BAB 2 LANDASAN TEORI. informasi yang mentah atau kumpulan dari fakta yang masih harus diproses agar

BAB 2 LANDASAN TEORI 2.1 Data, Informasi, dan Knowledge Pengertian data ada bermacam-macam, salah satunya adalah data merupakan informasi yang mentah atau kumpulan dari fakta yang masih harus diproses agar memiliki arti. Informasi yang dimaksud diperoleh dengan cara menghubungkan fakta-fakta dalam suatu konteks yang sama. Sedangkan pengetahuan merupakan hubungan dari informasi pada suatu konteks dengan informasi dari konteks yang lain. (Pressman, 2001, p850). 2.2 Database dan DBMS (Database Management System) 2.2.1 Definisi Database Basis data atau database mempunyai pengertian suatu koleksi bersama atas data yang terhitung secara logical dan penjabaran atas data yang terkumpul, yang dibentuk untuk menjawab kebutuhan informasi sebuah organisasi. Database merupakan tempat penyimpanan besar yang dapat digunakan secara simultan oleh banyak departemen dan pengguna. (Connolly, 2002, p14-15). Sedangkan menurut Hoffer (2005, p4), database merupakan suatu kumpulan data yang terorganisasi yang berelasi satu sama lain secara logical. Database dapat berbeda-beda ukuran dan kompleksitasnya. 6

7 Dapat disimpulkan, database merupakan kumpulan dari data persisten yang digunakan oleh aplikasi sistem di berbagai perusahaan, di dalam penggunaannya, masalah keamanan harus diperhatikan terlebih lagi mengenai masalah sistem database itu sendiri, misalnya apakah sistem berbasis database yang kita bangun memiliki konsep kepemilikan data (data ownership) atau tidak agar data yang didalamnya tersimpan aman. 2.2.2 Definisi DBMS (Database Management System) DBMS atau Database Management System merupakan piranti lunak sistem yang memungkinkan pengguna untuk mendefinisikan, menciptakan, memperoleh data, mengontrol akses ke database. (Connolly, 2002, p16). DBMS juga merupakan piranti lunak yang menghubungkan para pengguna program aplikasi dengan database. Pada umumnya di dalam sebuah DBMS tersedia fasilitas-fasilitas seperti DDL (Data Definition Language), DML (Data Manipulation Language), dan beberapa fasilitas untuk mengontrol akses ke database seperti sistem keamanan, sistem integritas, sistem kontrol recovery, dan lain-lain. Fasilitas DDL yang ada memungkinkan pengguna untuk menentukan tipe data, struktur, dan konstrain data yang akan disimpan dalam database, sedangkan fasilitas DML memungkinkan pengguna untuk melakukan operasi seperti SELECT, UPDATE, DELETE, dan INSERT.

8 2.2.3 Kelebihan dan Kekurangan DBMS Kelebihan dari DBMS yang dapat memberikan keuntungan terhadap perusahaan antara lain: (Connolly, 2002, p26). 1. Kontrol terhadap redudansi data 2. Konsistensi data 3. Lebih banyak informasi dari jumlah data yang sama 4. Pemakaian data bersama 5. Peningkatan integritas data 6. Peningkatan keamanan 7. Pemaksaan standarisasi 8. Skala ekonomi 9. Keseimbangan antar permintaan yang memiliki potensi konflik 10. Peningkatan akses dan tingkat respon data 11. Peningkatan produktifitas 12. Peningkatan perawatan melalui data independence 13. Peningkatan concurrency 14. Peningkatan layanan backup dan recovery Tetapi DBMS juga mempunyai kekurangan-kekurangan, antara lain : (Connolly, 2002, p29). 1. Kompleksitas 2. Ukuran 3. Biaya 4. Biaya piranti lunak tambahan

9 5. Biaya konversi 6. Kinerja 7. Dampak kegagalan yang lebih tinggi 2.3 Data Warehouse 2.3.1 Pengertian Data Warehouse Dari perkembangan-perkembangan selanjutnya dari model rancangan database munculah apa yang disebut dengan data warehouse, di sini data warehouse dapat ditampilkan dalam bentuk database untuk data histori dari data-data yang telah ada dalam perusahaan, data warehouse dapat pula digunakan untuk menganalisa database yang telah ada, dari analisa itu dapat dilihat apa yang salah dari sistem yang telah ada, dengan kata lain data warehouse memiliki sifat yang lebih interaktif dan membantu pengambilan keputusan dalam suatu perusahaan. Data warehouse memiliki bermacam-macam pengertian namun pada dasarnya mempunyai inti yang sama, berikut ini beberapa pandangan para ahli mengenai pengertian data warehouse : W.H Inmon dan Richard D.H (2002, p31) mengatakan, A data warehouse is subject oriented, integrated, time variant, non-volatile collection of data in support of management s decision making process atau diartikan data warehouse adalah koleksi data yang mempunyai sifat berorientasi subyek,

10 terintegrasi, rentang waktu, dan tidak mengalami perubahan serta mendukung proses pengambilan keputusan dalam manajemen. Menurut Vidette Poe (1997, p6), A data warehouse is a read-only analytical database that is used as the foundation of decision support system atau dapat diartikan bahwa data warehouse merupakan database analitikal yang bersifat hanya dapat dibaca saja yang digunakan sebagai dasar dari sistem pendukung keputusan. Menurut Kimball et al., (1998, p19), data warehouse dapat didefinisikan secara sederhana sebagai the queryable source of data in the enterprise atau dapat diartikan data warehouse adalah sumber data yang dapat diquery di dalam suatu perusahaan. Dalam hal ini data warehouse bersifat informasional dan berorientasi pada analisa dan pengambilan keputusan bukan berorientasi pada proses operasional atau transaksi. Data warehouse merupakan salah satu contoh dari decision support systems (DSS). Menurut Mallach (2000, p13), DSS dapat didefinisikan sebagai computer-based information system whose primary purpose is to provide knowledge workers with information on which to base informed decisions, atau dapat diartikan DSS adalah suatu sistem informasi berbasis komputer dimana tujuan utamanya adalah menyediakan kepada pekerja di bidang ilmu pengetahuan informasi dimana keputusan harus diambil. Data warehouse merupakan suatu metode dalam perancangan database yang menunjang DSS dan EIS. Secara fisik, data warehouse adalah database, namun data warehouse dan database tradisional memiliki perbedaan dalam hal

