Upload
bayu-samudra
View
355
Download
6
Embed Size (px)
Citation preview
BAB 2
LANDASAN TEORI
2.1 Teori-teori Umum
2.1.1 Data Warehouse
Menurut Connolly dan Begg (2005, p1047), data warehouse
adalah suatu kumpulan data yang bersifat subject-oriented, integrated,
time-variant, dan non-volatile dalam mendukung proses pengambilan
keputusan.
Menurut Laudon (2006, p233), Data warehouse adalah
databaseyang menyimpan data penting saat ini dan historis dari
kebutuhaninformasi untuk manajer dalam perusahaan.
Menurut Golfarelli (2009, p1), Data warehouse
merupakandatabase operasional yang menyimpan data detail, terintegrasi,
bersih,dan konsisten yang di ekstrak melalui data source dan diproses
secarabenar oleh ETL tool.
2.1.2 OLTP (Online Transaction Processing)
Menurut Connolly (2005, p1149), OLTP systems adalah sistem
yang dirancang untuk menangani high transaction, dengan transaksi yang
secara khusus membuat perubahan kecil terhadap data operasional
organisasi, yaitu data yang diperlukan organisasi untuk menangani day-
to-day operation.
9
10
2.1.3 Data Mart
Menurut Inmon (2005, p494), adalah struktur data yang terbagi-bagi
yang diperoleh dari data warehouse dimana data tersebut telah
didenormalisasi berdasarkan kebutuhan informasi manajemen.
Jadi, data mart merupakan suatu bagian dari data warehouse yang
dapat mendukung pembuatan laporan dan analis data pada suatu unit,
bagian atau operasi perusahaan.
Perbedaan antara data mart dan data warehouse adalah :
Data mart hanya berdokus pada kebutuhan user yang berkaitan
dengan suatu depatemen atau fungsi bisnis.
Data mart tidak mengandung data operasional secara detil,
tidak seperti data warehouse.
Data yang ada dalam data mart lebih sedikit dari pada yang
ada dalam data warehouse, data mart juga lebih mudah
dimengerti karena lebih sederhana.
2.1.4 Perbedaan OLTP dan Data Warehouse
Menurut Connolly dan Begg (2005, p1153), Perbedaan antara
sistem OLTP dan sistem data warehouse :
11
Tabel 2.1 Perbedaan sistem OLTP dengan sistem data warehouse
Sistem OLTP Sistem Datawarehouse
Menangani data-data yang sekarang Menangani data-data historis
Menyimpan data detilMenyimpan data detil, sedikit ringkas
dan sangat ringkas
Datanya dinamis Datanya statis
Pemrosesan berulang kaliPemrosesan Ad Hoc, tidak terstruktur
dan heuristic
High level of transaction throughputMedium to low level of transaction
troughput
Pola penggunaan yang dapat
diperkirakan
Pola penggunaan tidak dapat
diperkirakan
Transaction-driven Analysis-driven
Berorientasi pada aplikasi Berorientasi pada subyek
Mendukung pengambilan keputusan
sehari-hari
Mendukung pengambilan keputusan
strategis
Digunakan oleh banyak user
operasional
Digunakan oleh sejumlah kecil user
manajerial
2.1.5 Keuntungan Data Warehouse
Menurut Connolly dan Begg (2005, p1152), Data warehouse yang
telah diimplementasikan dengan baik dapat memberikan keuntungan yang
besar bagi organisasi, yaitu :
Potensi nilai kembali yang besar pada investasi
12
Sebuah organisasi harus mengeluarkan uang dan sumber daya
dalam jumlah yang cukup besar untuk memastikan kalau data warehouse
telah diimplementasikan dengan baik, biaya yang dikeluarkan tergantung
dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse
digunakan, maka kemungkinan didapatkannya ROI (Return
onInvestment) relatif lebih besar.
Keuntungan kompetitif
Keuntungan kompetitif didapatkan apabila pengambil keputusan
mengakses data yang dapat mengungkapkan informasi yang sebelumnya
tidak diketahui, tidak tersedia, misalnya informasi mengenai konsumen,
trend, dan permintaan.
