7 BAB 2 LANDASAN TEORI 2.1. Konsep Dasar Data Warehouse 2.1.1 Pengertian Data dan Database Menurut James A. O Brien (1997, p166), Database is an integrated collection of logically related record of file, yang artinya bahwa Database merupakan suatu koleksi terintegrasi dari record file yang berhubungan secara logika. Menurut Turban Rainer Potter (2001, p17), Data are raw facts or elementary descriptions of things, events, activities, and transactions, that are captured, recorded, stored, and classified, but not organized to convey any specific meaning, yang artinya data merupakan fakta mentah atau deskripsi awal daripada barang, kegiatan, dan transaksi yang ditangkap, disimpan, dan diklasifikasikan, namun tidak diorganisasikan untuk memiliki arti spesifik. Jadi, dapat disimpulkan bahwa data merupakan suatu bentuk keterangan dalam teks maupun numerik yang belum diolah atau dimanipulasi menjadi informasi. Data suatu perusahaan pada umumnya didapat dari hasil kegiatan operasional sehari-hari atau hasil transaksi. Sedangkan Database merupakan kumpulan data yang hampir tidak mengalami perubahan, serta digunakan oleh sistem aplikasi beberapa perusahaan.
8 2.1.2 Pengertian Data Warehouse Dari perkembangan model rancangan database muncul apa yang disebut dengan data warehouse. Menurut Vidette Poe (1996, p24), data warehouse merupakan database analisa yang digunakan sebagai dasar sistem pembuatan keputusan, serta didesain untuk menampung data dalam jumlah besar yang hanya dapat dibaca (read only), serta memiliki kemampuan akses informasi yang cepat dan mudah sehingga dapat memudahkan serta meningkatkan kualitas pembuatan keputusan. Menurut Inmon dan Hackathorn (1994, p1), data warehouse mempunyai nilai penting bagi arsitektur dari proses informasi untuk sistem komputer modern. Data warehouse mendukung pemrosesan informasi dengan cara menyediakan data yang terintegrasi secara cepat dan akurat, sehingga membantu pihak eksekutif dalam melakukan analisis manajemen. Data warehouse terdiri dari beberapa proses yang terbagi dalam beberapa tahap, antara lain - Proses penggabungan data - Proses mentransformasikan data - Proses pendistribusian data - Proses pemakaian data Proses pembangunan dan pengembangan data warehouse dikenal dengan istilah data warehousing. Data warehousing adalah suatu proses pengintegrasian seluruh data-data perusahaan ke dalam suatu tempat penyimpanan tunggal di mana end-user dapat dengan mudah membuat query
9 data (menyaring dan memilah data sesuai kebutuhan), membuat laporan dan menganalisa laporan tersebut. Jadi, dapat disimpulkan bahwa data warehouse merupakan suatu metode baru dalam perancangan database untuk menunjang pengembangan aplikasi DSS (Decision Support System) dan EIS (Executive Information System). Kunci dari konsep data warehouse adalah mengintegrasikan data dari seluruh sumber data yang relevan dengan kegiatan bisnis dan operasional perusahaan. 2.1.3 Kegunaan Data Warehouse Menurut Williams (1998, p533), data warehouse biasanya digunakan untuk melakukan empat tugas berbeda, antara lain - Pembuatan laporan Penggunaan query sederhana dalam data warehouse dapat menghasilkan informasi per beberapa periode tertentu, seperti per tahun, per bulan, per minggu, ataupun per hari. - Online Analytical Processing (OLAP) Data warehouse digunakan untuk melakukan analisa bisnis guna menyelidiki kecenderungan pasar dan faktor penyebabnya. Dalam kegunaannya ini data warehouse merupakan tool yang handal untuk menganalisa data yang kompleks. - Data Mining
10 Penggunaan data warehouse dalam pencarian pola dan hubungan data, dengan tujuan untuk membuat keputusan bisnis. Dalam hal ini software dirancang untuk pola statistik dalam data untuk mengetahui kecenderungan yang ada. - Proses informasi Eksekutif Data warehouse digunakan untuk mencari informasi summary kunci yang penting, dengan tujuan untuk membuat keputusan bisnis, tanpa harus menjelajahi atau menganalisa keseluruhan data yang ada. 2.1.4 Karakteristik Data Warehouse Menurut Mallach (2000, p467), data warehouse memiliki karakteristik sebagai berikut Subject Oriented Berdasarkan karakteristik subject oriented ini, dapat dijelaskan perbedaan antara data warehouse dengan data operasional, antara lain data warehouse berorientasi pada subjek, hanya berisi data yang digunakan untuk proses DSS (Decision Support System) atau tidak, serta dihubungkan pada apa yang tepat, relevan, serta berhubungan dengan bisnis saat ini. Data warehouse juga hanya berorientasi pada subyek-subyek utama perusahaan. Sebaliknya OLTP (Online Transaction Processing) berorientasi pada fungsi / proses. Contoh dalam dunia perbankan data warehouse akan berorientasi pada subjek utama antara lain customer,
