Upload
trinhlien
View
222
Download
0
Embed Size (px)
Citation preview
7
BAB 2
LANDASAN TEORI
2.1 Teori Umum
2.1.1 Data dan Informasi
Menurut Inmon (2005, p493) data adalah rekaman fakta, konsep, atau
instruksi pada media penyimpanan untuk komunikasi, pengambilan, dan
pengolahan dengan cara otomatis dan presentasi sebagai informasi yang
dimengerti oleh manusia.
Menurut Laudon (2006, p13), data adalah kumpulan fakta yang masih
mentah yang merepresentasikan peristiwa-peristiwa yang terjadi dalam organisas i
atau lingkungan fisikal, sebelum diorganisir dan dimodifikasi menjadi bentuk yang
dapat dimengerti dan digunakan oleh manusia.
Menurut Inmon (2005, p498), Informasi adalah data yang diasimilasi dan
dievaluasi oleh manusia untuk memecahkan masalah atau untuk membuat
keputusan. Sehingga dapat disimpulkan, data adalah fakta-fakta yang berisi
kejadian, tempat dan subyek yang dapat diolah kembali untuk dimengerti oleh
manusia. Sedangkan informasi adalah data yang telah diolah sedemikian rupa
sehingga menjadi dapat berguna bagi manusia untuk memecahkan suatu masalah.
2.1.2 Database
Menurut Connoly (2005, p14), database adalah suatu kumpulan data yang
terhubung secara logikal, dan deskripsi dari data-data tersebut, yang dirancan g
untuk memenuhi kebutuhan informasi dari sebuah organisasi. Database bersifat
tunggal, yang merupakan tempat penyimpanan data dalam jumlah yang besar
8
dimana dapat digunakan secara bersama-sama oleh banyak departemen dan
pengguna.
Menurut Inmon (2005, p493), database adalah sekumpulan penyimpanan
data yang berhubungan (sering dengan pengontrolan, redudansi yang terbatas)
yang berdasarkan pada suatu skema.
Berdasarkan definisi diatas, dapat disimpulkan bahwa database merupakan
suatu kumpulan data yang saling berhubungan dan terintegrasi, yang dirancan g
untuk kebutuhan informasi perusahaan.
2.1.3 Database Management System
Menurut Connoly dan Begg (2005, p16), DBMS adalah sebuah sistem
perangkat lunak yang memperbolehkan pengguna untuk mendefinisikan,
membuat, dan memelihara serta mengontrol akses ke database.
Menurut Ramakrishnan dan Gehrke (2003, p4), DBMS adalah perangkat
lunak yang dirancang untuk membantu dalam mempertahankan dan memanfaatkan
koleksi data yang besar. Kebutuhan akan penggunaan untuk sistem tersebut sedang
berkembang pesat.
2.1.3.1 Kelebihan DBMS (Database Management System)
Menurut Connolly dan Begg (2005, p26), DBMS memberikan
banyak kegunaan yaitu :
a. Kontrol redudansi data
b. Kemandirian data atau kekonsistensian data
c. Lebih banyak informasi dari sejumlah data yang sama
d. Penggunaan data yang bersamaan (sharing)
9
e. Meningkatkan integritas data
f. Meningkatkan keamanan
g. Menghemat biaya dalam penanganan data
h. Menyeimbangkan permasalahan kebutuhan pengguna
i. Meningkatkan pengaksesan dan respon data
j. Meningkatkan produktivitas
k. Memudahkan pemeliharaan dengan data yang bebas(independence)
l. Memberikan layanan untuk back-up dan recovery data
2.1.3.2 Kekurangan DBMS (Database Management System)
Sedangkan kekurangan penggunaan DBMS menurut Connolly dan
Begg (2005, p29), yaitu :
a. Kompleks
b. Membutuhkan disk space yang besar dan juga memori yang cukup
besar untuk menjalankan DBMS
c. Biaya yang mahal untuk pembelian DBMS
d. Membutuhkan tambahan biaya untuk perangkat keras
e. Membutuhkan biaya untuk peralihan
f. Peforma kecepatan yang menurun dibanding file-based
g. Besarnya dampak jika terjadi kegagalan / failure
2.1.4 OLTP
Menurut Inmon (2005, p500) OLTP adalah lingkungan pemrosesan
transaksi tingkat tinggi. OLTP (On-Line Transaction Processing) menggambarkan
10
kebutuhan sistem dalam ruang lingkup operasional dan merupakan proses yang
mendukung operasi bisnis sehari-hari.
OLTP dibentuk untuk memungkinkan adanya pengaksesan secara
bersamaan oleh beberapa pengguna terhadap suatu sumber data dan mengatur
proses yang diperlukan. Sesuai dengan namanya, OLTP menyediakan transaksi
untuk mengakses langsung database. Transaksi yang dilakukan termasuk proses
insert, update, dan delete. Dababase OLTP biasanya bersifat relasional dan dalam
bentuk normalisasi tahap ketiga, serta yang terpenting database OLTP dirancan g
untuk mampu melakukan banyak transaksi dengan performa tingkat tinggi.
Jadi dapat disimpulkan, bahwa OLTP memungkinkan banyak pengguna
untuk mengakses secara bersamaan terhadap sumber database yang sama, dimana
datanya bersifat relational dan sudah ternomalisasi.
2.1.5 OLAP
Menurut Connolly dan Begg (2005, p1205), OLAP (Online Analytical
Processing) adalah pembuatan, analisis, dan konsolidasi yang dinamis dari data
multidimensi yang berukuran besar.
Menurut Inmon (2005, p178), multidimensional DBMS (OLAP) adalah
sebuah teknologi, dimana data warehouse adalah sebuah arsitektur
infrastrukturnya, dan adanya sebuah relasi yang simbiotik antara keduanya. Dalam
kasus normal, data warehouse menyediakan sebuah fondasi untuk data yang akan
masuk ke dalam OLAP. Data yang dimasukan ke dalam OLAP bersifat ringkasan
atau hasil agregasi.
11
Menurut Turban et al (2005, p76), OLAP menggambarkan suatu proses
analisis dari data segera setelah terjadi transaksi. Kelebihan OLAP adalah
kemampuannya untuk menciptakan struktur bisnis seperti wilayah penjualan,
kategori produk, kalender fiskal, dan sebagainya. OLAP juga menggabungkan
struktur tersebut dengan cara tertentu sehingga pengguna dapat dengan cepat
menjawab pertanyaan-pertanyaan bisnis yang ada.
