9

BAB 2

LANDASAN TEORI

2.1 Teori–teori Dasar/Umum

2.1.1 Pengertian Data

Menurut Turban (2005, p38), data adalah deskripsi dasar dari

suatu kejadian, aktivitas, dan transaksi yang ditangkap, direkap,

dikelompokkan dan disimpan namun tidak terorganisir untuk

menyampaikan suatu arti tertentu.

Menurut Inmon (2005, p388), data adalah pengumpulan

berdasarkan fakta, konsep, dan instruksi yang disimpan dalam media

penyimpanan, digunakan untuk komunikasi dan diproses menjadi

informasi sehingga dapat dimengerti oleh manusia (user).

Menurut O’Brien (2006, p696), data adalah kumpulan fakta

atau hasil observasi mengenai fenomena fisik atau transaksi bisnis.

Lebih khusus lagi, data adalah ukuran objektif dari atribut

(karakteristik) dan entitas seperti manusia, tempat, benda atau

kejadian.

Berdasarkan definisi di atas, dapat disimpulkan bahwa data

adalah kumpulan fakta mengenai kejadian, aktivitas, dan transaksi

namun tidak memberikan informasi tertentu bagi manusia (user)

karena belum dilakukan pemrosesan terhadap data tersebut.

10

2.1.2 Pengertian Sistem

Menurut Satzinger (2005, p6), sistem sebagai sekumpulan

komponen yang saling terkait secara bersamaan memiliki tujuan

mencapai hasil tertentu.

Menurut Williams dan Sawyer yang diterjemahkan oleh

Rahayu, N.W. Prabawati T.A. (2007, p510), mendefinisikan sistem

sebagai berikut:

“Sistem merupakan kumpulan dari komponen-komponen yang

berhubungan dan saling berinteraksi untuk melakukan suatu tugas

guna mencapai sebuah tujuan. Dengan memahami aktivitas-aktivitas

yang dilakukan oleh sistem, programmer dapat mencari cara yang

lebih bagus untuk mencapai suatu tujuan”

Menurut Philip Kotler (2006, p57), sistem adalah sebuah

elemen yang sangat penting keberadaannya dalam perusahaan dan

berperan penting bagi bisnis perusahaan , dimana elemen ini

merupakan gabungan dari beberapa elemen yang berkolaborasi antara

satu sama lain.

Berdasarkan definisi diatas dapat disimpulkan bahwa sistem

merupakan sekumpulan komponen yang saling terkait satu sama lain

dan memiliki peranan penting dalam perusahaan untuk mencapai

suatu tujuan tertentu.

11

2.1.3 Pengertian Informasi

Menurut Turban (2008, p5), informasi mengacu pada data

yang telah terorganisir sehingga informasi tersebut memiliki makna

dan nilai kepada penerima informasi.

Menurut Inmon(2005,p391), informasi adalah data yang telah

dipilih dan dievaluasi oleh manusia untuk dapat menyelesaikan

masalah atau mengambil keputusan (decision making).

Menurut Kelly (2006, p3), informasi adalah sekumpulan data

yang telah diolah dan melalui sebuah proses di dalamnya sehingga

yang pada awalnya tidak memiliki nilai (value) apa-apa kemudian

berubah memiliki nilai yang terkandung di dalamnya dan nilai

tersebut memiliki arti bagi penerimanya.

Berdasarkan definisi di atas, dapat disimpulkan bahwa

informasi adalah data yang telah terorganisir sehingga memiliki

makna dan nilai bagi penerima informasi.

2.1.4 Pengertian Sistem Informasi

Menurut Satzinger (2005, p7), sistem informasi adalah

sekumpulan komponen terkait yang mengumpulkan, memproses,

menyimpan, dan menyediakan hasil (output) dari informasi yang

dibutuhkan untuk menyelesaikan tugas bisnis.

Menurut Turban (2008, p8), sistem informasi adalah proses

mengumpulkan, memproses, menyimpan, menganalisis, dan

menyebarkan informasi untuk tujuan tertentu.

12

Menurut Rainer (2011, p38-40), sistem informasi adalah

sebuah kerja sama dan kolaborasi antara beberapa komponen yang

ada agar dapat berkerja secara bersamaan dan sinergi untuk dapat

menghasilkan beberapa tindakan yang terdiri dari mengumpulkan,

memproses, menyimpan, menganalisis, dan menyebarkan informasi

yang ada dengan tujuan yang sudah ditetapkan sebelumnya.Rainer

juga mengutarakan bahwa dalam sistem informasi terdapat beberapa

komponen vital atau utama yang bergerak di dalamnya antara lain

sebagai berikut :

• Hardware

adalah sekumpulan perangkat keras (hardware) yang digunakan

untuk menerima data dan informasi, memprosesnya, dan

menampilkannya kembali.

• Software

adalah sekumpulan program yang dapat memberikan perintah

kepada perangkat keras (hardware) yang ada untuk melakukan

pemprosesan data.

• Database

adalah basis data yang berisikan sekumpulan file atau tabel yang

saling berhubungan antara satu sama lain dan di dalamnya

berisikan data tersebut.