11 perancangan sistemnya yang pada akhirnya, hasil dari perancangan itu akan digunakan dalam sistem informasi yang ada pada saat ini. Perancangan database tradisional menggunakan normalisasi, sedangkan dalam perancangan data warehouse berlaku sebaliknya, normalisasi tidak dilakukan melainkan dilakukan denormalisasi. Dari definisi-definisi yang telah disebutkan di atas, dapat disimpulkan bahwa data warehouse adalah database yang saling berhubungan yang dapat digunakan untuk proses query data maupun untuk menganalisa data. Data warehouse itu sendiri bersifat berorientasi subyek (subject oriented), terintegrasi (integrated), tidak dapat berubah (non-volatile) dan mempunyai variasi waktu (time variant) bagi para pengambil keputusan manajemen dari suatu perusahaan. Dengan adanya data warehouse akan dapat mempermudah pembuatan aplikasi-aplikasi DSS (Decision Support System) atau EIS (Executive Information System). Karena data warehouse, pada dasarnya memang digunakan khusus untuk merancang sebuah database yang dapat digunakan untuk mendukung proses analisa bagi pengambil keputusan. Dalam data warerhouse sendiri terdapat berbagai macam istilah-istilah yang saling berkaitan, antara lain: 1. Data Mart Merupakan suatu bagian dari data warehouse yang dapat mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada perusahaan.

12 2. OLAP (On-Line Analytical Processing) Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai bentuk laporan, analisis, dan query dari data yang berukuran besar. 3. OLTP (On-Line Transaction Processing) Merupakan suatu pemrosesan yang menyimpan data mengenai kegiatan operasional/transaksi perusahaan sehari-harinya. 4. Tabel Dimensi (Dimension Table) Tabel yang berisikan kategori dengan ringkasan data detail yang dapat dilaporkan, seperti laporan keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (yang berupa perhari, perbulan, perkuartal, pertahun) 5. Tabel Fakta (Fact Table) Merupakan tabel yang umumnya mengandung angka dan data histori di mana key (kunci) yang dihasilkan sangat unik karena key-nya merupakan kumpulan foreign key dan primary key yang ada pada masing-masing tabel dimensi yang berhubungan. 6. DSS (Decision Support System) Merupakan sistem yang menyediakan informasi kepada pengguna dimana sistem tersebut menjelaskan bagaimana sistem tersebut dapat menganalisa situasi dan mendukung suatu keputusan yang baik.

13 7. Data Mining Menurut Sid Adelman (2000, p145), Data Mining adalah proses pencarian pola data yang tidak diketahui atau tidak diperkirakan sebelumnya, sedangkan menurut Bonnie O neil (1997, p522), Data Mining adalah suatu proses mengubah data menjadi informasi, di mana di dalam prosesnya terdapat pencarian pola dan relasi yang tersembunyi dalam suatu data. 2.4 Bentuk Data Warehouse Dalam menjalankan aplikasi yang ingin kita rancang, kita harus mengetahui kebutuhan yang kita perlukan terlebih dahulu, untuk selanjutnya memutuskan bentuk mana yang akan kita gunakan dalam suatu perusahaan. Bentuk-bentuk umum yang sering kita gunakan dalam data warehouse adalah : 2.4.1 Functional Data Warehouse (Data Warehouse Fungsional) Database operasional sebagai sumber data yang digunakan di sini merupakan database yang diperoleh dari hasil kegiatan operasi sehari-hari, data warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masingmasing fungsi yang ada di dalam perusahaan seperti fungsi keuangan (financial), fungsi marketing, fungsi kinerja personalia, dan lain-lainnya. Keuntungan dari bentuk fungsional ini adalah sistem mudah dibangun dengan biaya yang relatif murah sedangkan kerugiannya adalah hilangnya konsistensi dari data dan terbatasnya kemampuan dalam pengumpulan data bagi pengguna.

14 Sistem Operasional Data Warehouse Workstation data data Gambar 2.1 Bentuk Data Warehouse Fungsional 2.4.2 Centralized Data Warehouse (Data Warehouse Terpusat) Bentuk ini sekilas terlihat seperti bentuk functional data warehouse, namun disini sumber data terlebih dahulu dikumpulkan atau diintegrasikan pada suatu tempat terpusat, kemudian barulah data tersebut dibagi-bagi berdasarkan fungsi-fungsi yang dibutuhkan oleh perusahaan. Bentuk ini sering digunakan oleh perusahaan-perusahaan yang belum memiliki jaringan eksternal di dalam sistemnya. Keuntungan dari bentuk terpusat ini adalah data menjadi benar-benar terpadu karena konsistensinya yang tinggi sedangkan kerugiannya adalah biaya mahal yang harus dikeluarkan serta penggunaan waktu yang cukup lama dalam membangun bentuk ini.

15 Sistem Operasional Data Warehouse Workstation data data data Gambar 2.2 Bentuk Data Warehouse Terpusat 2.4.3 Distributed Data Warehouse (Data Warehouse Terdistribusi) Pada bentuk ini digunakan gateway yang berfungsi sebagai jembatan antara lokasi data warehouse dengan workstation yang menggunakan sistem yang beraneka ragam atau berbeda, sehingga pada bentuk ini memungkinkan kita untuk mengakses sumber data yang berada diluar lokasi perusahaan (eksternal data). Keuntungan dari bentuk terdistribusi ini adalah kelebihan dalam mengakses data dari luar perusahaan yang telah mengalami sinkronisasi terlebih dahulu dan tetap terjaga konsistensinya, sedangkan kerugiannya adalah bentuk ini yang paling mahal dan membutuhkan tempat khusus untuk menerapkannya karena sistem operasinya dikelola secara terpisah.

16 Sistem Operasional Data Warehouse Workstation Data Warehouse Gateway Data Warehouse Fungsional data Gambar 2.3 Bentuk Data Warehouse Terdistribusi 2.5 Karakteristik Data Warehouse Menurut definisi data warehouse menurut William H. Inmon, dapat diketahui bahwa sebuah data warehouse mempunyai karakteristik-karakteristik sebagai berikut: 2.5.1 Subject Oriented (Berorientasi Subyek) Data warehouse bersifat subject oriented artinya data warehouse didesain untuk menganalisa data berdasarkan subyek-subyek tertentu dalam organisasi, bukan berdasarkan pada proses atau fungsi aplikasi tertentu. Secara garis besar perbedaan mendasar antara data operasional dan data warehouse adalah sebagai berikut ini :