11 vendor, dan produk. OLTP berorientasi pada proses / fungsiya, seperti tabungan, peminjaman dan kartu kredit. Integrated Integrated artinya data akan diintegrasikan untuk memenuhi berbagai kebutuhan informasi dalam organisasi. Integrasi data warehouse ditunjukkan dengan berbagai cara seperti konsistensi dalam penggunaan variabel, pengukuran variabel, pengkodean struktur, atribut fisik, dan lain-lain. Seperti misalnya dalam beberapa database yang berbeda digunakan beberapa satuan ukuran seperti dollar, yen, atau ringgit, maka satuan-satuan tersebut akan diintegrasikan terlebih dahulu, misalnya dengan menggunakan satuan rupiah untuk seluruh data. Time Variant Time Variant artinya seluruh data pada data warehouse akan akurat pada saat data tersebut disimpan. Berdasarkan karakteristik timevariant ini, dapat dilihat bahwa pada data operasional hanya akurat pada beberapa waktu pengaksesan. Time variant pada data warehouse dapat ditunjukkan pada beberapa cara, yaitu a. Dengan adanya data yang akurat selama jangka waktu tertentu, yaitu 5 10 tahun. Jangka waktu pada data operasional cukup singkat, berkisar antara 60 90 hari. b. Struktur key, baik secara eksplisit maupun implisit memiliki elemen waktu, seperti hari, minggu, bulan, dan tahun. Elemen
12 waktu ini biasanya terletak di bawah key pada data warehouse. Pada data warehouse, struktur key tersebut dapat berisi elemen waktu atau tidak. c. Tidak dapat di-update setelah selesai dibuat. Pada data operasional, karena bersifat akurat pada beberapa waktu pengaksesan, dapat di-update bila perlu. Non Volatile Non volatile dapat diartikan bahwa data tidak dapat mengalami perubahan. Dalam data operasional dapat dilakukan perubahan (update), hapus (delete), dan penambahan (insert) yang mengubah isi dalam database. Sedangkan dalam data warehouse hanya terdapat dua kegiatan manipulasi data, antara lain loading data dan access data. Loading data adalah proses pengambilan data yang dibutuhkan dari data warehouse. Sedangkan access data adalah proses pengaksesan data warehouse, seperti melakukan query atau menampilkan laporan yang dibutuhkan. 2.1.5 Anatomi Data Warehouse Berikut ini adalah tiga jenis dasar sistem anatomi data warehouse menurut Prabowo (1996) 1. Data warehouse fungsional Data warehouse fungsional menggunakan pendekatan kebutuhan dari tiap bagian dari fungsi bisnis yang ada. Misalnya departemen atau
13 divisi, untuk mendefinisikan jenis data yang ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran data masing-masing. Pendekatan ini banyak digunakan karena sistem memberikan solusi yang mudah untuk dibangun dengan biaya investasi yang relatif rendah dan dapat memberikan kemampuan sistem pengumpulan data yang terbatas kepada kelompok user. Penerapan jenis sistem pengumpulan data seperti ini beresiko kehilangan konsistensi data di luar lingkungan fungsi bisnis yang bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan fungsional menjadi lingkup perusahaan, konsistensi data perusahaan tidak lagi terjamin. Source Functional data warehouse Workstation Source Source Functional data warehouse Workstation Gambar 2.1 Data Warehouse Fungsional
14 2. Data warehouse terpusat Data warehouse terpusat adalah pendekatan yang paling baik digunakan. Hal ini dikarenakan oleh keterbiasaan user dengan lingkungan mainframe terpusat. Data diambil dari seluruh sistem operasional dan disimpan dalam pusat penyimpanan data, user kemudian menggunakan data yang telah terkumpul tersebut untuk membangun data warehouse fungsional, masing-masing sesuai dengan kebutuhannya. Keuntungan sistem ini dibanding dengan data warehouse fungsional adalah bahwa data benar-benar terintegrasi. Sistem ini mengharuskan data dikirim tepat pada waktunya, agar tetap konsisten dengan pemasok data lainnya. Di samping itu, user hanya dapat mengambil data dari pusat pengumpulan saja dan tidak dapat berhubungan secara langsung dengan pemasok datanya sendiri. Penerapan sistem ini membutuhkan biaya pemeliharaan yang tinggi atas sistem pengumpulan data yang besar. Selain itu diperlukan waktu yang lama untuk membangun sistem tersebut.