Meningkatkan produktivitas para pengambil keputusan perusahaan
Data warehouse meningkatkan produktivitas para pengambil
keputusan perusahaan dengan menciptakan sebuah database yang
terintegrasi secara konsisten, berorientasi pada subjek, dan data historis.
Data warehouse mengintegrasikan data dari beberapa sistem yang tidak
compatible ke dalam bentuk yang menyediakan satu pandangan yang
konsisten dari organisasi. Dengan mengubah data menjadi informasi yang
berguna, maka seorang manajer bisnis dapat membuat analisa yang lebih
akurat dan konsisten.
2.1.6 Karakteristik Data Warehouse
13
Karakteristik data warehouse menurut Inmon (2005, p30-p33), yaitu :
1. Subject Oriented (Berorientasi subyek)
Data warehouse berorientasi subject artinya data warehouse
didesain untuk menganalisa data berdasarkan subject-subject
tertentudalam organisasi, bukan pada proses atau fungsi aplikasi tertentu.
Data warehouse diorganisasikan disekitar subject-subject utama
dari perusahaan (customers, products, dan sales) dan tidak
diorganisasikan pada area-area aplikasi utama (customer invoicing,
stockcontrol, dan product sales). Hal ini dikarenakan kebutuhan dari
datawarehouse untuk menyimpan data-data yang bersifat sebagai
penunjangsuatu keputusan daripada aplikasi yang berorientasi terhadap
data.
Jadi, dengan kata lain, data yang disimpan adalah berorientasi
kepada subject bukan terhadap proses. Secara garis besar perbedaan
antara data operasional dan data warehouse yaitu :
Gambar 2.1 Contohsubjectorientation atas data
2. Integrated (Terintegrasi)
14
Data warehouse dapat menyimpan data-data yang berasal dari
sumber-sumber yang terpisah ke dalam suatu format yang konsisten dan
saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa
dipecah-pecah karena data yang ada merupakan suatu kesatuan yang
menunjang keseluruhan konsep data warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara
sepeti konsisten dalam penamaan variabel, konsisten dalam ukuran
variabel, konsisten dalam struktur pengkodean dan konsisten dalam
atribut fisik dari data.
Contoh pada lingkungan operasional terdapat berbagai macam
aplikasi yang mungkin pula dibuat oleh developer yang berbeda. Oleh
karena itu, mungkin dalam aplikasi-aplikasi tersebut ada variabel yang
memiliki tujuan yang sama, tetapi nama dan formatnya berbeda. Variabel
tersebut harus dikonversi menjadi nama yang sama dan format yang
disepakati bersama. Dengan demikian tidak ada lagi kerancuan karena
perbedaan nama, format dan lain sebagainya. Barulah data tersebut bisa
dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.
15
Gambar 2.2 Contohintegration
3. Non-Volatile (Tidak mudah berubah)
Karakteristik keempat dari data warehouse adalah non-volatile,
maksudnya data pada data warehouse tidak di-update secara real time
tetapi di refresh dari sistem operasional secara reguler.
Berbeda dengan database operasional yang dapat melakukan
update, insert dan delete terhadap data yang mengubah isi dari database
sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi
data yaitu loading data (mengambil data) dan akses data (mengakses
datawarehouse seperti melakukan query atau menampilkan laporan yang
dibutuhkan, tidak ada kegiatan updating data).
16
Gambar 2.3 Contohnon-volativity
4. Time Variant (Variansi waktu)
Seluruh data pada data warehouse dapat dikatakan akurat atau
valid pada rentang waktu tertentu. Untuk melihat interval waktu yang
digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat
menggunakan cara antara lain :
Cara yang paling sederhana adalah menyajikan data warehouse pada
rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.
Cara yang kedua, dengan menggunakan variasi atau perbedaan waktu
yang disajikan dalam data warehouse baik implicit maupun explicit.
Secara explicit dengan unsur waktu dalam hari, minggu, bulan, dan
sebagainya. Secara implicit misalnya pada saat data tersebut
diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu
akan tetap ada secara implicit di dalam data tersebut.
Cara yang ketiga, variasi waktu yang disajikan data warehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan
dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan
data yang ada bersifat read-only.