• Network

adalah sebuah system penghubung yang dapat menggunakan kabel

(wireline) atau tidak menggunakan kabel sama sekali (wireless)

yang memiliki peranan penting dalam menghubungkan beberapa

13

komputer berbeda agar dapat berbagi sumber daya yang dimiliki

oleh satu sama lain.

• Procedures

adalah sebuah instruksi, aturan, dan prosedur yang berisikan

bagaimana cara untuk menggabungkan komponen-komponen di

atas dalam rangka melakukan kegiatan pemprosesan informasi dan

menghasilkan apa yang dibutuhkan.

• People

Adalah sumber daya manusia (SDM) yang akan mengoperasikan

perangkat keras (hardware) dan perangkat lunak (software), saling

berhubungan satu sama lain dan menggunakan hasil pemprosesan

tersebut.

Berdasarkan definisi di atas, dapat disimpulkan bahwa sistem

informasi terdiri dari beberapa proses penting yakni : pengumpulan

data, transformasi data, penyimpanan data, dan penyebaran data.

2.1.5 Database

2.1.5.1 Pengertian Database

Menurut Connolly dan Begg (2010, p65), database

adalah kumpulan data yang saling berhubungan satu sama lain

yang digunakan secara bersamaan, dan kumpulan data ini

didesain untuk memenuhi kebutuhan informasi suatu

perusahaan.

Menurut W.H Inmon (2005, p493), database

merupakan kumpulan data-data yang saling berhubungan yang

14

tersimpan (biasanya dengan redudansi yang terkendali dan

terbatas)berdasarkan suatu skema tertentu.Database dapat

digunakan untuk aplikasi tunggal maupun ganda.

Menurut Kelly (2006, p15), database adalah basis data

yang berisikan sekumpulan file atau tabel yang saling berkaitan

dan di dalamnya berisikan data.

Berdasarkan definisi di atas dapat disimpulkan bahwa

databaseadalah kumpulan data dalam bentuk file atau tabel yang

saling berhubungan, tersimpan berdasarkan skema tertentu, dan

digunakan untuk memenuhi kebutuhan informasi suatu

perusahaan.

2.1.5.2 Database Language

Di dalam sebuah aplikasi basis data memiliki

ketentuan-ketentuanyang berlaku dan harus diperhatikan oleh

pengguna (user), serta perancangan juga harus memperhatikan

penggunaan bahasa dalam sistem basis data.

2.1.5.2.1 Data Definition Language (DDL)

Menurut Connolly dan Begg (2010,p92), Data

Definition Language (DDL) didefinisikan sebagai bahasa yang

memungkinkan database administrator untuk menambahkan

dan menamakan entitas, atribut, dan hubungan yang dibutuhkan

dalam aplikasi, terkait dengan integritas dan kendala keamanan

dari aplikasi.

15

2.1.5.2.2 Data Manipulation Language (DML)

Menurut Connolly dan Begg (2010, p92), Data

Manipulation Language (DML) didefinisikan sebagai bahasa

yang menyediakan suatu fungsi agar dapat memanipulasi data-

data yang terdapat di dalam sebuah database.

2.1.5.3 Pengertian DBMS (Database Management System)

Menurut Connolly dan Begg (2010, p66), “Database

Management System (DBMS) is a software system that enables

users to define, create, maintain, and control access to the

database”. Yang dapat diartikan bahwa DBMS adalah

perangkat lunak (software) yang memungkinkan pengguna

(user) untuk mendefinisikan, membuat, memelihara dan

mengontrol akses terhadap database. Sebuah DBMS harus

menyediakan fasilitas sebagai berikut :

1. Mampu mendifinisikan database, biasanya melalui Data

DefinitionLanguage (DDL). DDL memungkinkan pengguna

(user)untuk menentukan tipe data, struktur, dan batasan

terhadap data yang akan disimpan ke dalam database.

2. Memungkinkan pengguna (user) untuk memasukkan

(insert), mengubah (update), menghapus (delete) dan

mengambil (retrieve) data dari database, biasanya melalui

Data Manipulation Language (DML). DML memungkinkan

pengguna (user)untuk melakukan query.

16

3. Menyediakan hak akses ke database. Sebagi contoh DBMS

dapat menyediakan :

a. Sistem keamanan yang memungkinkan untuk mencegah

user yang tidak berkepentingan untuk melakukan akses

terhadap database.

b. Sistem integrasi untuk menjaga konsistensi data yang

tersimpan.

c. Sistem kendali atau kontrol yang memungkinkan

database dapat diakses secara bersamaan.

d. Sistem pemulihan atau recovery yang memungkinkan

untuk dapat mengembalikan keadaan database ke

kondisi konsisten seperti semula jika terjadi kesalahan.

e. Sebuah katalog yang bisa diakses oleh pengguna (user)

yang di dalamnya terdapat deskripsi atau penjelasan dari

data yang terdapat di dalam database.

2.1.5.3.1 Fungsi DBMS

DBMS sangat bermanfaat bagi perusahaan dalam

menjalankan proses bisnisnya. Dengan adanya DBMS

perusahaan diharapkan mampu bersaing dengan perusahaan lain

pada era globalisasi seperti sekarang ini.Menurut Connolly dan

Begg (2010, p99-p104) fungsi DBMS adalah sebagai berikut :

� Penyimpanan, pengambilan, dan peng-update-an data

17

Sebuah DBMS harus dapat menyediakan suatu

kemampuan/fitur untuk menyimpan, mengambil, dan meng-

update data bagi pengguna (user) dalam sebuah DBMS.