17 Operasional Data Dirancang berorientasi hanya pada aplikasi dan fungsi tertentu. Fokusnya pada desain database dan proses. Berisi rincian data atau detail data. Relasi antara tabel-tabel berdasarkan aturan terkini (selalu mengikuti rule yang terbaru) Data Warehouse Dirancang berdasarkan subyeksubyek tertentu (utama). Fokusnya pada pemodelan data dan desain data. Berisi data-data histori yang akan dipakai untuk proses analisis. Banyak aturan bisnis dapat tersaji di antara tabel-tabel. Tabel 2.1 Perbandingan Subject Oriented Antara Data warehouse dengan Operational Data 2.5.2 Integrated (Terintegrasi) Data warehouse bersifat integrated artinya data warehouse harus menyimpan data-data yang berasal dari sumber-sumber yang terpisah ke dalam suatu format yang sinkron, konsisten dan saling terintegrasi satu dengan yang lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri. Data warehouse harus dapat memecahkan masalah-masalah seperti konflik penamaan variabel dan inkonsistensi diantara ukuran-ukuran yang dipakai didalamnya. Pemecahan masalah dapat dilakukan dengan cara

18 konsisten dalam pemberian nama, penentuan pengukuran ukuran dari tipe variabel, struktur koding, serta penentuan atribut data secara fisik. 2.5.3 Time Variant (Variasi Waktu) Data dalam warehouse berhubungan dengan suatu titik atau poin dalam suatu periode tertentu (semester, kuartal, tahun). Data tersebut merupakan data hasil summary. Hal ini membantu dalam menentukan penampilan dari data warehouse query serta dalam membentuk pengertian bisnis. 2.5.4 NonVolatile Data warehouse bersifat read-only, pengguna tidak dapat mengubah data yang sudah ada. Tidak seperti sistem database operasional yang mempunyai kemampuan untuk mengumpulkan data (data capture), data warehouse berfungsi untuk mendukung system reporting sehingga data yang sudah ada bersifat permanen. Pada sistem database operasional terdapat tiga operasi yaitu insert, update dan delete. Sedangkan pada data warehouse terdapat dua operasi yaitu loading data, dan akses data (query data). 2.6 Kegiatan Data Warehouse Untuk melakukan penganalisaan dan selanjutnya pelaporan informasi bagi pihak-pihak pengambil keputusan maka dalam merancang data warehouse terdapat kegiatan-kegiatan yang harus dilakukan, kegiatan-kegiatan itu adalah :

19 1. Memperoleh dan menggabungkan data Langkah pertama yang harus dilakukan adalah mendapatkan data dari berbagai sumber dan melakukan penggabungan data pada suatu tempat tertentu, data-data yang digabung adalah data-data yang akan membantu kita dalam pembuatan laporan, karena data pada laporan tersebut merupakan suatu bentuk kesatuan. 2. Transformasi data Pengolahan data dari bentuk data awal ke bentuk data yang telah disepakati. Dimana untuk mewujudkannya, data awal mengalami pemrosesan atau pengolahan terlebih dahulu, yang sama artinya dengan pengubahan data ke bentuk yang diharapkan. 3. Pendistribusian data Data-data yang akan kita gunakan dalam data warehouse berkaitan dengan lingkungan kerja dalam lingkungan perusahaan. Bagi perusahaan yang terhubung dengan jaringan, pemakaian data warehouse memberikan dukungan kepada kegiatan distribusi ini secara lebih fleksibel dan merata pada masingmasing bagian yang ada dalam perusahaan. 4. Penggunaan data Data yang telah disaring akan menghasilkan ringkasan-ringkasan yang dapat memudahkan pengambil keputusan dalam mengambil suatu keputusan, di dalam tahap ini kegiatan pemakaian data akan menjadi lebih sering jika para pengambil keputusan ingin menganalisa produk yang telah dipasarkan pada masyarakat.

20 2.7 Arsitektur dan Infrastruktur Data Warehouse 2.7.1 Arsitektur Data Warehouse Menurut Poe (1997, p19), arsitektur adalah sekumpulan aturan atau struktur yang memberikan kerangka untuk keseluruhan rancangan suatu sistem atau produk. Ada arsitektur Client Server, arsitektur networking, dan masih banyak arsitektur-arsitektur lainnya. Arsitektur data menyediakan kerangka dengan mengidentifikasikan dan memahami bagaimana data akan berpindah melalui sistem dan digunakan dalam perusahaan. Arsitekur data untuk data warehouse mempunyai komponen utama yaitu database yang bersifat hanya dapat dibaca. Karakteristik arsitektur data warehouse (Poe, 1997, p32) : 1. Data diambil dari sistem asal (sistem informasi yang ada) database dan file. 2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum dimasukkan ke dalam data warehouse. 3. Data warehouse merupakan read-only design database yang terpisah khususnya untuk pengambilan keputusan. 4. User mengakses data warehouse melalui front-end tool atau aplikasi. Arsitektur dan infrastruktur dari data warehouse sangat erat hubungannya, dan satu dengan yang lainnya saling berkaitan. Keberhasilan pengembangan data warehouse dipengaruhi oleh pengidentifikasian arsitektur mana yang terbaik dan infrastruktur apa yang dibutuhkan. Arsitektur yang

21 sama mungkin akan membutuhkan infrastruktur yang berbeda, tergantung pada lingkungan perusahaan ataupun organisasi. Warehouse Manager Operational data source 1 Reporting, query, application development, and EIS tools Load Manager Meta-data Highly summarized data Query Manager Operational data source 2 Lightly summarized data Detailed data DBMS OLAP tools Warehouse Manager Operational data source n Data mining tools End-user access tools Operational data store (ODS) Archive / backup data Gambar 2.4 Arsitektur Data Warehouse 2.7.2 Infrastruktur Data Warehouse Vidette Poe (1997, p40-43) mengatakan, Infrastruktur data warehouse adalah perangkat lunak, perangkat keras, pelatihan dan komponen-komponen lainnya yang menyediakan dukungan untuk mengimplementasikan arsitektur data warehouse. Infrastruktur teknikal berupa teknologi, platform, database, gateway, dan komponen-komponen yang penting yang mendukung arsitektur data warehouse yang dipilih. Untuk mengaplikasikan sebuah arsitektur data warehouse dapat dipilih beberapa cara dalam pengimplementasiannya, salah satunya dengan