15 Source Functional DW Workstation Source Source Centralized Data Warehouse Functional DW Workstation Gambar 2.2 Data Warehouse Terpusat 3. Data warehouse terdistribusi Data warehouse terdistribusi dikembangkan berdasarkan konsep gateway data warehouse, sehingga memungkinkan user dapat langsung berhubungan dengan sumber data atau pemasok data maupun dengan pusat pengumpulan data lainnya. Pendekatan ini menggunakan teknologi client-server untuk mengambil data dari berbagai sumber, sehingga memungkinkan tiap departemen atau divisi untuk membangun sistem operasionalnya sendiri serta dapat membangun pengumpulan data fungsionalnya masing-masing dan menggabungkan bagian-bagian tersebut dengan teknologi client-server. Pendekatan ini akan menjadi sangat efektif bila data yang tersedia dalam bentuk yang konsisten dan user dapat menambah data tersebut dengan informasi baru apabila ingin membangun gambaran baru atas informasi. Pendekatan data warehouse terdistribusi ini
16 memerlukan biaya sangat besar karena setiap pengumpulan data fungsional dan sistem operasinya dikelola secara terpisah. Selain itu agar berguna bagi perusahaan, data yang ada harus disinkronisasikan untuk memelihara keterpaduan data. Source Data Warehouse Gateway Workstation Source Workstation Source Gambar 2.3 Data Warehouse Terdistribusi 2.1.6 Struktur Data Warehouse Data warehouse memiliki struktur yang terdiri atas komponen-komponen sebagai berikut, yaitu 1. Current Detail Data Menggambarkan keadaan data yang sedang berjalan, data ini merupakan level data terendah dari data warehouse, cepat diakses dan memerlukan storage (tempat penyimpanan) yang besar, sehingga sulit diatur, karena data yang kompleks.
17 2. Older Detail Data Merupakan hasil backup yang disimpan dalam storage (tempat penyimpanan) yang terpisah, dan pada saat tertentu dapat diakses kembali bilamana dibutuhkan. 3. Highly Summary Data Highly Summary Data adalah suatu hasil data yang bersifat total summary, data ini tersusun rapi dan mudah diakses terutama untuk melakukan analisa perbandingan data berdasarkan urutan waktu dan analisa yang menggunakan data multi dimensi. Sumber data tersebut dapat berasal dari data yang sedang aktif ataupun di luar data warehouse. 4. Lightly Summary Data Lightly Summary Data adalah ringkasan dari data tingkat rendah yang ada pada data detail yang sedang aktif tetapi belum bersifat total summary. Data ini banyak ditampilkan dalam bentuk view dari kondisi yang sedang berjalan atau sudah berjalan. 5. Metadata Metadata bukan merupakan data-data hasil kegitan operasional. Metadata merupakan jenis data yang memuat informasi penting dalam data warehouse yang dapat digunakan dalam banyak fungsi, seperti - Sebagai sebuah direktori yang dipakai oleh user data warehouse dalam mencari letak / lokasi data dalam data warehouse.
18 - Sebagai panduan untuk melakukan proses summary data dari detail data menjadi lightly summary data dan dari lightly summary data menjadi highly summary data. - Sebagai panduan pemetaan dalam proses transformasi dari data operasional ke data warehouse. Metadata dibuat untuk menjawab struktur data yang spesifik, walaupun asal datanya sama. Metadata juga menyediakan catatan asal data yang dipergunakan dalam proses transformasi. Catatan ini memberikan referensi kepada pengguna akhir sistem, seperti juga keabsahan data bagi sistem pengumpulan data perusahaan. Highly Summarized Lightly Summarized Current Detail Data Older Detail Data Gambar 2.4 Struktur Data Warehouse
19 2.1.7 Arsitektur Data Warehouse Menurut Poe (1996, p24) arsitektur data warehouse adalah sekumpulan aturan dan struktur yang memberikan kerangka untuk keseluruhan rancangan suatu sistem atau produk. Arsitektur data menyediakan kerangka dengan mengidentifikasikan dan memahami bagaimana data akan pindah melalui sistem dan digunakan dalam perusahaan. Arsitektur data warehouse mempunyai komponen utama yaitu database yang hanya dapat dibaca. Karakteristik arsitektur data warehouse (Poe,1996, p40-41) 1. Data diambil dari sistem asal (sistem informasi yang ada), database, dan file. 2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan ke dalam data warehouse. 3. Data warehouse adalah jenis database read-only yang diciptakan untuk mengambil keputusan. 4. Untuk mengakses data warehouse melalui front-end tool atau aplikasi. Terdapat beragam jenis arsitektur data warehouse diantaranya adalah 1. Arsitektur two-tier 2. Arsitektur three-tier 3. Arsitektur bottom-up