� Katalog User-Accesible

Sebuah DBMS harus menyediakan sebuah katalog yang

menyimpan deskripsi tentang item data dan mudah diakses

oleh pengguna (user).

� Mendukung transaksi

Sebuah DBMS harus menyediakan mekanisme yang

memastikan setiap peng-update-an data dilakukan sesuai

dengan transaksi yang diberikan.

� Layanan kendali konkurensi

Sebuah DBMS harus menyediakan sebuah mekanisme

untuk memastikan bahwa basis data di-updatedengan

benar ketika banyak pengguna (user) melakukan update

basis data secara bersamaan.

� Layanan Perbaikan

Sebuah DBMS harus menyediakan sebuah mekanisme

untuk memperbaiki basis data ketika sebuah basis data

mengalami kerusakan (recovery).

� Layanan Autorisasi

Sebuah DBMS harus menyediakan sebuah mekanisme

untuk memastikan bahwa pengguna (user) memiliki

otoritas/hak untuk mengakses basis data.

� Mendukung komunikasi data

18

Sebuah DBMS harus mampu diintegrasikan dengan

perangkat lunak (software) komunikasi.

� Layanan Integritas

Sebuah DBMS harus mampu memastikan bahwa data di

dalam basis data tersimpan dengan baik dan perubahan

yang terjadi pada data harus mengikuti aturan tertentu

yang telah ditetapkan.

� Layanan peningkatan keterbatasan data

Sebuah DBMS harus memasukkan sebuah fasilitas

tambahan untuk mendukung keterbatasan program dari

struktur basis data yang sebenarnya agar menjadi lebih

lengkap.

� Layanan Utilitas

Sebuah DBMS harus dapat menyelesaikan seperangkat

layanan utilitas yang membantu database admin

mengelola basis data secara efektif.

2.1.5.3.2 Komponen DBMS

DBMS merupakan sebuah aplikasi perangkat lunak

(software) yang tentunya memiliki komponen-komponen

penting di dalamnya agar menjadi satu kesatuan di dalam

sebuah sistem.

Menurut Connolly dan Begg (2010, p68-71), terdapat

lima komponen yang sangat penting, yaitu :

1. Perangkat keras (Hardware)

19

DBMS dan aplikasinya membutuhkan perangkat keras

(hardware) untuk dapat mengoperasikannya. Perangkat

keras (hardware) tersebut dapat berupa PC, sebuah

mainframe, dan jaringan komputer. Sedangkan, jenis

perangkat keras tertentu tergantung pada kebutuhan

organisasi dan DBMS yang digunakan. Beberapa DBMS

hanya dapat bekerja pada perangkat keras atau sistem

operasi tertentu. DBMS membutuhkan jumlah minimum dari

main memory dan disk space untuk bekerja.

2. Perangkat Lunak (Software)

Komponen perangkat lunak terdiri dari software DBMS itu

sendiri dan program aplikasi yang dibutuhkan untuk

menjalankan sistem, termasuk network software jika

digunakan pada jaringan. Pada umumnya, program aplikasi

ditulis dalam bahas pemprograman 3GL, seperti C, C++,

Java, Visual Basic, Cobol, Fortran, Ada, atau Pascal, atau

menggunakan 4GL, seperti SQL yang di- embed dalam

generasi ketiga.

3. Data

Komponen terpenting dalam DBMS, terutama dalam sudut

pandang end-user, Data berperan sebagai jembatan

antarakomponen mesin dan komponen manusia. Basis data

memiliki data operasional dna metadata.

4. Prosedur

20

Merupakan instruksi atau aturan yang mengatur desain dan

penggunaan basis data. Pengguna system dan staf yang

mengatur basis data membutuhkan dokumentasi prosedur

untuk menjalankan atau mengoperasikan sistem. Instruksi-

instruksi tersebut, antara lain :

o Log on pada DBMS

o Menggunakan fasilitas DBMS tertentu atau aplikasi

program

o Memulai dan menghentikan DBMS

o Membuat salinan backup dari basis data

o Mengatasi kegagalan perangkat keras (hardware) dan

perangkat lunak (software). Termasuk prosedur untuk

mengidentifikasi komponen yang gagal, dan

mengembalikan basis data ke keadaan semula.

o Mengubah struktur dari tabel, mengatur ulang basis data

melalui multiple disks, meningkatkan performa, atau

menyimpan data pada secondary storage.

5. Manusia

Merupakan komponen yang terakhir yang terlibat dalam

sistem. Terdapat lima tipe komponen manusia yang terlibat

dalam sistem, yaitu Data Administrators, Database

Administrators, Database Designers, Application

Developers, dan End users.

21

2.1.6 Data Warehouse

2.1.6.1 Pengertian Data Warehouse

Menurut Turban (2011, p52), data warehouse adalah

kumpulan data yang dihasilkan untuk mendukung proses

pengambilan keputusan, tetapi juga dapat berfungsi sebagai tempat

penyimpanan data saat ini dan historikal data yang potensial bagi

manajer dalam organisasi.

