Upload
hadieu
View
220
Download
0
Embed Size (px)
Citation preview
8
BAB 2
LANDASAN TEORI
2.1 Pengertian Database
Menurut Connolly (2005, p15), database adalah kumpulan relasi-relasi logikal
dari data, dan deskripsi dari data, yang dapat digunakan bersama dan dibuat untuk
memperoleh informasi yang dibutuhkan oleh perusahaan.
Menurut O’Brien (2005, p211), database adalah kumpulan terintegrasi dari
elemen data yang secara logika saling berhubungan.
Menurut Sawyer (2005, p116), database adalah kumpulan dari file–file yang
saling berhubungan pada sistem komputer.
2.2 Pengertian Datawarehouse
Menurut Kimball dan Caserta (2004, p23), datawarehouse adalah sebuah sistem
yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirimkan sumber data ke
dalam sebuah penyimpanan data dimensional dan mendukung serta
mengimplementasikan query dan analisis untuk tujuan pengambilan keputusan.
Menurut Inmon (2005, p.29), sebuah datawarehouse ialah sebuah kumpulan data
yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap
dari koleksi data dalam mendukung proses pengambilan keputusan managemen.
Menurut Laudon (2006, p.233), datawarehouse adalah database yang
menyimpan data penting saat ini dan historis dari kebutuhan informasi untuk manager
dalam perusahaan.
9
Menurut Inmon (2005, p.7), datawarehouse didefinisikan dengan karakteristik
sebagai berikut:
1. Subject Oriented (Berorientasi subjek)
Datawarehouse berorientasi subjek artinya datawarehouse didesain untuk
menganalisa data berdasarkan subjek-subjek tertentu dalam organisasi, bukan pada
proses atau fungsi aplikasi tertentu. Datawarehouse diorganisasikan disekitar
subjek-subjek utama dari perusahaan (customers, products dan sales) dan tidak
diorganisasikan pada area-area aplikasi utama (customer invoicing, stock control
dan product sales). Hal ini dikarenakan kebutuhan dari datawarehouse untuk
menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada
aplikasi yang berorientasi terhadap data. Jadi dengan kata lain, data yang disimpan
adalah berorientasi kepada subjek bukan terhadap proses.
2. Integrated (Terintegrasi)
Datawarehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang
terpisah kedalam 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 datawarehouse 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 maksud yang sama tetapi
10
nama dan format nya 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.
3. Non-Volatile
Karakteristik ketiga dari datawarehouse adalah non-volatile, maksudnya data pada
datawarehouse tidak di-update secara realtime tetapi di refresh dari sistem
operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen
bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut
secara kontinyu menyerap data baru, kemudian secara incremental disatukan
dengan data sebelumnya. Berbeda dengan database operasional yang dapat
melakukan update, insert dan delete terhadap data yang mengubah isi dari database
sedangkan pada datawarehouse hanya ada dua kegiatan memanipulasi data yaitu
loading data (mengambil data) dan akses data (mengakses datawarehouse seperti
melakukan query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan
updating data).
4. Time-variant (Rentang Waktu)
Seluruh data pada datawarehouse dapat dikatakan akurat atau valid pada rentang
waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur
keakuratan suatu datawarehouse, kita dapat menggunakan cara antara lain :
• Cara yang paling sederhana adalah menyajikan datawarehouse pada rentang
waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.
• Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan
dalam datawarehouse baik implicit maupun explicit secara explicit dengan unsur
11
waktu dalam hari, minggu, bulan dsb. Secara implicit misalnya pada saat data
tersebut diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu
akan tetap ada secara implicit didalam data tersebut.
• Cara yang ketiga, variasi waktu yang disajikan datawarehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian
data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat
read-only. Gambar di bawah adalah Aspek Time Variancy dari Datawarehouse
(Inmon, 2005, p.32)
Gambar 2.1 Time Variance Datawarehouse
(Sumber Inmon, 2005, p.32)
12
2.3 Pengertian Data mart
Menurut Connolly (2005, p1171), data mart adalah subset dari datawarehouse
yang mendukung kebutuhan informasi dari suatu departemen atau fungsi bisnis tertentu.
Data mart merupakan suatu bagian dari datawarehouse yang dapat mendukung
pembuatan laporan dan analisis data pada suatu unit, bagian, atau operasi perusahaan.
Menurut Larson (2006, p30), data mart dilambangkan sebagai tubuh dari data
historis didalam sebuah penyimpanan elektronik yang tidak berhubungan didalam
operasi harian di perusahaan. Melainkan data ini digunakan untuk membuat business
intelligence. Data di dalam data mart biasanya digunakan di area yang spesifik dari
perusahaan.