20 2.1.7.1 Arsitektur Two-Tier Pada arsitektur two-tier ini, data operasional ditransformasikan dan ditransfer ke data warehouse. Untuk membantu proses transformasi, sebuah Enterprise Data Model (EDM) dibuat. Enterprise Data Model (EDM) ini menjelaskan tentang struktur data warehouse dan berisi metadata yang dibutuhkan untuk menempatkan dan mengakses database yang dihasilkan dan sumber data eksternal. Arsitektur two-tier biasanya akan menemukan kesulitan performance bilamana data warehouse berukuran besar. Operational Database User Department Operational Database Server data warehouse Operational Database Transformasi User Department Summarized Data Gambar 2.5 Arsitektur Two-Tier Data Warehouse
21 2.1.7.2 Arsitektur Three-Tier Organisasi yang menemukan kesulitan dalam menerapkan arsitektur twotier pada umumnya akan beralih ke arsitektur three-tier. User pada departemen pada umumnya hanya mengakses sebagian kecil dari porsi data warehouse. Oleh karena itu digunakanlah data mart. Pada umumnya data mart ini memiliki server yang terpisah dengan data warehouse, yang bertujuan untuk performance / kinerja yang lebih baik dan fault tolerance. Masing-masing departemen bertanggung jawab untuk mengawasi data mart departemennya. Data Mart Tier Operational Database Server data warehouse Data Mart User Department Operational Database Data Mart Tier Operational Database Summarized Data Data Mart User Department Gambar 2.6 Arsitektur Three-Tier Data Warehouse
22 2.1.7.3 Arsitektur Bottom-Up Pada arsitektur bottom-up, data dimodelkan dalam satu function atau proses dalam satu waktu dan disimpan dalam data mart yang terpisah. Bilamana waktunya tiba, data baru disintesis, disaring (dibersihkan), dan dimerge ke dalam data mart yang telah tersedia dan dapat juga dengan membangun ke data mart yang baru. User Department Operational Database Data Mart - Tier Data Mart Operational Database User Department External data source Data Mart - Tier User Department Data Mart Gambar 2.7 Arsitektur Bottom-Up Data Warehouse
23 2.1.8 Kegiatan Inti Data Warehouse Untuk melakukan penganalisaan dan pelaporan informasi bagi pihakpihak pengambil keputusan, maka dalam merancang data warehouse terdapat kegiatan-kegiatan yang harus ada di dalamnya, kegiatannya antara lain - Memperoleh data dan menggabungkan data Mendapatkan data dari berbagai sumber dan melakukan penggabungan pada suatu tempat tertentu, data-data yag digabung adalah data-data yang akan membantu dalam pembuatan laporan, karena data tersebut merupakan bentuk suatu kesatuan. - Transformasi data Pengolahan data dari awal ke bentuk data yang telah disepakati, dengan mengalami pemrosesan dan pengolahan terlebih dahulu yang sama artinya dengan pengubahan ke bentuk yang diharapkan. - Pendistribusian data Data-data yang akan kita gunakan dalam data warehouse berkaitan dengan lingkungan kerja dalam perusahaan. Bagi perusahaan yang terhubung dengan jaringan, pemakaian data warehouse mendukung kegiatan ini. Di mana pengguna dapat menggunakan data warehouse secara lebih fleksibel dan merata pada masing-masing bagian yang ada dalam perusahaan. - Penggunaan data
24 Data yang telah disaring akan menghasilkan ringkasan-ringkasan yang dapat memudahkan pengguna dalam mengambil suatu keputusan. Di sini kegiatan pemakaian data akan menjadi lebih sering misalnya jika para pengambil keputusan ingin menganalisa produk yang telah dipasarkan pada masyarakat. 2.1.9 Tahapan Membangun Data Warehouse Berdasarkan kutipan dalam Connoly dan Begg (2002, p1083), metodologi yang dikemukakan oleh Kimball dalam membangun data warehouse ada 9 tahapan, dikenal sebagai Nine-Step Methodology. Sembilan tahapan tersebut adalah 1. Memilih proses (choosing the process) Pilihlah subyek dari permasalahan yang sedang dihadapi, kemudian identifikasi proses bisnisnya. Data Mart adalah bagian dari data warehouse yang membuat laporan dan melakukan analisis data pada satu unit / bagian serta operasi pada perusahaan. 2. Memilih detilnya (choosing the grain) Pada tahap ini ditentukan tabel fakta, serta dilakukan identifikasi dimensi dari sebuah tabel fakta. Tabel fakta adalah tabel yang mengandung angka dan data history di mana key yang dihasilkan sangat unik karena merupakan kumpulan foreign key dari primary key yang ada pada masing-masing tabel dimensi yang berhubungan. Sedangkan tabel dimensi adalah tabel yang berisi kategori dengan ringkasan data detail