Menurut W.H Inmon (2005, p495) data warehouse

merupakan kumpulan dari database yang memiliki sifat

berorientasi subjek, terintegrasi, yang dirancang untuk dapat

mendukung pengambilan keputusan dalam organisasi, dimana tiap

datanya berhubungan dengan suatu kejadian yang terjadi pada

suatu waktu tertentu.

Menurut Connolly dan Begg (2010,p1197), data warehouse

adalah kumpulan data yang berorientasi subjek, terintegrasi, time-

variant,dan non-volatile, yang mendukung proses pengambilan

keputusan dalammanajemen.

Berdasarkan teori di atas dapat disimpulkan, datawarehouse

adalah adalah kumpulan dari database yang berorientasi subjek,

terintegrasi, time-variant dan non-volatile, yang mendukung proses

pengambilan keputusan.

22

2.1.6.2 Karakteristik Data Warehouse

Menurut W.H Inmon (2005, p29), karakteristik dari data

warehouse adalah sebagai berikut

a) Subject Oriented (Berorientasi Subjek)

Data warehouse bersifat subject oriented artinya data

warehouse digunakan untuk menganalisa data berdasarkan

subjek-subjek tertentu dalam organisasi, bukan berorientasi

pada berbagai aplikasi tertentu, yang mempermudah

pengguna(user dalam melakukan pengambilan keputusan.

Beberapa perbedaan antara data primitif (data operasional) dan

data warehouse diantaranya sebagai berikut :

Tabel 2.1 Perbedaan antara Data Operasional dan Data

Warehouse

Data Operasional Data Warehouse

Berorientasi pada aplikasi Berorientasi subyek

Dapat berubah Tidak dapat berubah

Dapat diakses oleh sebuah unit

dalam satu waktu

Dapat diakses oleh sebuah set

unit dalam satu waktu

Jumlah data yang diproses kecil Jumlah data yang diproses

besar

Tidak ada redudancy data Ada redudancy data

Untuk komunitas karyawan Untuk komunitas manajer

23

Gambar 2.1 Karakteristik Data Warehouse : Subject Oriented

(Sumber : W.H Inmon, 2005, p30)

b) Integrated (Terintegrasi)

Data warehouse bersifat integrated artinya data

warehouse menyimpan data dari berbagai sumber berbeda

yang disimpan ke dalam suatu format yang konsisten dan data

tersebut terintegrasi satu sama lain, dimana data-data tersebut

merupakan suatu kesatuan sehingga tidak dapat dipecah-pecah.

Syarat integrasi sumber data dapat dipenuhi dengan

berbagaicara seperti konsistensi dalam penamaan dan ukuran

variabel, konsistendalam struktur pengkodean, dan konsisten

dalam atribut fisik daridata.

24

Gambar 2.2 Karakteristik Data Warehouse : Integrated

(Sumber : W.H Inmon, 2005, p31)

c) Non - volatile (Tidak dapat diubah)

Data warehouse bersifat non volatile, artinya data

warehousetidak dapat diubah. Pengguna (user) tidak dapat

mengubah data warehouseyang sudah ada. Berbeda dengan

database operasional yang memiliki tiga kegiatan operasi

sepertiinsert, update, dan delete, data warehousehanya

memiliki dua kegiatan yaitu loading dan akses data.

25

Gambar 2.3 Karakteristik Data Warehouse : Non volatile

(Sumber : W.H Inmon, 2005, p32)

d) Time Variant

Dalam OLTP, record yang ada merupakan record

terbaru sebab OLTP tidak menyimpan record-record yang lama

untuk mempercepat proses karena semakin sedikit data yang

disimpan maka waktu pemrosesan data semakin cepat. Lain

halnya dengan data warehouse yang berisi record-record yang

bersifat historis dan dapat tetap berada dalam sistem untuk

jangka waktu 5-10 tahun sehingga dapat digunakan sebagai

bahan analisis pengambilan keputusan. Tetapi, record yang

terlalu lama juga tidak efektif karena bisa memberikan hasil

analisa yang kurang sesuai dengan trend di masa mendatang.

Oleh karena itulah, data pada datawarehouse bersifat time

variant atau akurat pada periode tertentu.

Selain itu, data pada data warehouse dikatakan

memilikiperbedaan/rentang waktu (time variance) karena data

warehousejuga mempunyai dimensi waktu sehingga data

warehouse akuratselama periode waktu tertentu dan dapat

26

digunakan untukmempelajari trend dan perubahan. Hal ini

sangat berbeda dengan datapada OLTP, dimana data hanya

akurat untuk waktu sesaat setelahdiakses.Aspek yang

menunjukkan karakteristik time variant dalamdata warehouse

adalah sebagai berikut :

• Data warehouse merepresentasikan data untuk kurun waktu

5-10 tahun, sedangkan OLTP merepresentasikan data untuk

jangka waktu yang lebih singkat, yaitu sekitar 60-90 hari.

Karena aplikasi yang digunakan pada OLTP harus memiliki

waktu respon yang singkat maka data yang diproses harus

optimal.