Karakteristik perbedaan data mart dan datawarehouse, yaitu :
1. Data mart hanya berfokus pada kebutuhan user yang berkaitan dengan satu
departemen atau fungsi bisnis.
2. Data mart tidak mengandung data operasional secara detail, tidak seperti
datawarehouse
3. Data yang ada di dalam data mart lebih sedikit daripada yang ada di dalam
datawarehouse, data mart juga lebih mudah dimengerti dan dinavigasikan.
2.4 Pengertian Skema Bintang
Menurut Ponniah (2001, pp210-216), skema bintang adalah teknik dasar
perancangan data untuk datawarehouse. Struktur skema bintang adalah suatu struktur
yang dapat dengan mudah dipahami dan digunakan oleh pengguna. Struktur tersebut
mencerminkan bagaimana pengguna biasanya memandang ukuran-ukuran kritis
mengikuti dimensi-dimensi bisnis yang ada. Dalam skema bintang tergambar dua jenis
13
tabel, yaitu tabel dimensi dan tabel fakta.
Menurut Conolly dan Begg (2005, p1183), star schema adalah struktur logical
yang mempunyai sebuah tabel fakta berisi data factual yang ditempatkan di tengah dan
dikelilingi oleh tabel dimensi berisi data referensi (yang dapat didenormalisasi). Pada
gambar dibawah menggambarkan struktur bagaimana pengguna biasanya memandang
ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang ada.
Gambar 2.2 Star Schema
(Sumber Connolly dan Begg, 2005, p1184)
14
2.5 Pengertian Extract Transform Load ( ETL)
Menurut Inmon (2002, p390). ETL (Extract, Transform, Load) adalah proses
melakukan pencarian data, mengintegrasikan, dan menempatkan data ke dalam sebuah
datawarehouse.
Menurut Kimball dan Ross (2002, p401), ETL adalah kumpulan proses untuk
menyiapkan data dari operational source untuk datawarehouse. Proses ini terdiri dari
extracting, transforming, loading dan beberapa proses yang dilakukan sebelum
dipublikasikan ke dalam datawarehouse.
Jadi, ETL adalah fase pemrosesan data dari sumber data masuk ke dalam
datawarehouse. Tujuan dari ETL adalah mengumpulkan, menyaring, mengolah dan
menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam
datawarehouse. ETL juga dapat digunakan untuk mengintegrasikan data dengan sistem
yang sudah ada sebelumnya.
Hasil dari proses ETL adalah data yang memenuhi kriteria datawarehouse
seperti data historis, terpadu, terangkum, statis dan memiliki struktur yang dirancang
utuk keperluan proses analisis.
Proses ETL terdiri dari tiga tahap, yaitu :
1. Extract
Langkah pertama dari proses ETL adalah proses penarikan data dari satu atau lebih
sistem operasional sebagai sumber data (data bisa diambil dari OLTP). Pada
hakikatnya, proses ekstrasi adalah proses penguraian dan pembersihan data yang
diekstrak untuk mendapatkan suatu pola atau struktur data yang diinginkan.
15
2. Transform
Proses membersihkan data yang telah diambil pada proses ekstrak sebelumnya
sehingga data itu sesuai dengan struktur datawarehouse atau data mart.
Hal-hal yang dapat dilakukan dalam tahap transformasi adalah sebagai berikut :
‐ Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam datawarehouse
‐ Menerjemahkan nilai berupa kode (misal database sumber menyimpan nilai 1
untuk pria dan 2 untuk wanita, tetapi datawarehouse menyimpan M untuk pria
dan F untuk wanita). Proses yang dilakukan disebut automated data cleansing,
tidak ada pembersihan secara manual selama proses ETL
‐ Mengkodekan nilai-nilai ke dalam bentuk bebas (misalnya memetakan “male”,
“I”, “Mr” ke dalam “M”)
‐ Melakukan perhitungan nilai-nilai baru (misal, sale_amount= qty*unit_price)
‐ Menggabungkan data dari berbagai sumber bersama-sama
Membuat ringkasan dari sekumpulan baris data (misalnya total penjualan untuk
setiap bagian).
Kesulitan yang terjadi pada proses transformasi adalah data harus digabungkan dari
beberapa sistem terpisah. Oleh karena itu harus dibersihkan sehingga konsisten dan
harus diagregasi untuk mempercepat analisis.