Maka dapat disimpulkan bahwa OLAP adalah sebuah teknologi dengan
perpaduan dan pemrosesan analitis data multidimensi untuk membantu pengguna
menjawab pertanyaan-pertanyaan bisnis.
2.1.6 Data Warehouse
2.1.6.1 Pengertian Data Warehouse
Menurut Inmon (2005, p29) sebuah data warehouse adalah “
kumpulan data yang berorientasi subjek, terintegrasi, non-volatile, dan
time-variant yang mendukung keputusan manajemen.”
Menurut Kimball dan Caserta(2004,p23), data warehouse adalah
sebuah sistem yang mengesktrak, membersihkan, menyesuaikan dan
mengirim data sumber ke dalam penyimpanan data dimensional dan
kemudian mendukung dan mengimplementasikan proses query dan analisis
untuk tujuan pengambilan keputusan.
2.1.6.2 Karakteristik Data Warehouse
Menurut Inmon(2005, p29) sebuah data warehouse memiliki
karakteristik-karakteristik utama, antara lain sebagai berikut:
12
‐ Subject oriented
Dalam sistem operasional klasik, data berpusat pada aplikasi
fungsional perusahaan (kontrol stok, penjualan produk, tagihan pelanggan),
sedangkan pada data warehouse, datanya berpusat pada subjek utama dari
perusahaan (pelanggan, produk, dan penjualan).
Gambar 2.1 Subject Orientation
‐ Integrated
Dari semua aspek pada data warehouse, integrasi merupakan hal yang
terpenting. Data diambil dari berbagai sumber yang berbeda ke dalam data
warehouse. Setelah data diambil, data tersebut dikonversi, diformat
kembali, disusun, diringkas, dan sebagainya.
13
Gambar 2.2 Integration
Pada Gambar 2.2 dapat dilihat bahwa integrasi terjadi ketika data
melewati lingkungan operasional berbasis aplikasi ke data warehouse.
‐ Non-volatile
Gambar 2.3 Non Volatility
14
Pada Gambar 2.3 dilihat bahwa data operasional dapat diakses dan
dimanipulasi, sedangkan data yang ada pada data warehouse dapat
dimuat/diambil dan diakses, tapi data tersebut tidak diperbaharui. Ketika
data pada data warehouse diambil, data tersebut berupa snapshot, format
statik. Maka ketika data operasional berubah, baris snapshot baru akan
ditulis. Untuk melakukan itu, maka histori dari setiap baris data harus
disimpan di dalam data warehouse.
‐ Time-variant
Time-Variant menyiratkan bahwa setiap unit dari data di dalam data
warehouse akurat pada beberapa saat dalam waktu tertentu. Secara umum,
sebuah record memiliki suatu bentuk penandaan waktu untuk
menunjukkan saat dimana record tersebut akurat. sebuah record dapat
diberi penanda waktu, dan dapat juga menggunakan tanggal transaksi pada
record tersebut.
Gambar 2.4 Time Variancy
15
2.1.6.3 Arsitektur Data Warehouse
Menurut Connolly (2005, p1156), Arsitektur data warehouse
terdiri dari struktur dan komponen-komponen yang saling menunjang satu
sama lain dalam membangun sebuah data warehouse.
Gambar 2.5 Arsitektur Data Warehouse(Connolly dan Begg, 2005, p1157)
Di dalam arsitektur data warehouse terdapat sepuluh komponen
antara lain:
1 Operational Data Source, merupakan data operasional sekarang yang
akan menjadi sumber data dalam proses perancangan data warehouse.
2 Operational Data Store, merupakan tempat penyimpanan data
operasional saat ini yang terintegrasi yang dimana struktur dari
operational data store ini mirip dengan data warehouse sehingga
memungkinkan untuk memindahkan data dari operational data store
ke data warehouse secara sederhana.
16
3 Load Manager, merupakan sebuah komponen front-end, yang bertugas
untuk menangani operasi ekstraksi dan juga loading ke dalam data
warehouse
4 Warehouse Manager, merupakan sebuah komponen yang menangani
operasi transformasi data, kekonsistenan data, pembuatan indeks,
denormalisasi bila diperlukan, back-up dan juga penyimpanan data
5 Query Manager, merupakan komponen backend, yang menangani
semua operasi yang berhubungan dengan manajemen query data
6 Detailed Data, merupakan komponen yang menjadi tempat
penyimpanan detail semua data dalam skema database.
7 Lightly dan Highly Summarized Data¸merupakan komponen yang
menjadi tempat penyimpanan data baik yang highly summarized
maupun lightly summarized. Yang bertujuan untuk meningkatkan
kecepatan performa dari query.
8 Archive / Back-up Data, merupakan komponen yang menjadi tempat
penyimpanan data-data back-up terhadap data-data yang ada di dalam
data warehouse.
9 Metadata, merupakan komponen yang menjadi tempat peyimpanan
metadata atau data tentang data di dalam data warehouse baik tentang
proses penarikan atau penyimpanan data, proses query yang terjadi dan
sebagainya.
10 End-user Access Tools, merupakan komponen yang bertugas untuk
menyediakan informasi dari data warehouse yang ada bagi user dalam
membantu mengambil keputusan. Komponen dibagi menjadi 5
17
kelompok yaitu Executive Information System (EIS), Online
Analytical Processing (OLAP) Tools, Data Mining Tools, Reporting
Query Tools, Pengembangan Aplikasi.
Dari arsitektur data warehouse terdapat beberapa aliran data yang
terjadi antara lain yaitu,
− Inflow
Yaitu aliran data dari penarikan data operasional ke dalam data
warehouse.
− Upflow
Yaitu aliran data dimana terdapat proses penambahan nilai ke data di
dalam data warehouse seperti perangkuman dari detail ke lightly
kemudian ke highly summarized data
− Downflow
Yaitu aliran data pada saat melakukan penyimpanan atau back-up data
dalam data warehouse.
− Outflow
Yaitu aliran data pada saat data dalam data warehouse digunakan oleh
end-user untuk keperluan bisnis.
− Metaflow
Yaitu aliran data pada operasi yang berkaitan dengan manajemen
metadata.
18
2.1.6.4 Struktur Data Warehouse
Menurut Inmon (2005, p33), Lingkungan data warehouse
memiliki detail yang berbeda level. Terdapat sebuah older detail (biasanya
sebagai alternatif, penyimpanan yang besar), sebuah current detail, dan
sebuah level lightly dan juga highly dari summarized data. Data mengalir
ke dalam data warehouse dari lingkungan operasional.