• Setiap struktur data pada data warehouse mengandung

elemenwaktu seperti tahun, bulan, minggu, hari, dan

sebagainya.

• Data pada data warehouse merupakan serangkaian snapshot,

yaitu potongan data yang dikelompokkan sesuai dengan

urutan waktu.

Gambar 2.4 Karakteristik Data Warehouse : Time-variant

(Sumber : W.H Inmon, 2005, p32)

27

2.1.6.3 Anatomi Data Warehouse

Dalam menentukan bentuk dasar dari data warehouse yang

akan digunakan dalam perusahaan, terlebih dahulu kita harus

mengetahui kebutuhan informasi yang diperlukan oleh perusahaan.

Data warehouse terdiri atas tiga jenis dasar sistem, yaitu :

1. Data warehouse fungsional (Functional Data Warehouse)

Data warehouse fungsional dibangun berdasarkan

kebutuhan informasi dari tiap bagian fungsi bisnis perusahaan.

Data warehouse fungsional merupakan pendekatan yang

digunakan untuk membangun suatu sistem data warehouse

dengan biaya investasi yang rendah. Keuntungan dari bentuk

ini adalah sistem mudah dibangun dengan biaya yang relatif

murah sedangkan kerugiannya adalah resiko kehilangan

konsistensi data dan terbatasnya kemampuan dalam

pengumpulan data bagi pengguna (user).

Gambar 2.5 Data Warehouse Fungsional

(Sumber : http://zhang90.files.wordpress.com/2010/12/data-ware-house.ppt)

28

2. Data warehouse terpusat (Centralized Data Warehouse)

Data warehouse terpusat dibangun dari data operasional

yang dikumpulkan dalam pusat penyimpanan data yang

digunakan oleh pengguna untuk membangun data warehouse

fungsional masing-masing.

Menurut W.H Inmon (2005, p193), kebanyakan

organisasi membangun dan memelihara lingkungan data

warehouse terpusat yang tunggal. Pengaturan ini masuk akal

karena alasan sebagai berikut :

a. Data di dalam data warehouse saling terintegrasi antar

cabang perusahaan dengan pusat dan gambaran integrasi

tersebut hanya terdapat pada kantor pusat.

b. Perusahaan beroperasi pada model bisnis terpusat

c. Volume dari data dalam data warehouse seperti tempat

penyimpanan yang bersifat tunggal dan terpusat

d. Sekalipun data dapat terintegrasi dan diedarkan antar area

lokal yang beragam, data tersebut akan tidak praktis untuk

diakses. Keuntungan dari bentuk ini adalah data benar-benar

terpadu karena konsistensinya yang tinggi sedangkan

kerugiannya adalah biaya yang mahal serta perlu waktu

yang cukup lama dalam membangun bentuk ini.

29

Gambar 2.6 Data Warehouse Terpusat

(Sumber :http://zhang90.files.wordpress.com/2010/12/data-ware-house.ppt)

3. Data warehouse terdistribusi (Distributed Data Warehouse)

Perusahaan yang memiliki cabang tersebar di seluruh

dunia membutuhkan informasi yang mencakup tidak hanya

wilayah lokal saja tetapi juga wilayah global. Global data

warehouse membutuhkan informasi terpadu dari data

warehouse tempat infomasi dikumpulkan. Disamping itu, ada

kebutuhan yang lain untuk data warehouse yang terpisah di

setiap cabang perusahaan. Dalam kasus ini, menurut W.H

Inmon (2005, p193), data warehouse terdistribusi dibutuhkan.

Tiga tipe dari data warehouse terdistribusi :

a. Data warehouse yang terdistribusi secara geografi terdiri

dari data warehouse lokal dan data warehouse global.

30

b. Data warehouse yang terdistribusi dalam banyak prosesor,

secara logis ada satu data warehouse tetapi secara fisiknya

ada banyak data warehouse yang saling berhubungan.

c. Data warehouse yang tumbuh dalam sumber yang tidak

terkoordinasi. Keuntungan dari bentuk ini adalah kelebihan

dalam mengakses data dari luar perusahaan yang telah

mengalami sinkronisasi terlebih dahulu dan tetap terjaga

konsistensinya, namun kerugian dari bentuk ini adalah

bentuk yang paling mahal dan kompleks untuk diterapkan,

karena sistem operasinya dikelola secara terpisah.

Gambar 2.7 Data Warehouse Terdistribusi

(Sumber :http://zhang90.files.wordpress.com/2010/12/data-ware-house.ppt)

31

2.1.6.4 Arsitektur Data Warehouse

Menurut Kimball dan Ross, arsitektur data warehouse

digambarkan sebagai berikut :

Berdasarkan gambar arsitektur data warehouse di atas

dijelaskan sebgaai berikut :

1. Program/Project Planning and Management

Menurut Kimball dan Ross (2010, p98), kotak pertama pada

roadmap berfokus pada memulai program/proyek yang dijalankan

termasuk assessing readiness, justification, scooping, dan staffing.

Pada seluruh daur hidup, program dan manajemen proyek yang

terus menerus membuat aktivitas tetap pada jalurnya.