3. Load
Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam
target akhir, yaitu ke dalam suatu datawarehouse. Waktu dan jangkauan untuk
mengganti atau menambah data tergantung pada perancangan datawarehouse pada
waktu menganalisa keperluan informasi.
16
Fase load berinteraksi dengan suatu database, constraint didefinisikan dalam skema
database sebagai suatu trigger yang diaktifkan pada waktu melakukan load data
(contohnya : uniqueness, referential, integrity, mandotary fields) yang juga
berkontribusi untuk keseluruhan tampilan dan kualitas data dari proses ETL.
2.6 Pengertian Metadata
Menurut Inmon (2002, p393), metadata adalah data mengenai data atau deskripsi
dari struktur, isi, kunci, indeks, dan lain-lain mengenai data. Sedangkan Mallach (2002,
p474) mengatakan metadata adalah data tentang data yang berguna sebagai pusat
penyimpanan informasi untuk menjelaskan kepada user tentang apakah datawarehouse
itu, dari mana asalnya dan siapa yang bertanggung jawab atas hal tersebut dan
sebagainya.
Menurut Connolly (2005, p1055), metadata digunakan untuk berbagai tujuan
meliputi :
- Proses ekstraksi dan loading. Metadata digunakan untuk memetakan sumber data ke
dalam pandangan umum dari data dalam warehouse.
- Proses manajemen warehouse. Metadata digunakan untuk mengotomatiskan
pembuatan tabel ringkasan.
- Sebagai bagian dari proses manajemen query. Metadata digunakan untuk
menghubungkan suatu query dengan sumber data yang tepat.
17
Metadata dalam datawarehouse dibagi menjadi 3 kategori (Ponniah, 2001, p36), yaitu :
- Metadata operasional, berisi mengenai informasi tentang sumber data operasional
yang memiliki struktur data yang berbeda, ukuran field yang berbeda, dan tipe data
yang berbeda.
- Metadata ekstraksi dan transformasi, berisi mengenai data ekstraksi dari sumber
data, penamaan, frekuensi ekstraksi, metode ekstraksi, dan peraturan untuk ekstraksi.
- Metadata pengguna akhir, adalah sebuah peta navigasi dari datawarehouse. Ini
memampukan pengguna akhir untuk menemukan informasi dari datawarehouse.
2.7 Pengertian Data Mining
Menurut Han, Jiawei (2006, p5) data mining merupakan pemilihan atau
“menambang” pengetahuan dari jumlah data yang banyak. Sedangkan menurut Berry
(2004, p7), data mining adalah kegiatan mengeksplorasi dan menganalisis data dalam
jumlah yang besar untuk menemukan pattern dan rule yang berarti. Data mining
digunakan untuk mencari informasi bisnis berharga dari basis data yang sangat besar,
yang dipakai untuk memprediksi trend dan sifat-sifat bisnis serta pola-pola yang tidak
diketahui sebelumnya.
Menurut Prescott, Hoffer dan McFadden (2005, p482), data mining adalah
penemuan pengetahuan dengan menggunakan teknik-teknik yang tergabung dari
statistic, tradisional, artificial intelligence dan grafik computer.
Menurut Han (2006, p21), Fungsi data mining digunakan untuk menentukan
jenis pola yang terdapat dalam database. Dalam beberapa kasus, mungkin beberapa
pengguna tidak tahu bahwa pola-pola menarik yang terdapat dalam data mereka, dan
karena hal itu mereka ingin mencari beberapa jenis pola data secara parallel. Karenanya
18
data mining sistem memiliki peranan penting dalam menghasilkan jenis-jenis pola yang
berbeda untuk mengakomodasi keinginan pengguna akan pola yang beragam.
Selanjutnya, sistem data mining harus dapat menemukan bermacam-macam pola dari
berbagai macam sumber. Sistem data mining juga harus membantu pengguna untuk
menemukan petunjuk yang tepat dan spesifik. Karena beberapa pola dalam data mining
tidak menyimpan seluruh datanya dalam database, ukuran kepastian atau kepercayaan
biasanya terkait dengan setiap pola yang ditemukan.
Menurut Berson, Smith, dan Thearling (2000. P37-38) pada dasarnya aplikasi
data mining digunakan untuk melakukan empat macam funsi, yaitu :
1. Fungsi Klasifikasi (Classification)
Data mining dapat digunakan untuk mengelompokan data-data yang jumlahnya
besar menjadi data-data yang lebih kecil.
2. Fungsi Segmentasi (Segmentation)
Disini data mining juga digunakan untuk melakukan segmentasi (pembagian)
terhadap data berdasarkan karakteristik tertentu.