22 menggunakan infrastruktur yang berbeda. Arsitektur dan infrastruktur saling berkaitan erat dan mendukung satu sama lainnya. Pengaruh dari lingkungan atau organisasi juga otomatis mempengaruhi penentuan suatu infrastruktur yang akan kita pilih. 2.8 Struktur Data Warehouse Data Warehouse memiliki struktur yang spesifik dan mempunyai perbedaan dalam tingkat detail data serta perbedaan dalam tingkatan umur data. M E T A D A T A highly summarized lightly summarized (datamart) current detail monthly sales by product line 1981-1992 sales detail 1990-1991 weekly sales by subproduct line 1984-1992 operational transformation old detail sales detail 1984-1989 Gambar 2.5 Struktur Data warehouse Data warehouse memiliki komponen-komponen sebagai berikut ini: 2.8.1 Current Detail Data Current Detail Data adalah data detail yang aktif pada saat ini, mencerminkan keadaan yang sedang berjalan dan merupakan level terendah

23 dalam data warehouse. Current detail data ini biasanya memerlukan media penyimpanan data yang besar karena data yang disimpan belum mengalami perubahan apapun. Berikut ini beberapa alasan mengapa current detail data menjadi perhatian utama : 1. Menggambarkan kejadian yang baru terjadi dan selalu menjadi perhatian utama 2. Sangat banyak jumlahnya dan disimpan dalam tingkat penyimpanan terendah 3. Hampir selalu disimpan di media penyimpanan karena cepat diakses tetapi mahal dan kompleks dalam pengaturannya 4. Biasa digunakan dalam membuat rekapitulasi sehingga current detail data harus akurat 2.8.2 Old Detail Data Old Detail Data merupakan data historis, yang dapat berupa hasil backup yang disimpan dalam media penyimpanan yang terpisah dan pada saat tertentu dapat diakses kembali. Data ini jarang diakses sehingga biasanya disimpan di dalam media penyimpanan alternatif seperti tape disk. Penyusunan direktori untuk data ini harus menggambarkan umur dari data dengan tujuan memudahkan untuk pengaksesan kembali.

24 2.8.3 Lightly Summarized Data Lightly Summarized Data (rangkuman data secara khusus) merupakan ringkasan dari detail data, tetapi belum bersifat total summary. Data-data disini memiliki tingkatan detail yang lebih tinggi dan mendukung kebutuhan data warehouse pada tingkatan departemen. Tingkatan data ini disebut juga data mart. Akses terhadap data jenis ini banyak digunakan untuk view dari suatu kondisi yang sedang dan yang sudah berjalan. 2.8.4 Highly Summarized Data Highly Summarized Data (rangkuman data secara umum) merupakan hasil dari proses ringkasan yang bersifat total, solid, serta mudah diakses. Digunakan untuk melakukan analisa perbandingan data berdasarkan urutan waktu dan analisa yang menggunakan data multi dimensi. Database multi dimensi adalah suatu teknologi software komputer yang dirancang untuk meningkatkan efisiensi dalam mencari tabel (query) sehingga menjadi media penyimpanan yang lebih baik, serta memudahkan pengambilan data dengan volume yang besar. 2.8.5 Metadata Dibandingkan dengan keempat data yang telah dijelaskan sebelumnya, metadata tidaklah sama, karena metadata bukan merupakan data hasil dari kegiatan operasional. Metadata memuat informasi yang penting mengenai

25 seluruh proses yang berlangsung di dalam data warehouse yang berfungsi sebagai : 1. Ekstraksi dan proses tunggu meta data digunakan untuk memetakan sumber data ke suatu tampilan bersama data di dalam data warehouse 2. Proses manajemen warehouse meta data digunakan untuk mengautomatisasi produksi/hasil dari tabel summary hingga menjadi highly summarized data 3. Sebagai bagian dari proses manajemen query meta data digunakan untuk mengarahkan suatu query ke sumber data yang paling memungkinkan Metadata digunakan untuk berbagai tujuan dan manajemen dari meta data itu sendiri merupakan isu kritikal dalam usaha untuk menghasilkan data warehouse yang sepenuhnya terintegrasi. Data yang tersedia haruslah dapat digunakan oleh user dengan istilah yang sesuai dengan cara user dalam melakukan pekerjaannya. Data warehouse itu sendiri harus melayani banyak fungsi, maka metadata penting untuk menjawab kebutuhan dari suatu fungsi tertentu karena kemampuan utamanya untuk menunjukkan asal usul dari data. Dalam perusahaan, setiap departemen biasanya mempunyai gambaran struktur data yang spesifik meskipun asal datanya sama. 2.9 Kegunaan Data Warehouse Data warehouse yang telah banyak digunakan selama ini banyak memberikan kemudahan dan keuntungan karena data warehouse biasanya dapat dimaksimalkan penggunaannya untuk melakukan empat tugas yang berbeda.

26 Menurut Williams (1998, p533), keempat tugas data warehouse tersebut adalah sebagai berikut : 2.9.1 Pembuatan Laporan Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dan paling banyak digunakan. Dengan menggunakan query sederhana dalam data warehouse dapat dihasilkan informasi pertahun, perkuartal, perbulan, dan bahkan perhari. 2.9.2 On-Line Analytical Processing (OLAP) Data warehouse digunakan dalam melakukan analisis bisnis untuk mengetahui kecenderungan pasar dan faktor-faktor penyebabnya, karena dengan adanya data warehouse, semua informasi baik berupa data detail maupun hasil summary yang dibutuhkan dalam proses analisa akan dengan mudah didapat. Dalam hal ini data warehouse merupakan tool yang handal untuk analisa data yang kompleks. OLAP mendayagunakan konsep data multidimensi dan memungkinkan pemakai untuk menganalisa data sampai mendetail tanpa mengetikkan satupun perintah SQL. Hal tersebut dimungkinkan karena konsep data multidimensi yang dimiliki, akibat dari konsep itu maka data berupa fakta yang sama bisa dilihat dengan menggunakan dimensi yang berbeda. Fasilitas lain yang ada pada tool perangkat lunak OLAP adalah fasilitas drill-down dan roll-up. Drill-

27 down adalah kemampuan untuk melihat detail dari suatu informasi yang ditampilkan sedangkan roll-up adalah kebalikan dari drill-down. 2.9.3 Data Mining Data mining adalah proses pencarian informasi dan pengetahuan baru dengan cara menggali (mining) data yang berjumlah banyak pada data warehouse, dengan menggunakan bantuan kecerdasan buatan (Artificial Intelligence), statistik dan matematika serta menggunakan hasilnya untuk membuat keputusan bisnis yang penting. Data mining merupakan teknologi lebih lanjut dari data warehouse yang diharapkan bisa menjembatani masalah komunikasi antara data dan pemakainya. Beberapa solusi yang dapat diselesaikan dengan data mining diantaranya : 1. Menembak target pasar Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya. 2. Melihat pola beli pemakai dari waktu ke waktu Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu.