Menurut Kimball dan Ross (2002, p334-337), perencanaan

proyek terbagi menjadi lima kegiatan, yaitu :

a. Assessing Readiness

Sebelum bergerak maju dengan pengeluaran data warehouse

yang signifikan, akan lebih bijaksana terlebih dahulu menilai

kesiapan organisasi untuk melanjutkannya. Ada 5 faktor yang

menjadi indikator kesiapan organisasi yaitu :

� Sponsor bisnis yang kuat

� Memiliki motivasi bisnis yang menarik dan kuat dalam

membangun data warehouse.

� Kelayakan

� Hubungan bisnis dengan organisasi IT

� Budaya analisis yang sekarang berjalan dalam perusahaan.

32

b. Scoping

Setelah organisasi siap, langkah berikutmya adalah

memberikan batasan disekitar proyek yang akan dilaksanakan.

Scoping membutuhkan gabungan input yang baik dari

organisasi IT maupun manajemen bisnis. Scope atau ruang

lingkup dari data warehouse harus memiliki arti atau nilai bagi

organisasi dan dapat diatur.

c. Justification

Justification memerlukan perkiraan keuntungan dan biaya

terkait dengan data warehouse. IT biasanya bertanggung jawab

dalam menentukan pengeluaran. Perkiraan biaya dibutuhkan

untuk pengadaan hardware dan software.

d. Staffing

Proyek data warehouse membutuhkan integrasi dari tim cross

– functional dengan sumber daya dari bisnus dan komunitas

IT. Penugasan dari sumber daya manusia untuk mengisi peran

tersebut tergantung pada besarnya dan cakupan dari proyek,

maupun ketersediaan, kapasitas, dan pengalaman individu.

e. Developing and Maintaining the Project Plan

Mengembangkan suatu proyek data warehouse melibatkan

pengidentifikasian setiap pekerjaan yang penting dalam

mengimplementasikan data warehouse. Sumber daya tersebut

banyak tersedia di pasar untuk membantu menyusun daftar

pekerjaan proyek.

33

2. Business Requirements Definition

Menurut Menurut Kimball dan Ross (2010:98), memunculkan

kebutuhan bisnis merupakan tugas utama dalam Kimball Lifecycle

karena temuan ini mendorong sebagian besar keputusan upstream

dan downstream. Kebutuhan dikumpulkan untuk menentukan

faktor kunci yang mempengaruhi bisnis dengan berfokus pada apa

yang dilakukan oleh pengguna bisnis (atau apa yang akan

dilakukan di masa mendatang), daripada bertanya “apa yang anda

inginkan dalam data warehouse?” Kesempatan utama di seluruh

perusahaan diidentifikasi, diberikan prioritas berdasarkan pada

nilai bisnis dan kelayakan, kemudian rincian kebutuhan

dikumpulkan untuk iterasi pertama dari pembangunan sistem

DW/BI.

Menurut Kimball dan Ross(2002:341-346), business requirement

dapat terbagi menjadi tiga kegiatan, yaitu:

a. Requirements Preplanning

Sebelum bertemu dengan komunitas bisnis untuk

mengumpulkan kebutuhan, sebaiknya dilakukan pembahasan

secara produktif dengan mempertimbangkan hal-hal berikut:

• Choose the Forum

Pengumpulan requirement pada saat menemui perwakilan

pengguna bisnis sementara serta para pakar sistem dan ahli

permasalahan yang ada. Langkah dua arah ini memberikan

wawasan pada dua kebutuhan bisnis dalam hubungannya

dengan kenyataan data.

34

• Identify and Prepare the Requirements Team

Pada tahap ini akan dilakukan pengidentifikasian dan

persiapan anggota tim proyek yang akan terlibat.

• Select, Schedule, and Prepare Business Representatives

Pada tahap ini diperlukan berbicara pada pengusaha yang

mewakili wawasan di seluruh organisasi secara horizontal.

Cakupan ini sangat penting untuk memformulasi blue print

pada data warehouse bus.

b. Collecting and Business Requirements

Pada saat mengumpulkan kebutuhan bisnis biasanya proses

berjalan mengalir dimulai dari perkenalan, pertanyaan secara

terstruktur, sampai dengan penarikan kesimpulan (wrap up).

• Launch

Tanggung jawab untuk melakukan wawancara harus

dipersiapkan terlebih dahulu. Diharuskan berfokus pada

tujuan proyek dan wawancara, tetapi tidak berbicara

berlebihan tentang hardware, software, dan jargon-jargon

teknis.

• Interview Flow

Tujuan dari wawancara adalah mendapatkan pengguna

berbicara tentang apa yang mereka lakukan dan apa yang

mereka inginkan. Mewawancarai orang yang memiliki

pengalaman, terutama pada penanganan data sehingga

memungkinkan mengerti tentang dimensionalitas dari

bisnis.

35

• Wrap – Up

Menarik kesimpulan dengan bertanya pada narasumber

tentang kriteria kesuksesannya pada proyek tersebut.