3. Fungsi Asosiasi (Association)
Pada fungsi asosiasi ini, data mining digunakan untuk mencari hubungan antara
karakteristik tertentu.
4. Fungsi Pengurutan (Sequencing)
Pada fungsi ini, data mining digunakan untuk mengidentifiksaikan perubahan pola
yang terjadi dalam jangka waktu tertentu.
19
2.8 Pengertian Business Intelligence
Menurut David (2003, p.6), business intelligence adalah proses, teknologi, dan
alat bantu yang digunakan untuk mengubah data menjadi informasi, informasi menjadi
pengetahuan, dan pengetahuan menjadi rencana yang digunakan untuk menggerakan
tindakan bisnis yang menguntungkan. Business intelligence menggunakan data
warehousing, business analytic tools, dan knowledge management.
Menurut Oguz (2003), business intelligence adalah kategori luas dari aplikasi
dan teknik untuk mengumpulkan, menyimpan, dan menganalisis, dan menyediakan
akses ke data untuk membantu pengguna dalam membuat keputusan bisnis dan
keputusan strategis yang lebih baik.
Menurut Larson (2006, p.11), business intelligence yaitu menyampaikan
informasi yang akurat dan berguna kepada para pembuat keputusan dalam suatu batasan
waktu untuk mendukung pembuatan keputusan yang efektif.
Tujuan dari business intelligence adalah untuk memungkinkan akses yang
interaktif (terkadang real-time) terhadap data, dan memberikan kemampuan kepada para
manager serta analisis bisnis untuk melakukan analisis yang tepat. Dengan menganalisis
data, situasi, dan performa yang bersifat historical serta actual, pembuatan keputusan
akan lebih bernilai sehingga memungkinkan mereka, para pengambil keputusan untuk
membuat keputusan yang lebih baik. Proses dari business intelligence berdasarkan
transformasi dari data menjadi informasi, kemudian menjadi keputusan, dan pada
akhirnya menjadi tindakan (Turban, 2007, p. 24). Menurut Bart Czernicki arsitektur dari
business intelligence adalah sebagai berikut :
20
Gambar 2.3 Arsitektur Business Intelligence
(Sumber Bart Czernicki, 2010, p11)
Beberapa keuntungan yang didapatkan bila suatu organisasi
mengimplementasikan business intelligence adalah sebagai berikut:
1. Meningkatkan nilai data dan informasi organisasi
Melalui pembangunan business intelligence, maka seluruh data dan informasi
dapat diintegrasikan sedemikian rupa sehingga menghasilkan pengambilan
keputusan yang lengkap. Informasi-informasi yang dulunya tidak dicakupkan
sebagai salah satu faktor pengambilan keputusan dapat dengan mudah dilakukan
‘connecty and combine’ dengan menggunakan business intelligence. Data dan
informasi yang dihasilkan pun juga menjadi lebih mudah diakses dan lebih mudah
untuk dimengerti.
21
2. Memudahkan pemantauan kinerja organisasi
Dalam mengukur kinerja suatu organisasi seringkali dipergunakan ukuran yang
disebut key performance indicator (KPI). KPI tidak selalu diukur dengan satuan
uang, namun dapat juga berdasarkan kecepatan pelaksanaan suatu layanan.
Business intelligence dapat dengan mudah menunjukkan pencapaian KPI suatu
organisasi dengan mudah, cepat, dan tepat. Dengan demikian akan memudahkan
pihak-pihak yang terlibat dalam pengambilan keputusan untuk langkah-langkah
antisipasi yang diperlukan.
3. Meningkatkan nilai investasi teknologi informasi yang sudah ada
Business intelligence tidak perlu/harus mengubah atau menggantikan sistem
informasi yang sudah digunakan sebelumnya. Sebaliknya, business intelligence
hanya menambahkan layanan pada sistem-sistem tersebut sehingga data dan
informasi yang sudah ada dapat menghasilkan informasi yang komprehensif dan
memiliki kegunaan yang lebih baik.
4. Menciptakan pegawai yang memiliki akses informasi yang baik
Dalam melaksanakan pekerjaanya sehari-hari, seluruh level dari suatu organisasi
selalu berkaitan dan/atau membutuhkan akses data dan informasi. Business
intelligence mempermudah seluruh level pegawai dalam mengakses data dan
informasi yang diperlukan sehingga membantu membuat suatu keputusan. Jika
seperti ini tercapai, maka misi dan strategi organisasi yang sudah ditetapkan dapat
dengan lebih mudah terlaksana terpantau tungkat pencapaiannya.