28 3. Cross Market Analysis Data mining dapat dimanfaatkan untuk melihat hubungan antara penjualan satu produk dengan produk lainnya. 4. Customer Profile Data mining dapat membantu pengguna untuk melihat profil pembeli sehingga dapat dilakukan survey mengenai kelompok pembeli tertentu suka membeli produk apa saja. 5. Summary Information Data mining dapat dimanfaatkan untuk membuat laporan summary yang bersifat multidimensi dan dilengkapi dengan informasi statistik lainya. 2.9.4 Proses Informasi Eksekutif Data warehouse digunakan untuk mencapai ringkasan informasi yang penting dengan tujuan untuk membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan mengunakan data warehouse, segala laporan telah diringkas dan dapat pula diketahui rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laporan data warehouse menjadi target informatif bagi user dalam hal ini adalah pihak eksekutif.

29 OfPrimary interest to top management Create an overview mode of the enterprise OfPrimary interest to MIS planner Perform analysis of goals and problems Create an initial entity-relationship Perform critical success factor analysis Perform initial clustering into Perform technology impact analysis Refine the entityrelationship diagram Perform strategic systems analysis Refine the business area subdivision Establish priorities for business area analysis Gambar 2.6 Stages in information strategy planning 2.10 Tahapan Membangun Data Warehouse Berdasarkan kutipan dalam Connolly dan Begg (2002, p1083), metodologi yang dikemukakan oleh Kimball dalam membangun data warehouse ada sembilan tahapan, dikenal dengan Nine-Step Methodology. Nine-Step Methodology memperjelas langkah-langkah yang dibutuhkan untuk mendesain suatu data mart. Bagaimanapun, metodologi ini juga mengumpulkan data mart yang terpisah sehingga setelah melewati waktu tertentu data mart tersebut dapat

30 dikombinasikan ke dalam suatu data warehouse yang logikal. Sembilan tahapan tersebut adalah : 1. Memilih Proses (Choosing The Process) Pilihlah subjek dari permasalahan yang sedang dihadapi, kemudian identifikasi proses bisnisnya. Data Mart adalah bagian dari data warehouse yang pembuatan laporan dan analisis datanya pada suatu unit, bagian atau operasi pada perusahaan. 2. Memilih Grain (Choosing The Grain) Tentukan fact table yang tepat dan identifikasi dimensi dari fact table tersebut. Fact table adalah tabel yang mengandung angka dan data history dimana key yang dihasilkan sangat unik karena merupakan kumpulan foreign key dari primary key yang ada pada masing-masing tabel dimensi yang berhubungan, sedangkan dimension table adalah tabel yang berisikan katagori dengan ringkasan detil data yang dapat dilaporkan, seperti laporan keuntungan pada tabel fakta sebagai dimensi waktu (perbulan, perkuartal, pertahun). 3. Identifikasi dan Penyesuaian Dimensi (Identifying and Conforming The Dimension) Identifikasi dimensi dalam detil yang secukupnya untuk mendeskripsikan sesuatu. Dimensi yang tidak lengkap dan tidak benar akan mengurangi kegunaan dari data mart untuk suatu perusahaan. Ketika suatu dimension table ada pada dua atau lebih data mart, maka dimension table tersebut harus mempunyai dimensi yang sama atau salah satu merupakan

31 subset dari yang lainnya. Apabila suatu dimension table digunakan oleh lebih dari satu data mart, maka dimensinya harus disesuaikan. 4. Memilih Fakta (Choosing The Fact) Tentukan fakta-fakta dari fact table yang akan digunakan pada data mart. Fakta-fakta tersebut haruslah numerik dan dapat ditambah. Fakta tambahan dapat ditambahkan kapan saja sepanjang fakta tersebut konsisten dengan grain dari tabel. 5. Menyimpan Kalkulasi Awal Pada Tabel Fakta (Storing Pre-Calculation in The Fact Table) Setelah fakta-fakta dipilih maka lakukan pengkajian ulang untuk menentukan apakah ada fakta-fakta yang dapat diterapkan pre-calculation (kalkulasi awal) dan lakukan penyimpan pada fact table. 6. Rounding Out The Dimension Tables Dalam langkah ini, kita kembali pada dimension table dan menambahkan gambaran teks sebanyak mungkin terhadap dimensi yang memungkinkan. Gambaran teks harus mudah digunakan dan dimengerti oleh user. Kegunaan suatu data mart ditentukan oleh lingkup dan atribut tabel dimensi. 7. Memilih Durasi dari Database (Choosing The Duration Of The Database) Tentukan waktu dari pembatasan data yang diambil dan dipindahkan kedalam fact table. Seperti data perusahaan tiga tahun lalu atau lebih diambil dan dimasukkan dalam fact table.

32 8. Melacak Perubahan dari Dimensi Secara Perlahan (Tracking Slowly Changing Dimensions) Amati perubahan dari dimensi pada dimension table. Ada tiga tipe dasar dari perubahan dimensi yang perlahan, yaitu : a. Perubahan atribut dimensi ditulis ulang (di overwrite). b. Perubahan atribut dimensi mengakibatkan pembuatan suatu dimensi baru. c. Perubahan atribut dimensi mengakibatkan sebuah atribut alternatif dibuat, jadi antara atribut yang lama dan baru diakses secara bersama-sama. 9. Memutuskan Prioritas dan Mode dari Query (Deciding The Query Priorities and The Query Modes) Pertimbangkan pengaruh dari perancangan fisikal, seperti keberadaan dari ringkasan (summaries) dan penjumlahan (aggregate) karena hasilnya dapat mempengaruhi persepsi dari pengguna data mart. Selain itu, masalah administrasi, backup, kinerja indeks dan keamanan juga merupakan faktor yang harus diperhatikan. 2.11 Keuntungan Data Warehouse Berdasarkan pendapat Mallach (2000, p181-182), keuntungan menggunakan data warehouse adalah : 1. Kinerja perangkat kerja DSS (Decision Support System) dapat dioptimalkan untuk tujuan tertentu. 2. Response time dari DSS tetap terjaga.