Gambar 2.6 Struktur Data Warehouse(Inmon 2005, p34)
Pada gambar Gambar 2.6 dapat dilihat struktur data warehouse yang
memiliki 4 level yang berbeda.
• Current detail data
Current detail data adalah data yang sedang berjalan pada saat ini
yang menampilkan keadaan yang sedang berjalan dan merupakan tingkatan
yang paling rendah pada data warehouse. Jumlah data yang terdapat pada
19
current detail data sangat besar sehingga sering menimbulkan kesulitan
dalam mengatur data dan menyebabkan meningkatnya biaya.
• Older detail data
Older detail data adalah data historikal dari current detail data yang
dapat merupakan hasil data cadangan atau arsip data yang disimpan secara
terpisah dalam tempat penyimpanan. Data pada older detail data biasanya
memiliki tingkat frekuensi akses yang rendah.
• Lightly summarized data
Lightly summarized data merupakan ringkasan atau rangkuman dari
current detail data. Data ini dirangkum berdasarkan periode atau dimensi-
dimensi sesuai dengan kebutuhan. Hasil dari ringkasan data ini belum
bersifat sangat ringkas, sehingga detil tingkatan pada data ini lebih tinggi.
Tingkatan data ini disebut data mart.
• Highly summarized data
Highly summarized data merupakan tingkatan lanjutan dari lightly
summarized data dimana data ini bersifat totalitas. Data pada highly
summarized data dapat diakses misal dengan melakukan analisis
perbandingan data berdasarkan urutan waktu tertentu dan analisis
menggunakan data multidimensi.
2.1.6.5 Bentuk Data Warehouse
Sebelum merancang suatu data warehouse, kita harus menentukan
terlebih dahulu bentuk data warehouse yang akan kita gunakan. Bentuk
20
data warehouse yang akan kita gunakan untuk merancang suatu data
warehouse tergantung kebutuhan yang kita perlukan di dalam menjalankan
aplikasi yang akan kita rancang. Berikut terdapat 3 bentuk umum yang
sering digunakan dalam data warehouse, yaitu :
1. Functional Data Warehouse
Functional data warehouse diperoleh dari hasil operasional
perusahaan sehari-hari. Pada bentuk ini data warehouse dibuat lebih
dari satu dan dikelompokan menurut fungsi-fungsi yang ada pada
perusahaan, misal fungsi keuangan, penjualan, marketing, dan lain-
lainnya. Bentuk ini memiliki keuntungan yaitu mudah dibangun
dengan biaya yang relatif murah, namun kerugian pada bentuk ini
adalah adanya resiko kehilangan konsistensi data dan terbatasnya
kemampuan dalam pengumpulan data bagi pengguna.
2. Centralized Data Warehouse
Centralized data warehouse hampir memiliki bentuk yang sama
dengan functional data warehouse. Perbedaan pada bentuk ini adalah
sumber data terlebih dahulu akan dikumpulkan dan diintegrasikan pada
suatu tempat terpusat, kemudian data tersebut dibagi-bagi menurut
fungsi-fungsi yang dibutuhkan oleh perusahaan. Bentuk ini sering
digunakan oleh perusahaan-perusahaan yang belum memiliki jaringan
eksternal. Bentuk ini memiliki keuntungan yaitu data benar-benar
terpadu karena konsistensi data yang tinggi, namun kerugian pada
bentuk ini adalah biaya yang relatif mahal dan membutuhkan waktu
yang lebih lama dalam membangun bentuk ini.
21
3. Distributed Data Warehouse
Distributed data warehouse merupakan bentuk data warehouse yang
menggunakan gateway untuk menjembatani antar lokasi data
warehouse dengan workstation yang memiliki sistem yang beraneka
ragam, sehingga pada bentuk ini, kita dapat mengakses sumber data
yang berada di luar lokasi perusahaan atau external perusahaan.
Bentuk data warehouse ini memungkinkan tiap departemen dalam
perusahaan untuk membangun sistem operasional, pengumpulan data,
dan fungsionalnya masing-masing. Kemudian bagian-bagian tersebut
akan digabungkan dengan teknologi client-server. Bentuk ini memiliki
keuntungan yaitu dapat mengakses data dari luar perusahaan yang
telah mengalami sinkronisasi terlebih dahulu dan tetap terjaga
konsistensinya, namun kerugian pada bentuk ini adalah harga yang
cukup mahal dan rumit untuk diterapkan karena sistem operasinya
dikelola secara terpisah.
2.1.6.6 Keuntungan Data Warehouse
Menurut Connoly dan Begg (2005, p1152), data warehouse yang
baik dapat memberikan keuntungan sebagai berikut :
a. Pengembalian yang besar dari investasi
Sebuah perusahaan harus mengeluarkan biaya yang besar untuk
membangun dan mengimplementasikan suatu data warehouse secara
sukses, dan jumlahnya bervariasi tergantung pada solusi teknis yang
diberikan. Tetapi menurut survei International Data Corporation
22
(IDC) pada tahun 1996 melaporkan bahwa rata-rata 3 tahun ROI
(Return On Investment) dalam data warehousing mencapai 401% lebih
dari 90%-nya mencapai lebih dari 40% ROI, setengahnya mencapai
lebih dari 160% ROI, dan seperempatnya mencapai lebih dari 600%
ROI (IDC, 1996).
b. Keuntungan yang kompetitif
Keuntungan yang kompetitif dapat diperoleh dengan mendukung para
pengambil keputusan mengakses data dan memperlihatkan apa yang
sebelumnya belum pernah terlihat.
c. Meningkatkan produktivitas dari para pengambil keputusan di dalam
perusahaan.
Data warehouse dapat meningkatkan produktivitas para pengambil
keputusan dengan membuat suatu database terpadu dari data-data yang
konsisten, berorientasi pada subjek, dan historical. Dengan adanya
data warehouse, data dari berbagai sistem dapat disatukan menjadi
sebuah bentuk yang konsisten sehingga data tersebut menjadi
informasi yang berguna untuk para pengambil keputusan untuk
melakukan analisis yang lebih nyata, akurat, dan konsisten.