22
2.9 Pengertian OLAP (Online Analytical Processing)
Sebuah OLAP digunakan untuk mengelola informasi yang dapat dilihat dari
berbagai aspek. OLAP memungkinkan pengguna untuk mendapatkan pengertian dan
pengetahuan yang lebih dalam tentang berbagai aspek dari data perusahaan secara cepat,
konsisten dan akses yang interaktif ke seluruh view dari data yang memungkinkan.
Menurut Connolly dan Begg (2002, p1101), OLAP adalah istilah yang mendeskripsikan
sebuah teknologi yang menggunakan multidimensional view dari agregat data untuk
menyediakan akses yang cepat bagi informasi strategis dengan tujuan - tujuan dari
advance analysis.
2.10 Pengertian OLTP (Online Transaction Processing)
Banyak perusahaan yang membutuhkan kegiatan untuk menyimpan semua hal
yang telah dilakukan perusahaan tersebut untuk menjalankan bisnis mereka. Karena
banyaknya kebutuhan untuk menyimpan data secara bersamaan, sebuah perusahaan
membutuhkan sebuah sistem OLTP. Menurut Connolly dan Begg (2005, p1149), OLTP
adalah suatu sistem yang telah dirancang untuk menangani jumlah hasil transaksi yang
tinggi, dengan transaksi yang ada pada umumnya membuat perubahan yang kecil bagi
data operasional oranisasi. Oleh karena itu data organisasi memerlukan penanganannya
operasinya setiap hari.
Transactional data merupakan informasi yang disimpan, digunakan untuk
mengawasi interaksi atau transaksi bisnis yang dilakukan oleh perusahaan. Secara umum
perusahaan membutuhkannya untuk terus mengawasi apa yang telah terjadi dan apa
yang harus dilakukan. Ketika transaksi – transaksi ini disimpan dan dikelola oleh
komputer, inilah disebut sebagai OLTP (Larson, 2006, p27).
23
Sistem OLTP dirancang untuk memungkinkan terjadinya concurrency yang
tinggi, membuatnya mungkin bagi banyak pengguna, untuk mengakses sumber data
yang sama serta melakukan proses yang mereka butuhkan. Setiap interaksi yang
dilakukan perusahaan dalam bisnisnya adalah transaksi bisnis, sehingga dapat disebut
sebagai transactional data.
Seluruh penjumlahan dari transaksi – transaksi tersebut yang disimpan dalam
sistem OLTP adalah sebuah histori dari sebuah perusahaan. Data transaksi ini
mengandung angka- angka yang mentah, yang digunakan untuk menghitung ukuran-
ukuran yang digunakan untuk membuat business inteligence.
2.11 Pengertian Dashboard
Menurut Malik (2005) sebuah dashboard adalah sebuah tampilan komputer yang
kaya dengan grafik, laporan, indicator visual, dan mekanisme pengumuman yang
digabungkan menjadi sebuah tampilan informasi yang dinamis dan relevan.
Menurut Few (2006, p34), Dashboard adalah tampilan visual dari informasi
yang paling penting yang diperlukan untuk mencapai satu atau beberapa tujuan yang
digabungkan serta disusun dalam sebuah layar sehingga informasi tersebut dapat diakses
dengan mudah.
Oleh karena itu, sebuah dashboard dapat menjadi sebuah ringkasan pengukur
dari sebuah performa bisnis terpenting yang telah terlaksana. Tiap-tiap komponen
dashboard yang ditampilkan pada layar, memberikan suatu informasi spesifik dari
sebuah pengukuran. Sama seperti sebuah dashboard yang terdapat pada mobil atau
motor yang menyediakan informasi kritis yang diperlukan untuk menjalankan mobil
24
tersebut, dashboard juga memiliki tujuan yang serupa, yaitu dalam mendukung
keputusan strategis tau kegiatan operasional harian.
Menurut Malik (2005, p8), karakteristik dasar yang harus dimiliki sebuah
dashboard dapat dijelaskan dengan singkatan SMART. Adapun elemen-elemen dari
SMART adalah sebagi berikut :
‐ Synergetic
Harus ergonomis dan efektif secara visual bagi sebuah pengguna untuk
mengsinergiskan informasi menyangkut aspek-aspek berbeda dalam sebuah tampilan
layar tunggal.
‐ Monitor KPI
Harus menampilkan Key Performance Indicators yang kritis yang dibutuhkan dalam
membuat keputusan efektif.
‐ Accurate
Informasi yang ditampilkan haruslah akurat agar dapat meraih kepercayaan diri yang
penuh dari pengguna dalam kepada dashboard. Data-data yang mendukung
dashboard harus sudah dicoba dan divalidasikan dengan baik.