33 3. Lingkungan data warehouse lebih sederhana dan lebih baik untuk diterapkan dibandingkan dengan aplikasi client-server. Berdasarkan pendapat Mallach (2000, p182), kerugian dari penerapan data warehouse adalah : 1. Terdapat beban tambahan pada sistem pusat karena perlunya melakukan transfer data diantara dua sistem (sistem operasional dan data warehouse) untuk menjaga data tetap update. 2. Harus mempunyai karyawan yang mengerti kedua sistem baik sistem operasional ataupun data warehouse. 3. Users yang mengakses kedua sistem memerlukan dua tipe terminal komputer atau jika tidak tersedia harus melewati prosedur jaringan yang rumit untuk berpindah sistem. 4. Transfer data dari sistem operasional ke data warehouse memerlukan waktu yang relatif lama karena melewati proses transformasi data terlebih dahulu. 2.12 Analisis Matriks Terdapat empat prosedur yang digunakan dalam membuat analisis matriks clustering, yaitu : 1. Membuat analisa top level dari data perusahaan a. menentukan subyek data b. menjabarkan subyek data ke dalam bentuk entitas c. membuat diagram awal hubungan antar entitas d. membuat matriks fungsi bisnis versus entitas

34 e. membuat matriks unit organisasi versus entitas 2. Menentukan enterprise model dan entity relationship diagram a. wawancara dengan pihak manajemen untuk menentukan enterprise model b. membuat presentasi kepada pihak manajemen tentang enterprise model yang sudah diperbaiki c. membuat entity relationship diagram (ERD) d. menentukan matriks entitas versus fungsi bisnis e. menentukan matriks entitas versus unit organisasi f. meminta persetujuan perusahaan mengenai enterprise model yang baru 3. Mengelompokkan matriks fungsi/entitas a. menggunakan algoritma clustering b. mengumpulkan ke depan semua fungsi create dalam entitas c. memasukkan fungsi-fungsi yang lain serta entitas ke dalam cluster d. mengelompokkan secara manual untuk mengetahui sistem yang ada e. menentukan alur data dari sistem yang satu ke sistem yang lain f. membuat diagram hubungan yang menunjukkan hubungan antar sistem g. menyusun kelompok-kelompok tersebut untuk menyederhanakan interaksi antar sistem 4. Mengelompokkan matriks fungsi/entitas untuk menunjukkan area bisnis sebenarnya a. mengatur matriks fungsi/entitas yang telah dikelompokkan ke dalam bentuk batasan-batasan analisa bisnis b. menempatkan semua fungsi ke dalam area-area bisnis

35 c. menentukan lokasi geografis untuk setiap area bisnis d. mengatur area bisnis sehingga area-area tersebut saling berhubungan 2.13 Primary Key dan Foreign Key Menurut Kristanto (2002, p20) primary key adalah suatu atribut atau satu set minimal atribut yang tidak hanya mengidentifikasikan secara unik suatu kejadian spesifik, tapi juga dapat mewakili setiap kejadian dari suatu entiti. Menurut Kristanto (2002, p21) foreign key adalah suatu atribut atau satu set atribut yang melengkapi relationship (hubungan) yang menunjukkan ke induknya. Ketika database dibuat, perintah-perintah SQL digunakan untuk membuat tabel yang akan merancang kolom-kolom yang nantinya akan membentuk primary key dan foreign key. 2.14 Perancangan Data Warehouse dengan Skema Bintang Ada banyak pendapat mengenai perancangan data warehouse. Menurut Poe (1997, p191), salah satu alat yang digunakan untuk merancang data warehouse adalah skema bintang (star schema). Skema bintang merupakan struktur sederhana dengan tabel-tabel yang relatif sedikit dan hubungan antar tabel yang jelas. Rancangan ini mampu melakukan query dengan cepat serta mudah dimengerti bahkan oleh analyst dan pengguna akhir atau orang awam yang tidak mengerti struktur database.

36 2.14.1 Star Schema (Skema Bintang) Menurut Poe (1997, p191) metode yang digunakan untuk merancang data warehouse adalah dengan menggunakan skema bintang, yaitu metode perancangan yang dilakukan dengan struktur yang sederhana dengan menggunakan beberapa tabel dan jalur yang terhubung dengan baik dan jelas. Dengan menggunakan skema bintang ini akan menghasilkan waktu respon yang lebih cepat dalam query data dibanding dengan proses transaksional yang menggunakan struktur normalisasi. Selain itu skema bintang memudahkan end user untuk memahami strukur database pada data warehouse yang dirancang karena skema bintang merupakan struktur logikal yang memiliki tabel fakta yang mengandung data faktual di tengahtengah, dikelilingi oleh tabel dimensi yang mengandung data reference. 2.14.2 Keuntungan Skema Bintang Dalam penggunaannya skema bintang memiliki beberapa keuntungan yang tidak terdapat pada strukur relational biasa. Berikut keuntungan penggunaan skema bintang : 1. Kekonsistenan dari struktur database membuat akses yang lebih efisien ke data melalui alat yang bervariasi. Respon data juga menjadi lebih cepat daripada perancangan database operasional. 2. Memudahkan dalam hal modifikasi atau pengembangan data warehouse yang terus menerus.

37 3. End user dapat menyesuaikan cara berpikir dan menggunakan data. 4. Menyederhanakan pemahaman dan penelurusan metadata bagi pemakai dan pengembang. 5. Adanya kemampuan untuk menangani situasi yang mungkin terjadi dalam dunia bisnis. 2.14.3 Tabel dalam Skema Bintang Dalam skema bintang terdapat dua tipe tabel yaitu tabel fakta dan tabel dimensi. Tabel fakta disebut juga sebagai tabel mayor, terdiri dari data kuantitatif atau data fakta mengenai bisnis, informasi yang di query. Informasi ini sering diukur secara numeric dan dapat mengandung banyak kolom dan baris. Tabel dimensi disebut juga sebagai tabel minor karena ukurannya lebih kecil dan berisikan data yang mencerminkan dimensi bisnis. 2.14.4 Jenis-jenis Skema Bintang Terdapat dua buah jenis skema bintang yang penggunaannya tergantung dengan kebutuhan, yaitu skema bintang sederhana dan skema bintang majemuk yang akan dijelaskan lebih lanjut berikut ini : 2.14.4.1 Skema Bintang Sederhana Dalam skema bintang sederhana, setiap tabel harus mempunyai primary key yang terdiri dari sebuah kolom atau lebih. Primary key tersebut membuat setiap baris menjadi unik.