25 yang dapat dilaporkan, seperti laporan keuntungan pada tabel fakta sebagai / berdasarkan dimensi waktu (per bulan, per kuartal, atau per tahun). 3. Mengidentifikasikan dan menyesuaikan dimensi dimensi (identifying and conforming the dimensions) Identifikasi dimensi dalam detail yang secukupnya untuk mendeskripsikan sesuatu. Ketika suatu tabel dimensi ada pada dua atau lebih data mart, maka tabel dimensi tersebut harus mempunyai dimensi yang sama atau salah satu merupakan subset dari yang lainnya. Apabila suatu tabel dimensi digunakan oleh lebih dari satu data mart, maka dimensinya harus disesuaikan. 4. Memilih fakta (choosing the fact) Tentukan fakta-fakta dari tabel fakta yang akan digunakan pada data mart. Fakta-fakta tersebut harus numerik dan dapat ditambah. 5.Menyimpan perhitungan awal dalam sebuah tabel fakta (storing pre calculations in the fact table) Setelah fakta-fakta dipilih maka dilakukan pengkajian ulang untuk menentukan apakah terdapat fakta-fakta yang dapat dikalkulasi, lalu dilakukan penyimpanan pada tabel fakta. 6. Mengumpulkan tabel tabel dimensi (rounding out the dimension tables) Pada tahap ini, kita kembali berfokus pada tabel dimensi dan menambahkan keterangan-keterangan yang memungkinkan ke tabel dimensi sehingga dapat mudah dimengerti oleh user.. 7. Memilih durasi dari database (choosing the duration of the database)
26 Pada tahap ini, ditentukan waktu dari pembatasan data yang diambil dan dipindahkan ke dalam tabel fakta. Seperti data perusahaan 3 tahun lalu atau lebih yang diambil dan dimasukkan ke dalam tabel fakta. 8. Menelusuri secara perlahan dimensi dimensi yang mengalami perubahan (tracking slowly the changing dimension) Amati perubahan dari dimensi-dimensi pada tabel dimensi. Ada 3 tipe dasar dari perubahan dimensi, antara lain a. Perubahan atribut dimensi ditulis ulang (over-write). 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. Menentukan prioritas Query dan model Query (deciding the query priority and the query modes) Pertimbangkan pengaruh dari perancangan fisikal, seperti keberadaan dari ringkasan (summaries) dan penjumlahan (aggregate). Selain itu, masalah administrasi, backup, kinerja indeks, serta keamanan juga merupakan faktor-faktor yang harus diperhatikan. 2.2 Perancangan Data Warehouse dengan Skema Bintang Star schema (skema bintang) (Poe, 1996, p33) adalah sebuah desain database yang digunakan untuk mendukung proses analisis dan memiliki sekumpulan tabel
27 yang telah berada dalam bentuk normalisasi. Rancangan skema bintang adalah sebuah struktur sederhana yang terdiri dari beberapa tabel yang relatif sedikit dimana hubungan antar tabelnya tergambar dengan jelas. Perancangan database ini dibandingkan dengan struktur normalisasi yang digunakan untuk database proses transaksi, menghasilkan respon waktu query yang lebih cepat. Skema yang sederhana ini mudah dipahami oleh sistem analis dan end-user walaupun tidak terbiasa dengan struktur database. 2.2.1 Keuntungan Menggunakan Skema Bintang Skema bintang memberikan keuntungan yang tidak terdapat pada struktur relasional biasa. Skema bintang menjadi standar perancangan database karena memiliki keuntungan sebagai berikut Dapat membuat perancangan database dengan respon waktu yang cepat. Dapat menyediakan suatu rancangan yang dapat dimodifikasi dengan mudah atau dapat ditingkatkan dengan pengembangan yang berkesinambungan dan sesuai dengan perkembangan data warehouse. Dapat menyederhanakan pemahaman dan penelusuran metadata bagi end-user. Paralel dalam perancangan database, bagaimana end-user dapat menyesuaikan cara berpikir dan menggunakan data.