17
Gambar 2.4 Time variance
2.1.7 Arsitektur Data Warehouse
Arsitektur data warehouse menurut Conolly dan Begg (2005,
p1156-1160), adalah sebagai berikut :
Gambar 2.5 Arsitektur data warehouse
18
a. Operational Data Source
Sumber data dari data warehouse dapat diambil langsung dari :
Mainframe data operasional yang terdiri menangani generasi pertama
secara hirarkis dan database jaringan.
Data masing-masing departemen yang disimpan dalam system
filekepemilikan seperti VSAM, RMS, dan relational DBMSseperti
Informix dan Oracle.
Data internal yang tersimpan di dalam workstation dan server pribadi.
Sistem eksternal seperti internet, database komersial, atau database
yang berhubungan dengan supplier dan customer.
b. Operational Data Store
Suatu operational data store adalah suatu media penyimpanan dan
pengintegrasian data operasional yang digunakan untuk analisis. ODS
menyediakan data dengan cara yang sama seperti data warehouse, tetapi
sesungguhnya bertindak secara sederhana sebagai tempat penampungan
sementara data dipindahkan ke warehouse.
Membangun ODS dapat membantu dalam pembuatan data
warehouse sebab suatu ODS dapat menyediakan data yang telah di-
extract dan di-cleansing dari sistem sumber. Ini berarti bahwa proses
integrasi dan restrukturisasi data untuk data warehouse menjadi lebih
sederhana.
19
c. Load manager
Load manager melaksanakan semua operasi yang berhubungan
dengan pengambilan dan load data ke dalam data warehouse. Data di-
extract secara langsung dari sumber data atau dari penyimpanan data
operasional. Operasi yang dilakukan oleh load manager dapat meliputi
perubahan bentuk yang sederhana untuk mempersiapkan data tersebut
agar dapat dimasukkan ke dalam warehouse.
d. Warehouse Manager
Warehouse manager melakukan seluruh operasi-operasi yang
berhubungan dengan kegiatan manajemen data di dalam
warehouse.Operasi-operasi tersebut meliputi :
Analisis terhadap data untuk memastikan konsistensi.
Transformasi dan penggabungan sumber data dari tempat
penyimpanan sementara menjadi tabel-tabel data warehouse.
Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar.
Melakukan denormalisasi dan agregasi jika diperlukan.
Backing-Up dan mengarsipkan data.
e. Query Manager
Query manager melaksanakan semua operasi yang berhubungan
dengan manajemen user query. Komponen ini secara khusus dibangun
menggunakan peralatan akses data enduser, peralatan pengontrol data
warehouse, fasilitas database, dan pembangunan program. Operasi yang
dilakukan komponen ini meliputi pengarahan query pada tabel yang
sesuai dan penjadwalan pelaksanaan query.
20
f. Detailed Data
Area ini menyimpan semua data yang terperinci di dalam skema
database. Dalam banyak kasus data yang terperinci tidaklah disimpan
secara online tetapi tetap disediakan melalui agregasi data pada tingkatan
detail berikutnya. Bagaimana pun, secara reguler, data yang terperinci
ditambahkan untuk melengkapi data yang dibutuhkan.
g. Lightly and Highly Summarized Data
Area ini menyimpan semua data lightly dan highly summarized
yang dihasilkan oleh warehouse manager. Area ini adalah tempat
penampungan sementara sebelum dilakukan perubahan secara
berkelanjutan untuk merespon perubahan profil query.Tujuan dari
ringkasan ini adalah untuk mempercepat pencapaian query.Data
ringkasan diperbaharui secara terusmenerus ketika ada data baru yang
terisi ke dalam warehouse.
h. Archive or Backup Data
Area ini meyimpan semua detail dan ringkasan data untuk
kepentingan archiving dan backup. Walaupun ringkasan data dibangun
dari detil data, akan memungkinkan untuk membuat cadangan ringkasan
data secara online jika data ini ditunjukkan melebihi penyimpanan waktu
untuk detil data. Data ditransfer kegudang atau penyimpanan seperti
magnetic tape atau optical disk.