2.1.7 ETL (Extraction Transformation Loading)
ETL menurut Prabhu dan Venatesan (2007, p112) adalah proses dimana
kita melakukan migrasi dari database operasional menuju data warehouse. ETL
merupakan suatu proses yang diperlukan dalam membentuk struktur model
23
dimensi (Dimensional Model) dalam data warehouse yang terdiri dari 3 tahap
yaitu :
1. Extraction
Ekstraksi (Extraction) merupakan sebuah proses penarikan data dari satu
atau lebih sistem operasional sebagai sumber data yang dibutuhkan oleh data
warehouse yang akan digunakan di dalam proses selanjutnya. (Pada
umumnya datanya ditarik dari sistem Database OLTP tapi bisa juga berasal
dari sumber-sumber eksternal yang lain)
2. Transform
Setelah data diekstraksi maka akan dilakukan proses Transformasi
(Transform), yaitu sebuah proses untuk mengolah data sedemikian rupa
seperti membersihkan data (antara lain dengan membetulkan ejaan yang
salah, menyelesaikan konflik domain, mengembalikan elemen yang hilang,
dan menyatukannya ke dalam sebuah format yang standar agar data yang ada
menjadi konsisten satu sama lain), menggabungkan data dari berbagai
sumber eksternal yang lain, menghilangkan duplikasi data yang ada, dan
juga memberikan Surrogate Key (sebuah key yang menghubungkan struktur
Data Warehouse dan terpisah dari sistem sumber), selain itu data juga harus
diagregasi untuk mempercepat analisis.
3. Loading
Setelah data telah ada dan telah ditransformasi sedemikian rupa sesuai
dengan kebutuhan maka hasil dari data tersebut akan disimpan dalam bentuk
tabel dimensional yang berkualitas ke dalam sebuah database relational baik
24
berupa data warehouse maupun data mart. Proses penyimpanan data inilah
yang dinamakan dengan Loading
Jadi secara singkat, tujuan dari proses ETL ini adalah untuk
mengumpulkan, menyaring, mengolah, dan juga menggabungkan data-data dari
berbagai sumber eksternal yang ada serta menyimpannya ke dalam data
warehouse ataupun data mart.
2.1.8 Model Data
Berikut beberapa jenis model data yang sering digunakan dalam
perancangan sebuah data warehouse:
2.1.8.1 Entity Relationship Modelling
Menurut Connolly dan Begg (2005, p342), salah satu faktor yang
paling sulit dalam perancangan sebuah database dimana perancang,
programmer dan end-user dapat melihat data dari berbagai macam sudut
pandang yang berbeda.
Oleh karena itu, untuk dapat menyatukan pemahaman maka
diperlukan sebuah model data yang akan digunakan sebagai sebuah bentuk
komunikasi antara perancang, programmer, dan end-user dalam
menggunakan data.
Menurut Connolly (2005, P342), ER Modelling adalah sebuah
pendekatan top-down dalam perancangan basis data yang dimulai dengan
mengidentifikasi data yang penting dalam sistem yang akan dibuat yang
disebut dengan entities kemudian Attribute dan relationship antar data yang
25
harus direpresentasikan dalam model dan setelah itu menentukan key (baik
composite key, candidate key, primary key, alternative key, foreign key).
2.1.8.2 Multidimensional Modelling
Multidimensional Modelling adalah teknik perancangan logikal
data warehouse untuk menampilkan data dalam bentuk standar dan
memiliki akses performa yang tinggi dalam penggunaannya.
Multidimensional Model terbentuk dari minimal satu buah tabel bernama
tabel fakta, dan serangkaian tabel-tabel lain yang lebih kecil yang disebut
tabel dimensi. Setiap tabel dimensi memiliki satu primary key yang
dihubungkan tepat dengan satu komponen dari composite key di tabel fakta.
Sehingga primary key dari tabel fakta terdiri dari dua atau lebih foreign key
dari tabel-tabel dimensi. Selain itu pada model ini semua natural key
digantikan dengan surrogate key, dimana setiap penggabungan dengan
tabel fakta harus menggunakan surrogate key, bukan natural key. Hasil
pemodelan data ini adalah data dalam bentuk cube yang cukup portable.
• Tabel Fakta
Menurut Kimball dan Ross (2002, p16), tabel fakta adalah tabel yang
utama dalam konsep pemodelan Multidimensional dimana hasil
perhitungan bisnis akan disimpan untuk kemudian disajikan dalam
bentuk laporan yang diinginkan.
26
Gambar 2.7 Contoh tabel fakta (Kimball, 2002, p17)
Tabel fakta mempunyai minimal dua atau lebih foreign keys, biasanya
ditandai dengan tanda “FK”, yang berfungsi sebagai penghubung ke
primary keys dalam tabel-tabel dimensi yang bersangkutan. Misalnya,
seperti pada Gambar 2.7 di atas, Product Key merupakan sebuah
foreign key yang menghubungkan fakta “Daily Sales Fact Table”
dengan primary key “Product key” dalam tabel dimensi “Product”.
Begitu juga dengan foreign key “Date Key” pada tabel fakta “Daily
Sales Fact Table” yang terhubung dengan primary key “Date Key”
pada tabel dimensi “Time”. Umumnya tabel fakta itu sendiri memiliki
sebuah primary key yang merupakan gabungan dari foreign keys.
Primary key ini dikenal sebagai composite atau concatenated key.
Setiap tabel fakta dalam konsep pemodelan multidimensional memiliki
sebuah composite key, dan sebaliknya, setiap tabel yang memiliki
composite key merupakan tabel fakta.
Menurut Ponniah (2001, p214), karakteristik tabel fakta adalah sebagai
berikut :
− Memiliki Concatenated Key
Baris dalam tabel fakta berkaitan dengan kombinasi baris dari
semua tabel dimensi yang berhubungan dengan tabel fakta
tersebut.
− Data Grain
27
Tabel fakta dapat merupakan tabel dimana kita dapat
menentukan data grain atau tingkat kekhususan atau
kespesifikasian data yang akan digunakan untuk perhitungan
atau kalkulasi.
− Fully Additive Measures
Tabel fakta berisi fully additive measures yaitu perhitungan dari
penjumlahan sederhana atribut-atribut setiap baris hasil agregas i
yang ada sesuai dengan kebutuhan laporan yang akan
ditampilkan.
− Semi-Additive Measures
Dalam sebuah tabel fakta biasanya memiliki Semi-additive
measure, yaitu atribut turunan dari fully-additive measure.
Measure seperti ini tidak bisa dihitung dengan menambahkan
atribut setiap baris hasil aggregasi yang ada karena dapat
menghasilkan perhitungan yang salah. Contohnya dalam fakta
terdapat total pengeluaran, total pemasukan, dan margin
persentase. Apabila kita menghitung margin persentase untuk
tiap baris agregasi yang dilakukan dan kemudian ditambahkan
maka hasil akhir yang didapat akan salah.