28 2.2.2 Perancangan Skema Bintang Sebuah skema bintang terdiri dari 2 jenis tabel (Poe, 1996, p121-122) yaitu tabel fakta dan tabel dimensi. Tabel fakta terdiri dari data kuantitatif atau data fakta mengenai bisnis, serta informasi yang akan di-query. Informasi sering berupa pengumpulan numerik dan terdiri dari banyak kolom dan jutaan baris, sedangkan tabel dimensi lebih kecil dan menunjang data deskriptif yang mencerminkan dimensi dari baris. Query SQL kemudian digunakan untuk pendefinisian awal dan digunakan sebagai jalur penghubung antara tabel fakta dan dimensi, dengan batasan pada data untuk mengembalikan informasi yang terpilih. 2.2.3 Skema Bintang Sederhana Pada skema bintang sederhana, setiap tabel harus mempunyai primary key yang terdiri atas satu kolom atau lebih. Primary key dari tabel fakta terdiri dari satu atau lebih foreign key. Foreign key merupakan kolom pada suatu tabel yang nilainya didefinisikan oleh primary key yang ada pada tabel lain. Hubungan antara tabel fakta dan tabel dimensi dapat dilihat pada gambar 2.8 dimana terdapat suatu tabel fakta dan 3 tabel dimensi. Terlihat bahwa tabel fakta memiliki primary key yang terdiri dari 3 foreign key, yaitu key_1, key _2, key _3 yang masing-masing merupakan primary key pada tabel dimensi. Terjadi hubungan many- to- one foreign key pada tabel fakta dengan primary key pada tabel dimensi.
29 Tabel dimensi Key_1 Tabel fakta Key_1 Key_2 Key_3 Kolom data Kolom data Tabel dimensi Key_3 Tabel dimensi Key_2 Gambar 2.8 Skema Bintang Sederhana 2.2.4 Skema Bintang dengan Beberapa Tabel Fakta Skema bintang juga dapat terdiri dari beberapa tabel fakta. Hal ini terjadi karena pada tabel fakta berisi kenyataan yang tidak saling berhubungan atau dikarenakan perbedaan waktu pembuatan data. Skema bintang juga dapat meningkatkan penampilan terutama jika data tersebut berada dalam jumlah banyak. Skema bintang dengan banyak tabel fakta terlihat seperti pada gambar 2.9 dibawah ini
30 Tabel dimensi Key_1 Tabel dimensi Tabel fakta Key_1 Key_2 Key_3 Kolom data Kolom data Key_2 Tabel fakta Key_1 Key_2 Key_3 Kolom data Kolom data Tabel dimensi Key_3 Gambar 2.9 Skema Bintang dengan Beberapa Tabel Fakta 2.2.5 Skema Bintang Majemuk Dalam skema bintang sederhana, primary key dalam tabel fakta dibentuk oleh rangkaian kolom foreign key. Dalam berbagai aplikasi, rangkaian foreign key tidak menyediakan indentifikasi yang unik untuk setiap barisnya dalam tabel fakta.
31 Pada skema bintang majemuk, tabel fakta mempunyai sekumpulan foreign key yang menunjuk pada tabel dimensi dan sebuah primary key yang terdiri dari satu atau lebih kolom yang menyediakan identifikasi unik bagi setiap barisnya. Perbedaan antara skema bintang majemuk dengan skema bintang sederhana adalah primary key tidak sama dalam skema bintang majemuk. Tabel dimensi PKey_1 Tabel fakta FKey_1 FKey_2 FKey_3 Key_1 Key_2 Tabel dimensi PKey_2 Tabel dimensi PKey_3 Gambar 2.10 Skema Bintang Majemuk Pada gambar 2.10 terlihat bahwa dalam tabel fakta terdapat fkey 1, 2, 3 sebagai foreign key, masing-masing juga merupakan primary key pada tabel
32 dimensi. Tidak seperti pada skema bintang sederhana kolom-kolom ini tidak membentuk primary key pada tabel fakta, sebaliknya kolom key_1 dan key_2 tidak menunjuk tabel dimensi manapun dan fkey_1 adalah rangkaian pembentukan primary key, primary key dapat terdiri dari beberapaa kombinasi dari foreign key dan kolom lainnya dalam skema bintang majemuk. Kolom yang bukan merupakan kunci pada tabel dimensi disebut sebagai atribut. Tampilan data harus memungkinkan user untuk menganalisis data dalam berbagai tingkat untuk memperoleh jawaban yang diinginkan. Tampilan data dari tingkat yang lebih tinggi ke tingkat dibawahnya agar dapat memperoleh data yang lebih detail disebut drilling down, sebaliknya tampilan dari tingkat yang lebih rendah ke yang lebih tinggi disebut rolling up. 2.2.6 Skema Snowflake Skema snowflake merupakan variasi dari skema bintang dimana struktur tabel dimensinya berada dalam bentuk normalisasi ke 3, sedangkan struktur tabel fakta tetap. Alasan utama digunakannya skema snowflake menurut Poe (1996, p128) adalah Berkembangnya advanced decision support yang mendukung struktur snowflake. Banyaknya departeman MIS yang lebih menyukai struktur normalisasi bentuk ke 3.
