain dari skema bintang dimana tabel dimensi dari skema bintang diorganisasikan menjadi suatu hirarki dengan melakukan normalisasi. Prinsip dasar dari skema ini tidak jauh berbeda dari skema bintang. Penggunaan tabel dimensi sangatlah mendasar, karena itulah perbedaan mendasar dari skema bintang dan skema snowflake. Skema snowflake menggunakan beberapa tabel fakta dan tabel dimensi yang sudah mengalami normalisasi, sedangkan skema bintang menggunakan tabel dimensi yang masih denormalisasi. Skema snowflake

20 26 dibuat berdasarkan OLTP sehingga semua data akan termuat detail dalam setiap tabel fakta dan tabel dimensi. Keuntungan dari skema snowflake: Kecepatan memindahkan data dari data OLTP ke dalam Metadata. Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi dimana dengan tipe yang seperti ini seluruh struktur dapat digunakan sepenuhnya. Banyak yang beranggapan lebih nyaman merancang dalam bentuk normal ketiga. Sedangkan kerugiannya adalah mempunyai masalah yang besar dalam hal kinerja, hal ini disebabkan karena semakin banyaknya join antar tabel tabel yang digunakan dalam snowflake, maka kinerja juga semakin lambat. Gambar 2.8 Contoh skema snowflake (

21 Skema Starflake Menurut Connolly dan Begg(2002, p1081), skema starflake merupakan struktur hybrid yang berisi kombinasi antara skema bintang yang telah didenormalisasi dan snowflake yang telah dinormalisasi. Beberapa dimensi dapat menggunakan bentuk tertentu untuk memenuhi berbagai kebutuhan query. Gambar 2.9 Contoh skema starflake ( 2.9 ETL (Extract, Transform, Load) ETL (Extract, Transform, and 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.

22 28 Tujuan ETL adalah mengumpulkan, menyaring, mengolah, dan menggabungkan data-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 yang 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. Sistem-sistem yang terpisah sangat mungkin menggunakan format data yang berbeda. Ektraksi adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. Pada hakekatnya proses ekstraksi adalah proses penguraian dari data yang diekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka data tidak dimasukkan ke dalam data warehouse Transform Tahapan transformasi menggunakan serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan selanjutnya akan dimasukkan ke data warehouse. Berikut adalah hal-hal yang dapat dilakukan dalam tahapan transformasi: Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse.

23 29 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 dengan automated data cleansing, tidak ada pembersihan secara manual yang ditunjukkan selama proses ETL). Mengkodekan nilai-nilai ke dalam bentuk bebas (Contohnya memetakan Male, 1 dan Mr ke dalam M). Melakukan perhitungan nilai-nilai baru (Contohnya sale_amount = qty * unit_price). Menggabungkan data secara bersama-sama dari berbagai sumber. Membuat ringkasan dari sekumpulan baris data (Contohnya total penjualan untuk setiap toko atau setiap bagian). Men-generate nilai surrogate key. Transposing atau pivoting (Mengubah sekumpulan kolom menjadi sekumpulan baris atau sebaliknya). Memisahkan sebuah kolom menjadi berbagai kolom (Contohnya meletakkan sebuah comma-separated list yang dispesifikasikan sebagai sebuah string dalam satu kolom sebagai nilai yang tersendiri dalam kolom yang berbeda). Menggunakan berbagai bentuk validasi data baik yang sederhana maupun kompleks.

24 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 yang historikal, contohnya setiap jam. Waktu dan jangkauan untuk mengganti atau menambah data tergantung dari perancangan data warehouse pada waktu menganalisis keperluan informasi. Fase load berinteraksi dengan suatu database, constraint didefinisikan dalam skema database sebagai suatu trigger yang diaktifkan pada waktu me-load data (Contohnya uniqueness, referential integrity, mandatory fields), yang juga berkontribusi untuk keseluruhan performance dan kualitas data dari proses ETL. Masalah-masalah yang terjadi dalam ETL adalah sumber-sumber data umumnya sangat bervariasi diantaranya: Platform mesin dan operating system yang berlainan. Mungkin melibatkan sistem kuno dengan teknologi basis data yang sudah ketinggalan zaman. Kualitas data yang berbeda-beda. Aplikasi sumber data mungkin menggunakan nilai data (representasi) internal yang sulit dimengerti.

25 31 Gambar 2.10 Extract, Transform, Loading (ETL) ( 2.9 Definisi Penjualan dan Pembelian Penjualan Secara umum, pengertian penjualan dapat dikatakan sebagai ilmu mempengaruhi pribadi yang dilakukan penjual untuk mengajak orang lain membeli barang atau jasa yang ditawarkan. Jadi adanya penjualan dapat tercipta suatu proses pertukaran barang atau jasa antara penjual dan pembeli. Penjualan dapat dibagi menjadi dua jenis, yaitu:

26 32 1. Penjualan Kredit Jika order pelanggan telah dipenuhi dengan dikirimnya barang atau penyerahan jasa, untuk jangka waktu tertentu perusahaan mempunyai piutang terhadap pelanggan. 2. Penjualan Tunai Kegiatan yang dilaksanakan perusahaan dengan cara mewajibkan pembeli melakukan pembayaran barang dahulu terhadap perusahaan sebelum barang diserahkan oleh perusahaan kepada pembeli. Setelah uang diterima, barang kemudian diserahkan oleh perusahaan kepada pembeli dan transaksi penjualan tersebut dicatat Pembelian Menurut Mulyadi (2001,p299), pembelian adalah suatu usaha pengadaan barang yang diperlukan perusahaan. Transaksi dapat digolongkan menjadi dua, yaitu pembelian lokal dan pembelian impor. Pembelian lokal adalah pembelian dari pemasok dalam negeri, sedangkan impor adalah pembelian dari pemasok luar negeri. Fungsi yang terkait dengan pembelian adalah : 1. Fungsi Gudang Bertanggung jawab untuk mengajukan permintaan pembelian sesuai dengan posisi persediaan barang yang ada di gudang dan untuk menyimpan barang yang telah diterima oleh fungsi penerimaan. 2. Fungsi Pembelian Bertanggung jawab untuk memperoleh informasi mengenai harga barang.

27 33 Menentukan pemasok yang dipilih dalam pengadaan barang dan mengeluarkan order pembelian kepada pemasok yang dipilih. 3. Fungsi Penerimaan Bertanggung jawab untuk melakukan pemeriksaan terhadap jenis, mutu, dan kuantitas barang yang diterima dari pemasok guna menentukan dapat atau tidaknya barang tersebut diterima oleh perusahaan. Fungsi ini juga bertanggung jawab untuk menerima barang dari pembeli yang berasal dari transaksi retur penjualan. 4. Fungsi Akuntansi Fungsi yang terkait adalah fungsi pencatatan utang dan persediaan barang. Fungsi pencatatan utang berfungsi untuk mencatat transaksi ke dalam register bukti kas keluar. Fungsi persediaan barang bertanggung jawab untuk mencatat harga produksi barang yang dibeli ke dalam kartu persediaan.