‐ Responsive
Harus bisa merespon terhadap perubahan dengan menciptakan peringatan kepada
pengguna dalam bentuk tampilan visual pada dashboard untuk menarik perhatian
pengguna kepada masalah kritis secepat mungkin.
‐ Timely
Harus menampilkan informasi yang paling baru agar dapat mengambil keputusan
yang efektif. Informasi tersebut haruslah real-time dan right-time.
25
2.12 Langkah – Langkah Pengembangan Business Intelligence
Gambar 2.4 Engineering stages
(Sumber Business Intelligence Roadmap, 2003, p6)
1. Justification : Menetapkan kebutuhan bisnis yang mendukung proyek baru.
2. Planning : Mengembangkan strategi dimana proyek dapat diselesaikan dan
dikembangkan.
3. BusinessAnalysis : Menampilkan analisis secara rinci dari masalah bisnis atau
peluang bisnis untuk mendapatkan solusi yang berpotensi.
4. Design : Menyusun solusi untuk menyelesaikan permasalahan bisnis atau
untuk mendapatkan peluang bisnis.
5. Construction : Membangun solusi yang harus menyediakan pengembalian
investasi dengan jangka waktu yang sudah ditentukan.
26
Gambar 2.5 Development Step Dependencies
Sumber (Business Intelligence Roadmap, 2003, p15)
The Justification Stage
Langkah 1: Business Case Assesment
Masalah bisnis atau peluang bisnis didefinisikan dan solusi business intelligence yang
diusulkan. Masing-masing aplikasi business intelligence yang dikeluarkan harus sesuai
dengan yang biaya telah ditentukan dan harus didefinisikan secara jelas keuntungan dari
penyelesaian masalah bisnis atau mengambil keuntungan dari peluang bisnis.
27
Kegiatan Business Case Assesment
Tentukan kebutuhan bisnis, menilai solusi dari sistem pendukung keputusan, menilai
sumber-sumber operasional dan prosedur, menilai para pesaing business intelligence,
menentukan tujuan aplikasi business intelligence, mengusulkan solusi business
intelligence, lakukan analisis biaya, melakukan penilaian risiko, menulis laporan
penilaian
The Planning Stage
Langkah 2: Enterprise Infrastructure Evaluation
Aplikasi business intelligence adalah inisatif yang digunakan banyak perusahaan, sebuah
infrastruktur perusahaan harus diciptakan untuk mendukung mereka. Beberapa
komponen infrastruktur mungkin sudah berada di tempat sebelum proyek business
intelligence pertama diluncurkan. Komponen infrastruktur lainnya mungkin harus
dikembangkan dari waktu ke waktu sebagai bagian dari proyek business intelligence.
Sebuah infrastruktur perusahaan memiliki dua komponen:
1. Technical Infrastructure, yang mencakup perangkat keras, perangkat lunak,
middleware, sistem manajemen database, sistem operasi, komponen jaringan,
repository metadata, utilitas, dan seterusnya.
Kegiatan Technical Infrastructure
Menilai platform yang ada, mengevaluasi dan memilih produk-produk baru, menulis
laporan penilaian teknis infrastruktur, memperluas platform saat ini
2. NonTechnical Infrastructure, yang meliputi metadata standar, data-penamaan
standar, data model perusahaan logis (berkembang), metodologi, pedoman, prosedur
28
pengujian, perubahan pengendalian proses, prosedur untuk manajemen isu dan
penyelesaian sengketa, dan sebagainya.
Kegiatan NonTechnical Infrastructure
Menilai efektivitas komponen nontechnical infrastructure yang ada, menulis laporan
penilaian infrastruktur nonteknis, meningkatkan infrastruktur nonteknis
Langkah 3: Project Planning
Keputusan business intelligence mendukung proyek-proyek yang sangat dinamis
Perubahan ruang lingkup, staf, anggaran, teknologi, perwakilan bisnis, dan sponsor
sangat dapat mempengaruhi keberhasilan proyek. Oleh karena itu, perencanaan proyek
harus rinci, dan kemajuan yang sebenarnya harus diawasi ketat dan dilaporkan.
Kegiatan Project Planning
Tentukan persyaratan proyek, tentukan kondisi sumber file dan database, tentukan atau
merevisi perkiraan biaya, merevisi penilaian risiko, mengidentifikasi faktor-faktor
keberhasilan, siapkan project charter, buat rencana proyek tingkat tinggi, kickoff proyek.