21
i. Metadata
Area ini menyimpan semua definisi metadata yang digunakan
oleh semua proses di dalam warehouse. Metadata digunakan untuk
berbagai tujuan termasuk:
Proses extract dan loading - metadata digunakan untuk memetakan
sumber data ke dalam pandangan umum sebagai warehouse.
Proses manajemen warehouse - metadata digunakan untuk meng-
otomatisasi pembuatan tabel ringkasan.
Sebagai bagian proses manajemen query - metadata digunakan untuk
menghubungkan suatu query dengan sumber yang tepat.
j. End-user Access Tools
Prinsip atau tujuan utama dari dibangunnya data warehouse
adalah untuk menyediakan informasi bisnis kepadauser-user untuk dapat
melakukan pengambilan keputusan secaracepat dan tepat. User ini
berinteraksi dengan warehouse melaluiend-user access tools. Data
warehouse harus secara efisienmendukung secara khusus kebutuhan user
serta secara rutin melakukan analisis.
Berdasarkan kategori yang dikemukakan oleh Berson dan Smith
terdapat lima grup utama dari tools tersebut, antara lain :
1. Sebagai alat untuk laporan dan query.
2. Perangkat pengembangan aplikasi.
3. Perangkat Executive Infornation System (EIS).
4. Perangkat Online Analytical Processing.
5. Perangkat data mining.
22
2.1.8 Data Warehouse Data Flows
Menurut Connolly dan Begg (2005, p1162), Data warehouse
fokus pada manajemen lima arus data primer yaitu :
1. Inflow adalah proses yang berhubungan dengan pengekstrakan
(extraction), pembersihan (cleansing), dan pemuatan (loading) data
dari sumber data ke dalam data warehouse.
2. Upflow adalah proses yang berhubungan dengan penambahan nilai ke
dalam data di dalam data warehouse melalui peringkasan, pemadatan,
dan pendistribusian data.
3. Downflow adalah proses mengarsip dan membuat back-up data dalam
data warehouse.
4. Outflow adalah proses membuat data agar tersedia bagi end-user.
5. Metaflow adalah proses yang berhubungan dengan manajemen
metadata.
2.1.9 Metodologi Perancangan Data Warehouse
Terdapat 9 metodologi dalam perancangan data warehouse
menurut Kimball (1996) yang dikutip oleh Connolly dan Begg
(2005,p1187) yang dikenal dengan nine-step methodology yaitu :
1. Memilih Proses (Choossing the Process)
Proses (fungsi) merujuk pada subyek masalah dari data mart
tertentu.Data mart yang akan dibangun harus sesuai anggaran dandapat
menjawab masalah-masalah bisnis yang penting.
23
2. Memilih Grain (Choosing the Grain)
Memilih grain berarti menentukan hal yang sebenarnya
dihadirkan oleh tabel fakta, dimensi-dimensi untuk setiap tabel fakta
dapat diidentifikasi.
3. Identifikasi dan membuat dimensi yang sesuai (Identifying and
Conforming the Dimensions)
Mengidentifikasi dimensi disertai deskripsi detil yang secukupnya.
Ketika tabel dimensi berada pada dua atau lebih datamart, maka tabel
dimensi tersebut harus mempunyai dimensi yang sama atau salah satu
merupakan subset dari yang lainnya. Jika suatu tabel dimensi digunakan
oleh lebih dari satu data mart, maka dimensinya harus disesuaikan.
4. Memilih Fakta (Choosing the Fact)
Memilih fakta yang akan digunakan dalam data mart. Semuafakta
harus ditampilkan pada tingkat 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.
24
6. Melengkapi Tabel Dimensi (Rounding Out the Dimensions Table)
Menambahkan sebanyak mungkin deskripsi teks pada
tabeldimensi.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
akandipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua
tahun lalu atau lebih diambil dan dimasukkan dalam tabel fakta.
8. Melacak Perubahan dari Dimensi Secara Perlahan (Tracking
Slowly Changing Dimensions)
Perubahan dimensi yang lambat menjadi sebuah masalah. Ada 3
tipe dasar dari perubahan dimensi yang lambat, yakni:
a. Perubahan atribut dimensi yang ditulis (overwrite).
b. Perubahan atribut dimensi yang mengakibatkan pembuatan suatu
record dimensi baru.
c. Perubahan atribut dimensi yang mengakibatkan sebuah alternative
dibuat, sehingga kedua atribut tersebut yakni atribut yang lama dan
yang baru dapat diakses secara bersamaan dalam sebuah dimensi yang
sama.