• Conducting Data-Centric Interviews

Selain memahami kebutuhan bisnis, kita perlu menyisihkan

waktu untuk berbicara dengan ahli data pada sistem sumber

atau ahli subjek untuk menilai kelayakan mendukung

kebutuhan bisnis.

c. Postcollection Documentation and Follow-up

Setelah melakukan wawancara, pewawancara harus

melakukan wawancara ulang. Hal ini untuk memastikan

bahwa memiliki pemahaman yang sama. Selain itu, perlu

dilakukan pemeriksaan laporan-laporan untuk mendapat

pemahaman lebih tentang dimensionalitas yang harus

didukung data warehouse.

Prioritization and Consensus

Setelah berbagai informasi dan dokumen terkumpul,

dibutuhkan penetapan prioritas dari setiap requirement yang

didapatkan dengan mempertimbangkan dampaknya bagi bisnis

serta kelayakannya.

3. Technology Track

Lingkungan DW/BI mewajibkan adanya integrasi dari banyak

teknologi, penyimpanan data, dan metadata terkait. Technology

track dimulai dari desain arsitektur sistem untuk menetapkan

36

daftar belanja dari kemampuan yang dibutuhkan, dilanjutkan

dengan pemilihan dan instalasi produk untuk memenuhi

kebutuhan arsitektur.

Menurut Kimball dan Ross(2002:347-352), technology track

dapat terbagi menjadi dua kegiatan, yaitu :

a. Technical Architecture Design

Technical Architecture Design merupakan blue print dari

layanan teknis dan unsur-unsur data warehouse. Rencana

arsitektur melayani sebagai framework pengorganisasian

untuk mendukung integrasi teknologi. Arsitektur teknis terdiri

dari serangkaian model yang mempelajari pada detail yang

lebih besar mengenai setiap komponen utama.

b. Product Selection and Installation

Setelah menyusun perencanaan arsitektur, akan dilakukan

pemilihan produk yang sesuai dengan framework yang

direncanakan untuk menyampaikan fungsionalitas yang

penting. Tugas dalam pemilihan produk biasanya berjalan

dalam fase yang cepat karena sebagian besar konsep evaluasi

dapat diterapkan pada setiap pilihan teknologi.

4. Data Track

Menurut Kimball dan Ross (2010:98), data track dimulai

dengan merancang sasaran dari model dimensional untuk

memenuhi kebutuhan bisnis, dengan tetap mempertimbangkan

data pokok yang sebenarnya.

37

Model dimensional diubah menjadi rancangan fisik saat

strategi penyesuaian kinerja dipertimbangkan, lalu tantangan

rancangan dan pembangunan sistem Extract, Transform, Load

(ETL) ditangani.

Menurut Kimball dan Ross (2002:353), data track dapat

terbagi menjadi tiga kegiatan, yaitu :

a. Dimensional Modelling

Menurut Kimball dan Ross, (2010:211), dimensional

modeling dapat dilakukan melalui sembilan langkah sebagai

berikut:

1. Choose the process (memilih proses)

Menurut Kimball dan Ross (2010:211), langkah

pertama dalam dimensional modeling adalah pemilihan

proses, dimana proses merupakan aktivitas operasional

tertentu. Proses bisnis pada area subjek yang harus dipilih

adalah yang paling bersentuhan dengan masalah keuangan.

Proses yang dibuat juga harus menjawab pertanyaan bisnis

yang penting dan paling banyak diakses dari sudut

pandang ekstraksi data.

2. Choose the grain (memilih grain)

Menurut Kimball dan Ross (2010:211), memilih grain

berarti menentukan secara pasti apa yang akan diwakili

oleh tiap record pada tabel fakta.

3. Identify and conform the dimensions (mengidentifikasi

dan menyesuaikan dimensi)

38

Menurut Kimball dan Ross (2010:211), dimensi

merupakan sumber bagi constraint pada query dan baris

header pada laporan bagi pengguna. Dimensi memuat

kamus perusahaan bagi pengguna. Dimensi yang dibuat

dengan baik akan membuat model mudah dimengerti dan

mudah digunakan.

4. Choose the facts (memilih fakta)

Menurut Kimball dan Ross (2010:213), grain dari tabel

fakta menentukan fakta mana yang dapat digunakan untuk

proses bisnis tertentu. Semua fakta harus diekspresikan

pada tingkatan yang sama.

5. Store pre-calculations in the fact table (menyimpan pre-

calculation di tabel fakta)

Menurut Kimball dan Ross (2010:213), setelah tabel fakta

telah dibuat, perlu dilakukan pengujian ulang untuk

masing-masing fakta, apakah ada kemungkinan melakukan

prekalkulasi. Fakta hasil kalkulasi sebaiknya disimpan ke

dalam tabel fakta untuk meningkatkan kinerja hasil query.

6. Round out the dimension tables (melengkapi tabel

dimensi)

Menurut Kimball dan Ross (2010:214), pada titik ini tabel

fakta telah lengkap, dan peran tabel dimensi dalam

menyediakan dukungan bagi tabel fakta melalui constraint

pada atribut dimensional dapat dipahami. Pada tahap ini

39

dapat ditambahkan deskripsi berbentuk teks sebanyak

mungkin ke dalam dimensi.