− Tabel bersifat dalam, tidak lebar
Tabel fakta biasanya mempunyai lebih sedikit jumlah atribut
dibandingkan dengan tabel dimensi. Berbeda dengan tabel
dimensi, tabel fakta mempunyai jumlah baris yang banyak
28
karena merupakan representasi dari transaksi-transaksi yang
terjadi yang akan diolah sehingga bersifat dalam, dan tidak lebar.
− Sparse Data
Tabel fakta merupakan hasil dari kombinasi beberapa tabel
dimensi yang ada, namun tidak semua kombinasi yang ada
mempunyai nilai sehingga menghasilkan isi dari tabel fakta yang
memiliki nilai null (kosong atau tidak ada). Contohnya di
dimensi waktu ada tanggal 1,2,3 dan dimensi pelanggan ada
a,b,c. Apabila kita mencoba men-generate tabel fakta dengan
pelangan a dan tanggal 1, belum tentu ada transaksi a pada
tanggal 1 sehingga mungkin isi dari tabelnya adalah NULL. Kita
tidak perlu menyimpan nilai null dalam tabel fakta, sehingga
terkadang dalam tabel fakta terdapat sejumlah gap.
− Degenerate Dimensions
Pada saat memilih atribut-atribut dari sistem operasional untuk
dimasukkan ke dalam tabel dimensi ataupun fakta, terdapat
sejumlah data dimana data tersebut tidak akan digunakan sebagai
atribut baik dalam tabel dimensi maupun fakta, misalnya nomor
pembelian, nomor penjualan, nomor pemesanan, dan lain-lain.
Namun atribut ini dapat dipakai dalam beberapa tipe analisis
sesuai dengan kebutuhan bisnis yang ada. Atribut-atribut inilah
yang dikenal dengan degenerate dimension.
29
• Tabel dimensi
Menurut Ralph Kimball (2002, p19), tabel dimensi berisi penjelasan
deskriptif tentang sebuah transaksi dari sebuah bisnis yang akan
terhubung dengan tabel-tabel fakta yang berhubungan.
Gambar 2.8 Contoh tabel dimensi produk (Kimball, 2002, p20)
Tabel dimensi biasanya memiliki banyak kolom atau atribut. Tabel
dimensi relatif pendek dalam jumlah baris, namun dapat menjadi lebar
karena banyaknya kolom karena berisi master dari sebuah database.
Setiap tabel dimensi mempunyai primary key, yang membedakan satu
dengan yang lain, biasanya ditandai dengan ‘PK’. Atribut tabel
dimensi biasanya berasal dari atribut pada tabel master di database
yang berupa teks, namun tidak berarti bahwa data yang berupa angka
tidak dapat dimasukkan ke dalam tabel dimensi selama data itu
merupakan deskripsi, bukan pengukuran ataupun perhitungan.
30
Menurut Ponniah (2001, p213), sebuah tabel dimensi memiliki
beberapa karakteristik sebagai berikut :
a. Memiliki Dimension Table Key
Terdapat sebuah Primary key pada tabel dimensi yang dapat
mengidentifikasikan setiap baris dalam tabel dimensi secara
unik.
b. Tabel bersifat lebar
Pada umumnya, sebuah tabel dimensi dapat memiliki banyak
atribut atau kolom layaknya sebuah tabel master di sistem
database biasa.
c. Atribut biasanya berupa teks
Dalam tabel dimensi jarang ditemukan nilai numerik untuk
perhitungan. Atribut-atributnya biasanya dalam format teks yang
merepresentasikan komponen-komponen antara dimensi bisnis.
d. Atribut-atribut tidak terhubung secara langsung
Sering kali akan ditemukan atribut dari tabel dimensi yang tidak
terhubung langsung dengan atribut lain dalam tabel dimensi yang
sama .
e. Tidak ternormalisasi
Atribut dalam tabel dimensi akan digunakan secara terus
menerus dalam query. Oleh karena itu untuk tujuan efisiensi,
tabel dimensi dibuat tidak ternormalisasi, sehingga query
mengambil langsung atribut dari tabel dimensi untuk tabel fakta
tanpa melalui tabel perantara lainnya. Hal ini dapat membuat
31
query yang dijalankan menjadi jauh lebih cepat karena tidak
perlu untuk mengakses melewati beberapa tabel yang lain.
f. Drilling down, Rolling up
Setiap tabel dimensi memiliki kemampuan untuk mengakses data
dari tingkat agregasi yang tinggi ke tingkat yang rendah (Drilling
Down) ataupun sebaliknya dari tingkat yang rendah ke tingkat
yang tinggi (Rolling Up) selama ada hierarki yang terhubung di
antara tabel dimensi tersebut. Misalnya pada pengaksesan atribut
kota, propinsi, dan negara yang membentuk hierarki. Kita dapat
mendapatkan laporan pembelian berdasarkan negara, lalu turun
menjadi laporan berdasarkan propinsi, lalu berdasarkan kota.
Atau sebaliknya, kita dapat memulai dengan mendapatkan
laporan pembelian berdasarkan kota, lalu naik menjadi laporan
berdasarkan propinsi dan kemudian berdasarkan negara.
g. Multiple Hierachies
Tabel dimensi bisa mempunyai banyak hierarki yang
menghubungkannya dengan tabel-tabel lainnya. Pada tabel
dimensi seperti ini dapat diterapkan drilling down ataupun
rolling up untuk mengakses atribut-atribut yang diinginkan.
h. Memiliki sedikit baris
Tabel dimensi mempunyai sifat lebar atau memilki banyak
kolom namun memiliki lebih sedikit baris dibandingkan dengan
tabel fakta. Karena tabel dimensi merupakan master yang akan
dipakai atribut-atributnya secara berulang kali dalam fakta yang
32
berisi transaksi-transaksi yang terjadi contohnya dalam sebuah
tabel dimensi kota yang terdiri dari ratusan baris, sedangkan
sebuah fakta dapat berisikan jutaan baris.
2.1.9 Bentuk Pemodelan Multidimensional
2.1.9.1 Skema Bintang
Menurt Inmon (2005, p128), skema bintang adalah sebuah struktur
desain yang digunakan untuk mengatur data dengan cara denormalisasi
dalam jumlah yang besar ke dalam sebuah entity dalam sebuah data mart
untuk mengoptimalkan akses data yang dilakukan.
