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.