33 Outboard table adalah tabel dimensi yang memiliki foreign key yang mengacu pada primary key yang terdapat pada tabel dimensi lain, terlihat pada gambar 2.11 dibawah ini. Tabel waktu Kode_waktu Tanggal Bulan Tahun Tabel penjualan Kode_waktu Kode_produk Kode_wilayah Jumlah Harga Diskon B_Kirim Total_jual Tabel wilayah Kode_wilayah Nama_wilayah Propinsi Tabel produk Kode_produk Kode_group Kode_tipe Nama_produk Satuan Gambar 2.11 Skema Bintang dengan Outboard Table Pada gambar 2.12 berikut ini akan menunjukan hasil pembentukan skema snowflake dari skema bintang dengan outboard table pada gambar 2.11 diatas.
34 Tabel bulan Bulan Tabel tahun Tahun Tabel waktu Kode_waktu Tanggal Bulan Tahun Tabel penjualan Kode_waktu Kode_produk Kode_wilayah Jumlah Harga Diskon B_Kirim Total_jual Tabel wilayah Kode_wilayah Nama_wilayah Propinsi Tabel group Kode_group Nama_group Tabel produk Kode_produk Kode_group Kode_group Kode_tipe Tabel tipe Kode_tipe Nama_produk Satuan Tabel satuan Satuan Nama_tipe Gambar 2.12 Skema Snowflake Kelemahan penggunaan skema snowflake adalah bila terdapat percabangan dalam tabel dimensi, misalnya untuk tabel pelanggan yang terdiri dari 300 orang, adalah tidak efektif untuk membuat tabel terpisah sebanyak jumlah tabel pelanggan tersebut.
35 2.3 Pengertian OLTP OLTP (Online Transaction Processing) menggambarkan kebutuhan sistem dalam ruang lingkup operasional dan merupakan proses yang mendukung operasi bisnis sehari-hari. OLTP dirancang untuk memungkinkan terjadinya pengaksesan secara bersamaan oleh beberapa user terhadap sumber data yang sama dan mengatur proses yang diperlukan. (Veiera, Professional SQL Server 7.0 Programming, 1999, p680). Sesuai dengan namanya OLTP mengijinkan transaksi untuk mengakses langsung ke database. Transaksi yang dilakukan termasuk operasi insert, update, dan delete. Database OLTP biasanya bersifat relasional dan dalam bentuk normal ketiga. Dan yang terpenting, database OLTP dibangun untuk mampu menangani banyak transaksi dengan performa yang tinggi. (Veiera, Professional SQL Server 7.0 Programming, 1999, p680) 2.3.1 Data Warehouse Versus OLTP Database yang disediakan pada lingkungan data warehouse berbeda dengan database pada lingkungan operasional yang mendukung OLTP (Online Transaction Processing). Perbedaan itu adalah bahwa database pada data warehouse adalah database analisis, sedangkan database pada lingkungan operasional yang mendukung OLTP adalah database operasional. OLTP dirancang untuk menangkap informasi dan memutakhirkan isi data dengan sangat cepat. Karakteristik OLTP (Poe, 1996, p119) - Rata-rata transaksi adalah tinggi
36 - Pemutakhiran data secara teratur setiap kali terjadi perubahan - Tidak terjadi redudansi perulangan untuk menjaga integritas data Tabel 2.1 Tabel Data Warehouse Versus OLTP Tabel OLTP Data Warehouse Tujuan Menjalankan operasi sehari-hari Mangambil dan menganalisa informasi Manajemen Database RDBMS RDBMS Metode pemodelan data Normalisasi Skema bintang / multidimensi Akses Kegunaan data SQL Digunakan untuk menjalankan kegiatan bisnis harian SQL ditambah dengan kemampuan menganalisa data Digunakan untuk menganalisa dan mengamati strategi bisnis 2.4 Denormalisasi Denormalisasi adalah mencatat data-data yang tidak bergantung pada kolom lain, meskipun pada akhirnya mengakibatkan banyak terjadi duplikasi data. Tujuannya adalah agar semua informasi yang diperlukan harus terkandung dalam tabel log itu sendiri dan tidak tergantung pada tabel lain. Denormalisasi adalah suatu proses yang mengubah bentuk denormalisasi dari database dengan cara penggabungan tabel dan merupakan sebuah proses yang secara sengaja dilakukan dengan melanggar peraaturan bentuk normal dari normalisasi dengan tujuan untuk meningkatkan kinerja pengaksesan data yang ada. Keuntungan melakukan proses denormalisasi adalah