25
9. Memutuskan Pioritas dan Cara Query (Deciding the Query
Priorities and the Query Modes)
Mempertimbangkan pengaruh dari perancangan fiskal yang
akanmempengaruhi persepsi user terhadap data mart. Selain itu,
perancangan fiskal akan mempengaruhi masalah administrasi, backup,
kinerja, pengindeksan, dan keamanan.
2.1.10 Extract, Transform, Loading (ETL)
Menurut Dyche (2000, p157) ada tiga proses pemindahan data dari
lingkungan operasional ke data warehouse, yaitu :
1. Extraction
Menurut Kimball dan Ross (2002, p8), extraction adalah langkah
pertama dalam proses mendapatkan data ke dalam lingkungan data
warehouse.
Menurut Dyche (2000, p157), data ditemukan dan dipindahkan
dari sistem operasional ke data warehouse atau platform transformasi.
2. Transformation
Menurut Kimball dan Ross (2002, p8), setelah data di-extract, ada
sejumlah transformation yang mungkin dilakukan, seperti melakukan
cleansing data (memperbaiki kesalahan pengejaan kata, mengatasi
masalah elemen yang hilang, atau mengubah ke bentuk standar),
mengkombinasikan data dari berbagai sumber, dan memberikan
warehousekeys.
26
3. Loading
Menurut Kimball dan Ross (2002, p8), setelah melakukan
transformasi, maka data dapat dimuat ke dalam data warehouse.
Menurut Tod Saunders (2009, p19), Dalam data warehouse, salah
satu bagian terbesar dalam pengembangan adalah proses ETL
(extract,transform dan loading) yang berarti mengambil data dari titik A
(sourcesystem), kemudian mentransformasi data (contohnya mengubah
euro menjadi US dollar) dan loading ke titik B (tabel yang benar dalam
datawarehouse).
2.1.11 Konsep Pemodelan Data Warehouse
a. Model Dimensional
Menurut Kimball (2002, p16), Dimensional modeling adalah suatu
metode desain yang merupakan peningkatan darimodel relasional biasa
dan teknik rekayasa realitas data teks danangka.
Menurut Kimball (2002, p18), Dalam membuat desain
dimensional digunakan 4 langkah :
1. Menentukan sumber data.
2. Mendeklarasi grain dari tabel fakta.
3. Masukkan dimensi untuk semua yang diketahui mengenai grain ini.
4. Masukkan fakta ukuran numerik sebenarnya ke grain tersebut.
27
b. Tabel Fakta dan Tabel Dimensi
Menurut Kimball (2008, p10), Tabel fakta merupakan fondasi dari
data warehouse. Tabel fakta mengandung ukuran fundamental dari
perusahaan, dan ia merupakan target utama dari kebanyakan query data
warehouse.
Menurut Connolly dan Begg (2005, p1183), Tabel fakta
merupakan sebuah tabel yang memiliki sebuah compositeprimary key
dimana tabel tersebut akan membentuk sebuah model dimensional.
Menurut Connolly dan Begg (2005, p1183), Tabel dimensi
merupakan sekumpulan dari tabel-tabel yang lebih kecil yang memiliki
sebuah primary key sederhana yang merespon secara benar terhadap salah
satu komponen dari composite key yang ada dari tabel fakta.
c. Skema Bintang (Star Schema)
Menurut Connolly dan Begg (2005, p1183), Skema bintang
merupakan sebuah struktur logikal yang memiliki sebuah tabel fakta yang
terdiri dari data faktual di pusatnya, yang dikelilingi oleh tabel dimensi
yang terdiri data referensi (dimana dapat didenormalisasi).
Menurut Ponniah (2001, p210), Star schema adalah teknik dasar
desain data untuk data warehouse. Struktur star schema adalah suatu
struktur yang dapat dengan mudah dipahami dan digunakan oleh user.
Struktur tersebut mencerminkan bagaimana user biasanya
memandang ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang
ada.