38 Dalam skema bintang sederhana, primary key yang terdapat pada tabel fakta memiliki satu atau lebih foreign key. Tabel dimensi kunci 1 Tabel dimensi kunci 2 Tabel fakta kunci 1 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Tabel dimensi kunci 3 Gambar 2.7 Hubungan antar tabel dimensi pada skema bintang sederhana Gambar di atas menunjukkan hubungan antara satu tabel fakta dan 3 tabel dimensi. Pada tabel fakta utama terdapat primary key yang terdiri dari tiga foreign key yaitu kunci-1, kunci-2, dan kunci-3, yang masing-masing merupakan primary key di tabel dimensi masing-masing. Alasan memilih skema bintang sederhana antara lain : 1. menyediakan response time yang lebih baik

39 2. struktur rancangan yang sederhana dan mudah dimengerti pemakai Sebuah skema bintang dapat juga memiliki lebih dari satu tabel fakta yang disebabkan karena adanya fakta yang tidak saling berhubungan, atau karena perbedaan waktu pengambilan data. Tabel semacam ini umumnya digunakan untuk perusahaan besar yang memiliki berbagai divisi dengan masing-masing divisi memiliki jumlah data yang besar dan berbagai macam level data yang teragregasi. Tabel fakta 1 kunci 1 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Tabel dimensi kunci 3 Tabel dimensi kunci 2 Tabel dimensi kunci 1 Tabel fakta 2 kunci 1 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Gambar 2.8 Skema bintang dengan beberapa tabel fakta Pada gambar terdapat dua tabel fakta dan tiga tabel dimensi yang memperlihatkan hubungan many to one antara

40 foreign key pada kedua tabel fakta tersebut dengan primary key pada masing-masing tabel dimensi. Tabel dimensi 1 kunci 1 Tabel dimensi 3 Tabel fakta 1 kunci 1 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Tabel dimensi 2 kunci 2 Tabel fakta 2 kunci 2 kunci 4 kunci 3 Tabel fakta 3 kunci 4 Gambar 2.9 Skema bintang sebagai tabel asosiasi Tabel dimensi mungkin mengandung foreign key yang mereferensikan primary key di tabel dimensi yang lain. Tabel dimensi yang direferensikan ini yang dinamakan outboard tabel atau secondary dimension table. Pada gambar terdapat skema bintang dengan outboard table atau secondary dimension table. Tabel dimensi 3 mempunyai dua outboard table yaitu tabel dimensi 4 dan tabel dimensi 5.

41 Tabel dimensi 1 kunci 1 Tabel fakta kunci 1 kunci 2 Tabel dimensi 3 kunci 3 kunci 4 Tabel dimensi 2 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Kunci 4 Kunci 5 kunci 5 Gambar 2.10 skema bintang dengan tabel dimensi tambahan 2.14.4.2 Skema Bintang Majemuk Tabel fakta dalam skema bintang majemuk memiliki dua kumpulan foreign key, yang pertama mengandung suatu referensi dengan tabel dimensi sedangkan sisanya adalah primary key yang merupakan gabungan dari satu atau lebih kolom yang menghasilkan suatu identifikasi unik untuk setiap barisnya. Bedanya skema bintang majemuk dengan skema bintang sederhana adalah saling tidak identiknya primary key dan foreign key dalam skema bintang majemuk.

42 Tabel dimensi 1 kunci 1 Tabel dimensi 2 kunci 2 Tabel fakta FKey 1 FKey 2 FKey 3 Kunci 1 Kunci 2 Kolom Data Kolom Data. Kolom Data Tabel dimensi 3 kunci 3 Gambar 2.11 Skema bintang majemuk 2.14.4.3 Skema Bintang Snowflake Skema snowflake merupakan variasi lain dari skema bintang yang menyimpan seluruh informasi tabel dimensi dalam bentuk normal ketiga dan tabel fakta tetap dalam keadaan semula, seperti yang terlihat pada gambar. Ciri-ciri skema snowflake adalah : 1. tidak terdapat level pada tabel dimensi 2. tabel dimensi dinormalisasi dengan dekomposisi pada level atribut 3. setiap dimensi mempunyai satu key untuk setiap level pada hirarki dimensi

43 4. kunci level terendah menghubungkan tabel dimensi dengan tabel fakta dan tabel atribut berlevel rendah Tabel dimensi 1 kunci 1 Tabel attribute 5 5 Tabel dimensi 6 kunci 6 4 5 6 Tabel attribute 6 6 Tabel dimensi 2 kunci 2 7 Kunci 6 Tabel fakta kunci 1 kunci 2 kunci 3 Kolom Data Kolom Data. Kolom Data Tabel dimensi 3 kunci 3 1 2 3 Kunci 4 Kunci 5 Tabel dimensi 4 kunci 4 Tabel dimensi 5 8 kunci 5 Tabel attribute 8 8 Gambar 2.12 skema snowflake 2.15 Agregasi Menurut Poe (1997, p204), agregasi adalah proses perhitungan data fakta terhadap atribut-atribut yang telah didefinisikan. Sebagai contoh, dapat dibuat pengelompokkan dari jumlah mahasiswa berdasarkan jurusan dan program studi dengan menghitung jumlah mahasiswa dari data transaksi yang terjadi. Agregasi dapat dibuat selama proses transformasi dan pemuatan data ke dalam data warehouse.

44 Faktor yang mendukung pembuatan agregasi adalah : 1. meningkatkan penampilan pencarian (searching) 2. mengurangi jumlah penggunaan kode produk universal. Suatu agregasi yang baik dapat dibuat untuk digunakan oleh 300 user dalam satu hari walaupun akan memakan waktu pembuatan yang cukup lama, karena akan jauh lebih bermanfaat dan efisien jika dibandingkan dengan membuat agregasi yang membutuhkan waktu dua jam tetapi hanya digunakan sekali dalam setahun oleh satu user saja. Salah satu teknik yang harus dicatat adalah pada saat pemuatan data ke dalam data warehouse, kita tetap membutuhkan teknik database klasik seperti partisi tabel secara fisik. Hal ini menjadi penting bilamana data warehouse mencapai gigabyte data. 2.16 Denormalisasi Denormalisasi adalah mencatat data-data yang tidak bergantung pada kolom lain, meskipun pada akhirnya mengakibatkan terjadinya banyak duplikasi data. Tujuannya adalah agar semua informasi yang diperlukan harus terkandung di tabel log itu sendiri dan tidak bergantung pada tabel lain. Menurut Poe (1997, p207), denormalisasi adalah suatu proses yang merubah bentuk normalisasi dari database dengan cara menggabungkan tabel dan merupakan sebuah proses yang dilakukan secara sengaja dengan melanggar peraturan bentuk normal dari normalisasi dengan tujuan untuk meningkatkan kinerja (performance) dalam mengakses data yang ada.