37 1. Mengurangi jumlah relasi yang terjadi antar tabel-tabel yang harus mengalami proses pada waktu pencarian sehingga akan meningkatkan kecepatan proses query data. 2. Membuat struktur database agar lebih mudah untuk dimengerti menurut dimensi dari pemakai. Struktur tabel yang dibuat sesuai keinginan pemakai memungkinkan terjadinya akses langsung yang akan meningkatkan kinerja. Kelemahan melakukan denormalisasi adalah 1. Proses denormalisasi secara tidak langsung akan membuat redundasi data. 2. Proses denormalisasi memerlukan alokasi memory dan storage yang besar. 2.5 Definisi Pembelian, Persediaan, Pemasaran, dan Penjualan 2.5.1 Pembelian Pembelian adalah sesuatu usaha pengadaan barang barang/ jasa melalui pertukaran untuk digunakan sebagai bahan baku dalam proses produksi maupun dijual kembali. Dalam perusahaan jasa seperti rumah makan, kepuasan konsumen adalah hal yang paling utama, karena ini fungsi pembelian dituntut untuk mendapatkan barang barang yang berkualitas sesuai dengan kebutuhan pelanggan, karena itu menyangkut investasi dana perusahaan dalam persediaan, maka diperlukan suatu pengawasan yang baik terhadap pelaksanaan fungsi ini.
38 Menurut Assauri (1993, p163), pembelian adalah kemampuan perusahaan untuk mengadakan bahan-bahan dengan biaya rendah dan sesuai dengan tujuan yang ingin dicapai seperti kualitas, penyerahan, dan pelayanan atau servis yang diinginkan. Tanggung jawab pembelian adalah untuk mendapatkan kuantitas dan kualitas bahan-bahan yang tersedia pada waktu yang dibutuhkan dengan harga yang sesuai dengan harga pasar atau harga yang berlaku. Menurut Mulyadi (1993, p301), transaksi pembelian dapat digolongkan menjadi 2 yaitu 1. Pembeli lokal adalah pembelian dari pemasok dalam negri. 2. Pembeli import adalah pembelian dari pemasok luar negri. 2.5.2 Persediaan Persediaan berkaitan erat dengan penjualan, retur penjualan, pembelian, retur pembelian, dan akutansi biaya produksi. Persediaan di gudang selalu berubah-ubah dan dicatat dalam dalam sistem persediaan Metode pencatatan dibagi menjadi dua metode, yaitu metode mutasi persediaan (perpetual inventory method) dan metode persediaan fisik (physical inventory method). Dalam metode mutasi persediaan, setiap mutasi persediaan itu dicatat dalam kartu persediaan, sedangkan dalam metode persediaan fisik hanya tambahan persediaan dari pembelian saja yang dicatat dan mutasi, berkurangnya persediaan karena pemakaian tidak dicatat dalam kartu persediaan.
39 2.5.3 Pemasaran Pemasaran adalah suatu proses kegiatan uang dipengaruhi oleh berbagai faktor sosial, politik, ekonomi dan managerial. Akibat dari pengaruh berbagai faktor tersebut adalah masing masing individu maupun kelompok mendapatkan kebutuhan dan keinginan dengan menciptakan, menawarkan, dan menukarkan produk yang memiliki nilai komoditas. Terdapat 2 macam taktik pemasaran yaitu 1. Deferensiasi, yang berkaitan dengan cara membangun strategi pemasaran dalam berbagai aspek dalam perusahaan, kegiatan membangun strategi pemasaran inilah yang membedakan defirensiasi yang dilakukan suatu perusahaan untuk menghasilkan tanggapan yang diinginkan dalam pasar sasaran 2. Bauran pemasaran yaitu seperangkat strategi-strategi pemasaran produk, harga, promosi dan tempat yang dipadukan oleh perusahaan untuk menghasilkan tanggapan yang diingikan dalam pasar sasaran. 2.5.4 Penjualan Penjualan merupakan bagian penting dalam mewujudkan pencapaian keuntungan. Penjualan dapat ditingkatkan dengan 2 cara, yaitu 1. Price reduction, berdasarkan hukum permintaan pengurangan harga akan mempengaruhi tingkat permintaan terhadap produk, semakin rendah harga, semakin tinggi permintaan.
40 2. Non price competition, dengan cara melakukan beberapa strategi seperti, penjualan, promosi, diskon, dan kebijakan perusahaan lain.