The Business Analysis Stage
Langkah 4: Project Requirement Definition
Mengelola lingkup proyek adalah salah satu tugas yang paling sulit di dalam keputusan
business intelligence yang mendukung proyek-proyek. Sangat sulit mengurangi
keinginan untuk mendapatkan hal hal yang instan, tetapi membatasi keinginan itu adalah
salah satu aspek yang paling penting dari negosiasi persyaratan untuk setiap
penyampaiannya. Tim proyek harus mengharapkan persyaratan untuk berubah selama
29
siklus pembangunan sebagai pembelajaran orang bisnis mengenai kemungkinan dan
keterbatasan dari teknologi business intelligence selama menjalankan proyek.
Kegiatan Project Requirement Definition
Tentukan persyaratan untuk peningkatan infrastruktur teknis, menentukan persyaratan
untuk peningkatan infrastuktur nonteknis, menetapkan persyaratan untuk sumber data,
tentukan persyaratan untuk sumber data, review lingkup proyek, memperluas model data
logis, tentukan persiapan perjanjian tingkat layanan, menulis dokumen aplikasi
persyaratan
Langkah 5: Data Analysis
Tantangan terbesar untuk semua pendukung keputusan proyek-proyek business
intelligence adalah kualitas dari sumber data. Kebiasaan buruk yang dikembangkan
selama beberapa dekade sulit untuk dihentikan, dan kerusakan yang diakibatkan dari
kebiasaan buruk adalah biaya mahal, memakan waktu, dan sulit menemukan suatu
kebenaran. Selain itu, data analisis di masa lalu terbatas pada pandangan satu baris bisnis
dan tidak pernah konsolidasi atau berdamai dengan pandangan lain dalam organisasi.
Langkah ini mengambil persentase yang signifikan dari waktu yang diberikan dengan
jadwal keseluruhan proyek.
Kegiatan Data Analysis
Analisis sumber data eksternal, memperbaiki Logical data model, menganalisis kualitas
sumber data, memperluas logical data model perusahaan, menyelesaikan perbedaan
data, menulis data-pembersihan spesifikasi
Langkah 6: Application Prototyping
30
Analisis dari penyampaian fungsional, yang dulu disebut analisis sistem, yang terbaik
adalah dilakukan melalui prototipe sehingga dapat dikombinasikan dengan desain
aplikasi. Alat-alat baru dan bahasa pemrograman memungkinkan pengembang untuk
dengan cepat membuktikan atau menyangkal suatu konsep atau ide. Prototyping juga
memungkinkan orang-orang bisnis untuk melihat potensi dan batas-batas teknologi,
yang memberikan mereka kesempatan untuk menyesuaikan kebutuhan proyek mereka
dan harapan mereka.
Kegiatan Application Prototyping
Menganalisis kebutuhan akses, menentukan cakupan prototipe, pilih alat untuk
prototipe, siapkan prototipe chapter, desain laporan dan query, membangun prototipe,
menunjukkan prototipe
Langkah 7: Metadata Repository Analysis
Memiliki peralatan lebih berarti memiliki metadata yang lebih teknis di samping data
bisnis meta, yang biasanya ditangkap dalam rekayasa perangkat lunak berbantuan
komputer (CASE) alat pemodelan. Metadata teknis yang perlu dipetakan ke data bisnis
meta, dan semua metadata harus disimpan dalam repository metadata. Metadata
repository dapat dibeli atau dibangun. Dalam kasus yang lain, persyaratan untuk jenis
metadata untuk menangkap dan menyimpan harus didokumentasikan dalam logical meta
model. Ketika lisensi produk repository metadata, persyaratan didokumentasikan pada
logical data model harus dibandingkan dengan model meta vendor, jika disediakan.
Selain itu, persyaratan untuk menyampaikan metadata untuk komunitas bisnis harus
dianalisis (misalnya, fungsi Help).
31
Kegiatan Metadata Repository Analysis
Menganalisis kebutuhan repository metadata, menganalisis kebutuhan antarmuka untuk
repository metadata, penganalisis repository metadata dan kebutuhan laporan, buat
logical metadata, buat meta-meta data
Design Stage
Langkah 8: Database Design
Satu atau lebih database sasaran business intelligence akan menyimpan data bisnis
dalam bentuk rinci atau berhubungan, tergantung pada persyaratan pelaporan dari
komunitas bisnis. Tidak semua persyaratan pelaporan yang strategis, dan tidak semua
dari mereka adalah multidimensi. Skema desain database harus sesuai dengan
kebutuhan akses informasi dari komunitas bisnis.