Menurut Connolly dan Begg (2005, p1183), skema bintang adalah
sebuah struktur logikal yang berisikan sebuah tabel fakta sebagai pusatnya,
dan dikelilingi oleh tabel-tabel dimensi yang berhubungan yang berisi data
referensi ataupun berisi keterangan-keterangan yang biasanya dapat
didenormalisasikan.
Simpulannya, skema bintang adalah suatu struktur logikal data yang
mempunyai suatu tabel fakta sebagai pusat dan dikelilingi oleh tabel-tabel
multidimensi yang berhubungan sebagai penyedia data-data atau informasi
yang terkait serta kompatibel dengan kebutuhan bisnis.
Beberapa karakteristik dari skema bintang antara lain sebagai
berikut :
1. Tabel fakta sebagai pusat dari skema bintang.
2. Tabel fakta dikelilngi oleh tabel dimensi
33
3. Tabel fakta mempunyai atribut-atribut yang merupakan indikator-
indikator kinerja pokok / Key Performance Indicators.
4. Obyek-obyek informasi dan waktu adalah kunci utama dari tabel fakta
5. Tiap tabel dimensi berhubungan dengan tabel fakta berdasarkan
primary key-nya.
6. Skema bintang diimplementasikan menggunakan teknologi database
relasional.
Gambar 2.9 Contoh skema bintang
Keuntungan menggunakan Skema bintang menurut Ponniah
(2001,p220), antara lain:
1. Mudah Dimengerti
Skema bintang mampu merefleksikan bagaimana pengguna berpikir
dan mencari data untuk query dan analisis. Skema bintang
34
mendefinisikan hubungan antara tabel secara langsung tanpa harus
melewati atau melalui tabel dimensi yang lain sama seperti bagaimana
pengguna menvisualisasikan hubungannya pada umumnya sehingga
mudah dimengerti oleh pengguna.
2. Mengoptimalkan navigasi
Karena tabel fakta langsung berhubungan dengan setiap tabel dimensi
yang berhubungan tanpa ada hierarki atau level yang bertingkat maka
hubungan-hubungan antara tabel dalam skema bintang sederhana,
sehingga navigasinya pun jauh lebih optimal. Walaupun query yang
digunakan terlihat kompleks, tetapi navigasi didalamnya tetap
sederhana.
3. Cocok untuk pemrosesan query atau respon data yang lebih cepat
Struktur skema bintang adalah sebuah skema yang berpusat pada query
yang menghubungkan antara fakta dengan dimensi-dimensi secara
langsung, sehingga struktur data warehouse yang dihasilkan mampu
memberikan respon data yang lebih cepat karena tiap fakta dapat
mengakses langsung data yang pada tabel dimensi tanpa harus
melewati beberapa tabel lain. Setiap query dieksekusi dengan, terlebih
dahulu memilih baris dari tabel dimensi menggunakan filter dari
parameter query, lalu menemukan baris yang terhubung dengannya
dalam tabel fakta. Hal ini memungkinkan karena hubungan yang
sederhana dan tidak adanya tabel penghubung lainnya dari tabel
dimensi ke tabel fakta.
35
Umumnya skema bintang digunakan untuk meningkatkan
kecepatan, dengan adanya denormalisasi informasi ke dalam sebuah tabel
dimensi. Proses denormalisasi sangat disarankan apabila terdapat banyak
entitas yang berhubungan dengan tabel dimensi yang sering diakses,
dengan adanya denormalisasi maka kita dapat menghindari
menghubungkan tabel lain untuk mengakses atribut tersebut. Tapi pada
beberapa kasus dimana data tambahan tersebut jarang diakses, maka
disarankan untuk tidak melakukan denormalisasi, karena akan
memperlambat performa query.
2.1.9.2 Skema Snowflake
Menurut Ponniah (2001, p235), snowflaking adalah sebuah
metode menormalisasikan tabel dimensi yang ada di dalam skema bintang.
Yang dimana hasil skema dari metode ini dinamakan skema Snowflake.
Prinsip dasar dari skema ini tidak jauh berbeda dari skema bintang
karena masih berpusat pada tabel fakta dan dikelilingi oleh tabel dimensi-
dimensi lain dimana tabel dimensi dapat berhubungan atau berelasi dengan
tabel dimensi lain sehingga menyerupai keping salju (snowflake). Skema
snowflake dibuat berdasarkan bentuk dari OLTP sehingga semua data akan
termuat detail dalam setiap tabel fakta dan tabel dimensi di dalam
datawarehouse.
36
Gambar 2.10 Contoh skema snowflake
Menurut Ponniah (2001, p238), keuntungan dari skema snowflake
adalah sebagai berikut :
− Pemakaian tempat penyimpanan kecil
Bentuk skema snowflake ini akan membutuhkan tempat penyimpanan
yang jauh lebih kecil karena tabel-tabelnya telah ternormalisasi
sehingga sudah tidak terdapat lagi redudansi data.
− Mudah di-update dan dipelihara
Struktur tabel dalam skema snowflake adalah tabel ternormalisasi yang
mempunyai bentuk struktur yang sama dengan OLTP sehingga apabila
terjadi perubahan atau update pada data operasional, maka dapat
37
langsung diterapkan perubahan tersebut ke dalam data warehouse
tanpa harus merubah struktur yang ada.
Sedangkan kekurangan dari skema snowflake ini adalah sebagai
berikut:
- Kemampuan untuk melihat isi skema menjadi sulit.
Berbeda dengan skema bintang yang hanya tediri satu level saja,
skema snowflake biasanya terdiri lebih dari 1 level, apabila level
semakin tinggi maka akan semakin sulit untuk dilihat secara langsung
dan juga semakin besar tingkat kompleksitasnya.
- Penurunan performa query
Karena ada beberapa tabel dimensi yang tidak terhubung langsung
dengan fakta maka query yang dibuat memerlukan hubungan
tambahan seperti join, dan sejenisnya untuk dapat mengakses data
tersebut yang dimana akan memperbanyak kegiatan yang akan
dilakukan dalam query sehingga dapat menurunkan performa query.
2.1.9.3 Skema Starflake
Menurut Conolly dan Begg (2005, p1185), skema starflake adalah
struktur campuran antara skema bintang dan skema snowflake.
Perbedaannya adalah pada satu fakta yang sama dapat diterapkan tabel
dimensi yang disajikan dalam bentuk skema bintang maupun skema
snowflake untuk memenuhi kebutuhan query yang berbeda-beda.