28
Menurut Hoffer et al (2005, p467), Star schema terdiri dari dua
macam tabel, yaitu tabel fakta (fact table) dan tabel dimensi (dimension
table). Tabel fakta mengandung fakta atau data kuantitatif mengenai
sebuah bisnis seperti jumlah unit terjual, jumlah order, dan
sebagainya.Tabel dimensi berisi data deskriptif mengenai subjek bisnis.
Tabel dimensi biasanya adalah sebagai sumber attribute yang digunakan
untuk mengkualikasi, mengkategorikan, atau meringkas fakta dalam
query, report, atau grafik.
Gambar 2.6 Contoh star schema
Keuntungan star schema:
1. Mudah dipahami user
Star schema menggambarkan dengan jelas bagaimana user
berpikir dan memerlukan data untuk query dan analisis. Star schema
menggambarkan hubungan antar tabel sama seperti cara user melihat
hubungan tersebut secara normal.
29
2. Mengoptimalkan navigasi
Star schema mengoptimalisasikan navigasi melalui database
sehingga lebih mudah dilihat. Meskipun hasil query terlihat kompleks,
tetapi navigasi itu memudahkan user.
3. Paling cocok untuk pemrosesan query
Star schema paling cocok untuk pemrosesan query karena skema
ini berpusat pada query. Tanpa bergantung pada banyak dimensi dan
kompleksitas query, setiap query akan dengan mudah dijalankan, pertama
dengan memilih baris dari tabel dimensi dan kemudian menemukan baris
yang sama di tabel fakta.
d. Skema Snowflake (Snowflake Schema)
Menurut Ponniah (2001, p235), Snowflake schema merupakan
variasi lain dari skema bintang dimana tabel dimensidari skema bintang
dinormalisasi, seperti yang digambarkanpada gambar 2.12. Prinsip dasar
dari skema ini tidak jauhberbeda dari star schema.Dalam menormalisasi
tabel dimensi,ada beberapa pilihan yang dapat diperhatikan, antara lain :
1. Secara parsial, lakukan normalisasi hanya beberapa tabel dimensi saja,
dan sisakan yang lain tetap utuh.
2. Secara lengkap atau parsial, lakukan normalisasi hanya pada beberapa
tabel dimensi, dan tinggalkan yang tersisa dengan utuh.
3. Secara parsial, lakukan normalisasi pada setiap tabel dimensi.
4. Secara lengkap, lakukan normalisasi pada setiap tabel dimensi.
30
Menurut Connolly dan Begg (2005, p1184), Skema snowflake
merupakan sebuah variasi dari skema bintang dimana tabel dimensi tidak
mengandung data denormalisasi.Tabel dimensi diperbolehkan memiliki
tabel dimensi lainnya.
Keuntungan snowflake schema:
a. Ukuran penyimpanan kecil di dalam tempat penyimpanan.
b. Struktur yang normal lebih mudah untuk di-update dan dijaga.
Kerugian snowflake schema:
a. Skemanya kurang intuitif atau jelas dan end-user terhambat oleh
kompleksitas.
b. Sulit untuk mencari isi skema karena terlalu kompleks.
c. Performa query menurun karena adanya tambahan gabungan tabel.
Gambar 2.7 Contoh snowflake schema
31
e. Skema Starflake (Starflake Schema)
Menurut Connolly dan Begg (2005, p1185), Skema starflake
merupakan sebuah struktur gabungan yang terdiri dari sebuah skema
bintang gabungan dan sebuah skema snowflake.
Gambar 2.7 Contoh starflake schema
2.1.12 Balanced Scorecard
Menurut Mulyadi (2001:1) menyatakan bahwa “Balance
Scorecard” berasal dari dua kata, yaitu kartu skor dan berimbang. Kartu
skor adalah kartu yang digunakan untuk mencatat skor hasil kinerja
seseorang. Kartu skor juga dapat digunakan untuk merencanakan skor
yang hendak diwujudkan untuk personel di masa depan. Kata berimbang
dimaksudkan untuk mewujudkan bahwa kinerja personel diukur secara
berimbang dari dua aspek yaitu keuangan dan ekstern.