Kegiatan Database Design
Meninjau kebutuhan akses data, menentukan agregasi dan ringkasan persyaratan, desain
database sasaran business intelligence, desain stuktur database, membangun database
sasaran business intelligence, mengembangkan prosedur pemeliharaan database,
bersiaplah untuk memantau dan menyesuaikan desain database
Langkah 9: Extract / Transform / Load Design
Sekumpulan proses ETL yang bersifat kecil, namun rendahnya kualitas sumber data
biasanya memerlukan banyak waktu untuk menjalankan program transformasi dan
pembersihan. Penyelesaian sekumpulan proses ETL adalah tantangan bagi kebanyakan
organisasi.
32
Kegiatan Extract / Transform / Load Design
Buat sumber untuk sasaran pemetaan dokumen, menguji fungsi alat ETL, desain aliran
proses ETL, desain program ETL, mengatur staging area ETL
Langkah 10: Metadata Repository Design
Jika repository metadata yang berlisensi, kemungkinan besar akan harus ditingkatkan
dengan fitur yang didokumentasikan pada logical data model tetapi tidak disediakan
oleh produk. Jika repository metadata sedang dibangun, keputusan harus dibuat apakah
repository metadata desain database akan berdasarkan hubungan antara entitas atau
object oriented. Dalam kedua yang lain, desain harus memenuhi persyaratan logical
meta model.
Kegiatan Metadata Repository Design
Desain database repositoy metadata, menginstal dan menguji produk repository
metadata, desain proses migrasi metadata, desain aplikasi metadata
The Construction Stage
Langkah 11: Extract / Transform / Load Development
Banyak alat yang tersedia untuk proses ETL, beberapa canggih dan beberapa sederhana.
Tergantung pada persyaratan untuk pembersihan data dan transformasi data yang
dikembangkan selama Langkah 5, Analisis Data, dan Langkah 9, ETL Desain, alat ETL
mungkin atau tidak mungkin bukan solusi terbaik. Dalam kasus lain, preprocessing data
dan ekstensi menulis untuk melengkapi kemampuan dari alat ETL yang sering
diperlukan.
33
Kegiatan Extract / Transform / Load Development
Membangun dan menguji unit proses ETL, integrasi atau uji regresi proses ETL, kinerja
pengujian proes ETL, jaminan Kualitas pengujian proses ETL, penerimaan pengujian
proses ETL
Langkah 12: Application Development
Setelah upaya prototipe telah menguat sampai persyaratan fungsional, perkembangan
dari akses dan aplikasi analisis dapat dimulai. Mengembangkan aplikasi dapat menjadi
masalah sederhana menyelesaikan sebuah prototipe operasional, atau dapat lebih
melibatkan upaya pengembangan yang menggunakan perbedaan, akses yang lebih kuat
dan alat analisis. Dalam kasus lainnya, kegiatan aplikasi front-end pembangunan
biasanya dilakukan secara paralel dengan kegiatan back-end ETL pengembangan dan
pengembangan metadata repository.
Kegiatan Application Development
Tentukan persyaratan proyek akhir, desain program aplikasi, membangun dan menguji
unit program aplikasi, uji program aplikasi, menyediakan akses data dan pelatihan
analisis
Langkah 13: Data Mining
Banyak organisasi tidak menggunakan business intelligence untuk mendukung
pengambilan keputusan mereka. Aplikasi business intelligence sering terbatas pada
penulisan laporan, beberapa di antaranya bahkan bukan tipe baru dari laporan tapi
pengganti laporan lama. Umpan balik berasal dari informasi yang tersembunyi dalam
data organisasi, yang dapat ditemukan hanya dengan alat data mining.
34
Kegiatan Data Mining
Pengelompokan masalah bisnis, mengumpulkan data, konsolidasi dan membersihkan
data, siapkan data, membangun model data analitikal, menginterpretasikan hasil data
mining, melakukan validasi eksternal dari hasil, monitor data model analitical dari
waktu ke waktu.
Langkah 14: Metadata Repository Development
Jika keputusan dibuat untuk membangun sebuah repository metadata daripada satu
lisensi, sebuah tim terpisah biasanya diisi dengan proses pengembangan. Ini proyek yang
cukup besar menjadi dalam proyek business intelligence secara keseluruhan.
Kegiatan Metadata Repository Development
Membangun database repository metadata, membangun dan menguji unit proses
migrasi metadata, membangun dan menguji unit apliaksi metadata, uji program
repository metadata atau fungsi produk, siapkan repository metadata untuk produksi,
menyediakan pelatihan repository metadata.