Biasanya penentuan pemakaian skema untuk tiap tabel dimensi
dilakukan berdasarkan pertimbangan untuk menghasilkan suatu rancangan
38
data warehouse dengan performa yang terbaik, dapat beradaptasi dengan
kebutuhan user, memiliki kemampuan memodelkan situasi bisnis secara
umum, bersifat fleksibel khususnya terhadap perubahan yang terjadi
khususnya pada perkembangan.
2.1.10 Metodologi Perancangan Data Warehouse
Metodologi data warehouse menurut Kimball, yang juga dikutip oleh
Connolly (2005,p1187), disebut dengan nine-step methodology y, yaitu
2.1.10.1 Memilih proses
Fungsi dari proses mengacu pada sebuah permasalahan subyek
yang dibutuhkan oleh data mart. Pada tahap ini, ditentukan proses bisnis
apa yang datanya paling sering digunakan sesuai dengan kebutuhan, dan
dapat menjawab semua permasalahan bisnis yang penting yang akan
digunakan data warehouse.
2.1.10.2 Memilih grain
Setelah menentukan proses yang akan kita bahas dalam sebuah
database maka kita harus memilih grain yang berarti memutuskan dengan
tepat apa yang akan direpresentasikan serta tingkat detail data pada tabel
fakta. Setelah menentukan grain untuk tabel fakta, maka untuk selanjutnya
kita dapat melanjutkan mengidentifikasikan dimensi-dimensi dari tabel
fakta tersebut.
39
2.1.10.3 Identifikasi dan penyesuaian dimensi
Pada tahap ini, kita akan membuat dimensi yang dapat
menyesuaikan informasi yang ingin ditampilkan untuk menjelaskan seluruh
isi yang terdapat pada tabel fakta yang ada agar mudah dimengerti dan
mudah digunakan. Tabel dimensi harus mampu menyiapkan konteks untuk
menanyakan pertanyaan tentang fakta yang ada dalam tabel fakta.
Kumpulan dimensi yang dibuat dengan baik akan mempermudah dalam
mengerti dan menggunakan data warehouse.
2.1.10.4 Memilih fakta
Setelah menentukan grain dan mengidentifikasi tabel dimens i
maka proses selanjutnya yang kita lakukan adalah menentukan tabel fakta
yang dapat mengimplikasikan sesuai dengan semua grain yang ada.
2.1.10.5 Menyimpan pre-calculation di tabel fakta
Setiap tabel fakta telah terpilih, maka setiap fakta-fakta yang
sudah terpilih harus diperiksa ulang kembali untuk mengetahui apakah ada
fakta-fakta yang dapat diterapkan pre-calculation dan dilakukan
penyimpanan pada tabel fakta.
2.1.10.6 Memastikan tabel dimensi
Pada tahap ini dilakukan pemeriksaan ulang pada tabel dimens i
yang sudah ada. Selain itu juga dilakukan proses mengidentifikasikan
40
detail dimensi yang secukupnya untuk menggambarkan informasi pada
grain yang tepat serta menentukan hierarki atribut dimensi untuk
mempermudah dalam proses analisis. Ketidaklengkapan dari data dimensi
yang dikumpulkan maka akan mengurangi fungsi dari data warehouse
tersebut, dan apabila terlalu berlebihan maka dapat memboroskan kapasitas
data warehouse dan juga mempengaruhi kinerja data warehouse.
2.1.10.7 Memilih durasi database
Pada tahap ini akan ditentukan durasi waktu yang akan digunakan
dalam menjalankan tabel fakta atau kata lainnya ada batas waktu dari data
OLTP yang akan dimasukkan ke dalam data warehouse. Durasi ini
biasanya ditentukan sesuai dengan kebutuhan bisnis yang ada. Pada
sebagian perusahaan, cukup dengan melihat data pada periode tertentu
dalam jangka waktu satu atau dua tahun. Sedangkan untuk perusahaan
lainnya, seperti asuransi mungkin akan membutuhkan data yang
periodenya lebih lama yaitu sekitar 5 bahkan sampai 10 tahun. Ada
beberapa pertimbangan yang harus diketahui dalam menentukan durasi,
yang pertama semakin tua data maka akan semakin sulit digunakan, yang
kedua adalah adanya kemungkinan bahwa dimensi yang lama berbeda
dengan dimensi saat ini. Masalah seperti ini disebut dengan masalah slowly
changing dimension yang akan dibahas pada tahap berikutnya
2.1.10.8 Melacak perubahan dari dimensi secara perlahan
41
Pada tahap ini akan dilacak perubahan-perubahan dimensi yang
terjadi, ada 3 tipe yang dapat digunakan, antara lain
• Tipe 1 : Perubahan pada atribut sebuah dimensi akan menyebabkan
atribut itu akan diganti (overwrite).
• Tipe 2 : Perubahan pada atribut sebuah dimensi menyebabkan
dimasukkannya baris data baru ke dimensi tersebut, tapi masih
menggunakan id yang sama.
• Tipe 3 : Perubahan pada atribut sebuah dimensi menyebabkan
penambahan atribut alternatif, sehingga keduanya, nilai yang lama dan
yang baru, dari atribut tersebut, secara bersamaan dapat diakses dalam
dimensi yang sama.
2.1.10.9 Menentukan prioritas dan mode query
Pada tahap ini kita mempertimbangkan segala hal yang berkaitan
dengan masalah perancangan fisikal data warehouse yang mampu
mendukung kebutuhan proses bisnis. Rancangan desain fisikal meliputi
urutan fisik dari tabel fakta pada media penyimpanan, adanya penggunaan
agregasi, pertimbangan terhadap penggunaan indexing, backup, dan
security.
2.1.11 State Transition Diagram
Menurut Whitten (2004, p673) State Transition Diagram adalah sebuah
alat atau sarana yang dapat digunakan untuk menggambarkan urutan dan variasi
42
dari tampilan layar yang dapat terjadi selama sesi pengguna. Notasi yang
digunakan dalam STD adalah:
Kotak digunakan untuk representasi / menggambarkan layar tampilan.
Anak panah digunakan untuk menggambarkan aliran dari kontrol dan kejadian
yang memicu layar menjadi aktif atau menerima fokus.
Menurut Whitten (2004, p674) suatu STD dapat menjadi cukup besar,
terutama ketika semua input, output, help, dan layar-layar lainnya dimasukkan ke
dalam diagram. Oleh karena itu, sangat umum untuk memecah diagram menjadi
beberapa diagram yang lebih sederhana dan lebih mudah untuk dibaca.