45 Keuntungan melakukan proses denormalisasi adalah : 1. mengurangi jumlah relasi yang terjadi antara tabel-tabel sehingga akan meningkatkan kecepatan proses query data. 2. membuat struktur fisik database lebih mudah dimengerti sesuai dengan model dimensi dari pemakai. Struktur tabel yang dibuat sesuai keinginan pemakai memungkinkan terjadinya akses langsung yang sekali lagi akan meningkatkan kinerja. Kerugian melakukan proses denormalisasi adalah: 1. proses denormalisasi secara tidak langsung akan membuat redudansi data. 2. proses denormalisasi memerlukan alokasi memori dan storage (tempat penyimpanan yang besar). 2.17 Definisi Pembelian dan Penjualan 2.17.1 Pembelian Pembelian dapat mencakup berbagai aspek. Dalam hal ini, sistem pembelian mencakup seluruh tahap pemrosesan pembelian dan persediaan. Dengan adanya sistem pembelian akan menghasilkan informasi yang dibutuhkan oleh manajer. 2.17.1.1 Pengertian Sistem Pembelian Menurut Mulyadi (1997, p302), sistem pembelian adalah sistem yang digunakan dalam perusahaan untuk pengadaan barang yang diperlukan baik secara kredit maupun tunai.

46 2.17.1.2 Fungsi Yang Terkait Dalam Pembelian Menurut Mulyadi (1997, p302), fungsi yang terkait dalam sistem pembelian adalah: a. Fungsi Gudang Bertanggung jawab untuk mengajukan permintaan pembelian sesuai dengan jumlah persediaan yang ada di gudang, dan juga untuk menyimpan barang yang telah diterima oleh fungsi penerimaan. Untuk barang-barang yang langsung dipakai (tidak diselenggarakan persediaan barang di gudang), permintaan pembelian diajukan oleh pemakai barang. b. Fungsi Pembelian Bertanggung jawab untuk memperoleh informasi mengenai harga barang yang akan dibeli, menentukan supplier yang dipilih dalam pengadaan barang dan mengeluarkan order pembelian kepada supplier yang dipilih. c. Fungsi Penerimaan Bertanggung jawab untuk melakukan pemeriksaan terhadap jenis, mutu, dan kuantitas barang yang diterima dari supplier guna menentukan dapat atau tidaknya barang tersebut diterima oleh perusahaan. Fungsi ini juga bertanggung jawab untuk menerima barang yang berasal dari transaksi return (pengembalian) penjualan.

47 d. Fungsi Akuntansi Fungsi akuntansi memiliki banyak aspek. Dalam transaksi pembelian fungsi akuntansi yang terkait adalah fungsi pencatat hutang dan fungsi pencatat persediaan. Fungsi pencatat hutang bertanggung jawab untuk mencatat transaksi pembelian ke dalam register bukti kas keluar, dan untuk menyelenggarakan arsip dokumen sumber (bukti kas keluar) yang berfungsi sebagai catatan hutang atau menyelenggarakan kartu hutang sebagai buku pembantu hutang. Fungsi pencatat persediaan bertanggung jawab untuk mencatat harga pokok persediaan barang yang dibeli ke dalam kartu persediaan. 2.17.2 Penjualan 2.17.2.1 Pengertian Penjualan Menurut Mulyadi (1997, p204), kegiatan penjualan meliputi transaksi penjualan barang atau jasa, yang ditinjau dari cara pembayarannya (secara tunai atau kredit). Di dalam perusahaan yang bergerak dalam bidang perdagangan, penjualan adalah suatu proses penting dalam melaksanakan tujuan dari perusahaan yaitu untuk memperoleh keuntungan semaksimal mungkin. Secara umum, pengertian penjualan dapat dikatakan sebagai ilmu dan seni mempengaruhi pribadi/individu yang

48 dilakukan oleh penjual untuk mengajak orang lain membeli barang atau jasa yang ditawarkan. Jadi, adanya penjualan dapat menciptakan suatu proses pertukaran barang atau jasa antara penjual dan pembeli. Ditinjau dari cara pembayarannya, penjualan dibagi menjadi dua macam, yaitu: 1. Penjualan Kredit Jika order pelanggan telah dipenuhi dengan dikirimnya barang atau penyerahan jasa, untuk jangka waktu tertentu perusahaan mempunyai piutang terhadap pelanggan yang harus dibayar oleh pelanggan sebelum tanggal jatuh tempo. 2. Penjualan Tunai Barang atau jasa baru diserahkan oleh perusahaan kepada pelanggan setelah perusahaan menerima pembayaran dari pelanggan. 2.17.2.2 Pengertian Sistem Informasi Penjualan Sistem informasi penjualan adalah sebuah sistem yang mengendalikan seluruh kegiatan transaksi penjualan barang atau jasa baik secara tunai maupun kredit sehingga menghasilkan informasi yang dibutuhkan oleh manajemen untuk menganalisa penjualan yang sedang berlangsung.

49 Adapun kriteria dalam pengakuan penjualan terdiri dari tiga, yaitu: 1. Adanya bukti yang kuat bahwa pembeli mempunyai maksud untuk membeli, dan penjual mempunyai maksud untuk menjual. 2. Adanya perjanjian atau kesepakatan harga antara pembeli dan penjual. 3. Penentuan mengenai barang tertentu yang akan dijual dan yang sudah dalam keadaan siap untuk dijual. 2.18 Critical Success Factor (CSF) Menurut Laudon (2004, p380), CSF adalah sejumlah kecil tujuan operasional yang dapat diidentifikasi, dibentuk oleh industri, perusahaan, manager, dan lingkungan yang lebih luas yang dipercaya untuk memastikan sukses tidaknya sebuah organisasi. CSF juga digunakan untuk menentukan kebutuhan informasi dari sebuah organisasi. Menurut McLeod (2001, p109), sebuah CSF adalah satu dari banyak aktifitas perusahaan yang mempunyai pengaruh kuat terhadap kemampuan perusahaan untuk memenuhi tujuan bisnisnya. Sebuah perusahaan pada umumnya mempunyai banyak CSF. Kekuatan dari metode CSF adalah bahwa CSF menghasilkan set data yang lebih kecil untuk dianalisa daripada analisa perusahaan (enterprise analysis) secara keseluruhan sehingga hasil yang dihasilkan lebih akurat. Hanya manajer tingkat

50 atas yang diwawancara, dan pertanyaan berfokus pada sejumlah kecil CSF daripada pertanyaan yang luas dan bersifat umum sehingga pada akhirnya perusahaan mendapatkan informasi yang dibutuhkan. CSF ini khususnya sesuai untuk diterapkan pada manager tingkat atas dan pembangunan DSS dan EIS.