2.2 Teori Khusus
2.2.1 Business Intelligence
2.2.1.1. Pengertian Business Intelligence
Menurut Dyche (2000, p9) “Business Intelligence adalah satu dari
sekian julukan yang meliputi kumpulan atas produk dan layanan untuk
mengakses dan menganalisis data dan merubahnya menjadi informasi. Itu
adalah salah satu dari istilah-istilah yang mendefinisikan kumpulan besar
dari produk analisis data, dari spreadsheet, ERP, dan Data Mining.
Singkatnya, Business Intelligence adalah sebuah istilah luas yang
digunakan oleh perusahaan-perusahaan, khususnya vendor untuk
memposisikan produk dan layanan baru, dan sering kali disamakan dengan
pendukung keputusan.”
43
2.2.1.2. Manfaat Business Intelligence
Keuntungan dari Business Intelligence jika diimplementasikan
pada perusahaan antara lain:
a. Meningkatkan nilai data dan informasi
Seluruh data dan informasi dapat diintegrasikan sedemikian rupa
sehingga menjadi lebih mudah untuk diakses, lebih mudah dimengerti
dan dapat menghasilkan keputusan yang optimal.
b. Memudahkan pemantauan kinerja organisasi
Kinerja dari organisasi dipantau atau diukur dengan menggunakan Key
Performance Indicator (KPI). Dengan adanya Business Intelligence
pencapaian KPI suatu organisasi dapat diketahui dengan mudah, cepat,
dan tepat sehingga memudahkan pihak manajemen dalam pengambilan
keputusan.
c. Meningkatkan nilai investasi teknologi informasi yang sudah ada
Penggunaan Business Intelligence pada perusahaan tidak mewajibkan
perubahan terhadap sistem informasi yang sudah ada. Business
Intelligence menambahkan layanan pada sistem tersebut sehingga data
yang ada menghasilkan informasi yang lebih komprehensif dan lebih
berguna.
d. Menciptakan pegawai yang memiliki akses informasi yang baik
Business Intelligence mempermudah seluruh tingkat lapisan pegawai
dalam suatu perusahaan untuk mengakses data dan informasi yang
44
diperlukan sehingga membantu dalam membuat keputusan yang
nantinya akan meningkatkan kinerja organisasi secara keseluruhan.
e. Meningkatkan efisiensi biaya
Dengan adanya Business Intelligence, waktu yang dibutuhkan untuk
mencari data dan mendapatkan informasi akan semakin singkat, dan
juga dapat menghemat biaya pelatihan yang biasanya cukup besar
karena cara untuk mendapatkan data tersebut tidak terlalu rumit
sehingga membutuhkan pelatihan khusus.
2.2.2 Visual Basic.Net
Menurut McMonnies (2004, pp21-22) dalam kasus VB.Net, program
aplikasi, disebut sebagai solusi, dikembangkan sehingga penggunaan terbaik dari
arsitektur .Net yang mendasar dapat diterapkan. Salah satu fitur yang spesifik dari
.Net adalah sebuah software dikembangkan dalam komponen yang disebut
assembly. Assembly dapat berupa keseluruhan program ataupun sebuah komponen
yang dapat digunakan oleh satu atau lebih program.
Menurut McMonnies (2004, pp21-22), Assembly biasanya dibangun dari
beberapa item yang berhubungan. Sktruktur aplikasi .Net antara lain:
Main Assembly
(executive code)
Component Assembly
Statistics Library Code
Component Assembly
Data Access Component
Component Assembly
Graph Drawing
45
Menurut Sibero (2010, p9) Visual Basic .NET adalah sebuah bahasa
pemrograman yang dikembangkan oleh perusahaan Microsoft. Visual Basic .NET
merupakan pengembangan dari versi sebelumnya, yaitu Visual Basic 6.0.
Perbedaan mendasar antara Visual Basic .NET dengan versi sebelumnya adalah
kemampuan OOP (object oriented programming) yang telah ditanamkan pada
Visual Basic .NET
2.2.3 Sistem Penjualan
Menurut Mulyadi (2001, p202), “Kegiatan penjualan terdiri dari transaksi
penjualan barang atau jasa, baik secara kredit maupun tunai” maka dari itu secara
umum kegiatan penjualan dibedakan menjadi dua jenis berdasarkan pembayaran
yang dilakukan pembeli, yaitu penjualan tunai dan kredit.
Menurut Joel G. Siegel dan Joe K. Shim yang diterjemahkan oleh Moh.
Kurdi(1999, p.404), “Penjualan adalah Penerimaan yang diperoleh dari
pengiriman barang dagangan atau dari penyerahan pelayanan dalam bursa sebagai
barang pertimbangan. Pertimbangan ini dapat dalam bentuk tunai, peralatan kas
atau harta lainnya. Pendapatan dapat diperoleh pada saat penjualan, karena terjadi
pertukaran, harga jual dapat ditetapkan dan bebannya diketahui”.
2.2.3.1 Penjualan Tunai
Menurut Mulyadi (2001, p455), “penjualan tunai dilakukan oleh
perusahaan dengan cara mengharuskan pembeli melakukan pembayaran
harga barang terlebih dahulu sebelum barang tersebut diserahkan ke
pembeli. Setelah uang diterima oleh perusahaan, barang kemudian
diserahkan kepada pembeli dan transaksi tersebut dicatat.
46
2.2.3.2 Penjualan Kredit
Menurut Mulyadi (2001, p210), “penjualan kredit dilakukan
perusahaan dengan cara mengirimkan barang sesuai dengan permintaan
pembeli, dan untuk jangka waktu tertentu perusahaan mempunyai tagihan
untuk pembeli tersebut”
Menurut Soemarso SR (1999, p.178), “Penjualan kredit adalah
penjualan barang dagang secara tidak tunai yang dicatat sebagai debit pada
perkiraan piutang dagang dan kredit pada perkiraan penjualan”.
2.2.4 Sistem Jaminan
Sutarno (2005, p142) merumuskan pengertian jaminan kredit adalah
“segala sesuatu yang mempunyai nilai mudah untuk diuangkan yang diikat dengan
janji sebagai jaminan untuk pembayaran dari hutang debitur berdasarkan
perjanjian kredit yang dibuat oleh kreditur dan debitur.”
Hadisoeprapto (1984, p50) mengemukakan bahwa “jaminan kredit ialah
segala sesuatu yang diberikan kepada kreditur untuk menimbulkan keyakinan
bahwa debitur akan memenuhi kewajiban, yang dapat dinilai dengan uang yang
timbul dari suatu perikatan.”