7. Choose the duration of database (memilih durasi

database)

Menurut Kimball dan Ross (2010:215), durasi mengukur

seberapa jauh waktu yang akan digambarkan dalam tabel

fakta. Dalam banyak bisnis, perlu melihat periode waktu

yang sama seperti tahun sebelumnya.

8. Determine the need to track slowly changing dimensions

(menentukan kebutuhan untuk melacak perubahan

dari dimensi secara perlahan)

Menurut Kimball dan Ross (2010:215), deskripsi yang

tepat dari produk dan pelanggan lama harus digunakan

untuk histori transaksi lama. Data warehouse harus

menetapkan key yang digeneralisasi pada dimensi yang

penting ini dengan tujuan untuk menghilangkan snapshot

berulang dari pelanggan dan produk selama rentang waktu

tersebut.

9. Decide the physical design (menetapkan rancangan

fisik)

Menurut Kimball dan Ross (2010:211), setelah melakukan

delapan langkah sebelumnya, dan melengkapi logical

40

design, berikutnya perlu dilakukan physical design. Pada

tahap ini dilakukan proses seperti mengurutkan tabel fakta

dalam media penyimpanan, serta menampilkan rangkuman

dan agregasi yang telah ditentukan sebelumnya. Selain itu,

physical design juga menyangkut administrasi, backup,

indexing, dan keamanan.

b. Physical Design

Menurut Kimball dan Ross (2002:355), model dimensional

yang telah dibangun pada bagian sebelumnya perlu

diterjemahkan ke dalam physical design. Dalam dimensional

modeling, logical dan physical design memiliki kemiripan

yang sangat dekat.

• Aggregation Strategy

Menurut Kimball dan Ross (2002:356), setiap data

warehouse harus memuat tabel agregasi yang dihitung dan

disimpan terlebih dahulu. Setiap agregasi tabel fakta harus

menempati tabel fakta fisikalnya sendiri.

• Initial Indexing Strategy

Menurut Kimball dan Ross (2002:357), tabel dimensi akan

memiliki index yang unik pada primary key kolom tunggal.

Tabel fakta merupakan raksasa dalam data warehouse, jadi

perlu memberikan index secara berhati-hati. Primary key

dari tabel fakta hampir selalu berupa sekumpulan dari

foreign key. Biasanya kita perlu menempatkan index

gabungan secara tunggal pada dimensi utama dari tabel

41

fakta. Karena banyak query dimensional diwakili oleh

dimensi waktu, maka foreign key waktu harus menjadi

index term utama.

c. ETL Design and Development

Aktivitas terakhir dari data track adalah merancang dan

mengembangkan staging atau sistem ETL, yang terdiri dari:

• Dimension Table Staging

Menurut Kimball dan Ross (2002:359), karena tabel

dimensi perlu selaras dan dapat digunakan kembali untuk

tiap model dimensional, secara khusus mereka memiliki

pengaruh yang lebih terpusat. Pengaruh dimensi

bertanggung jawab untuk menentukan, memelihara, dan

menyebarkan dimensi tertentu untuk data mart yang tepat.

Dimensi dapat diproses secara bersamaan. Tetapi semua

dimensi yang terlibat dalam skema harus dimasukkan

terlebih dahulu ke staging dari data fakta.

Staging tabel dimensi melibatkan langkah-langkah berikut :

a. Mengekstrak data dimensional dari sumber sistem

operasional

b. Membersihkan nilai atribut

c. Mengatur penugasan surrogate key

• Fact Table Staging

Menurut Kimball dan Ross (2002:361-362), pada saat tabel

dimensi direplikasi ke semua data mart yang sesuai, tabel

42

fakta secara tegas tidak digandakan. Dengan data

warehouse bus architecture, batasan disekitar tabel fakta

didasarkan pada sumber proses bisnis, bukan garis

organisasi.

Dalam staging tabel fakta dilakukan langkah-langkah :

a. Mengekstrak data dari sumber sistem operasional

b. Menerima update dimensi dari penanggung jawab

dimensi

c. Memisahkan data fakta sesuai granularitas yang

dibutuhkan

d. Mengubah data fakta sesuai kebutuhan

e. Mengganti key sumber operasional dengan surrogate

key

f. Menambahkan key tambahan untuk konteks yang

diketahui,

g. Memastikan kualitas data tabel fakta,

h. Membangun atau memperbaharui agregasi tabel fakta,

i. Bulk load data,

j. Memberi tahu pengguna bahwa tabel fakta siap

digunakan.

5. Business Intelligence Track

Menurut Kimball dan Ross (2010:99), pada saat beberapa

anggota proyek berkonsentrasi pada teknologi dan data, anggota

lain berfokus untuk mengidentifikasi dan membangun aplikasi BI

43

dengan cakupan yang besar, termasuk laporan standar, query

berparameter, dashboard, scorecard, model analisis, dan aplikasi

data mining, bersamaan dengan navigasi interface yang

berhubungan.

Menurut Menurut Kimball dan Ross (2002:363-364), business

intelligence track dapat terbagi menjadi dua kegiatan, yaitu:

a. Analytic Application Specification

Sebelum mulai mendesain aplikasi, akan sangat membantu

jika designer menetapkan standar aplikasi, seperti menu pull-

down dan tampilan serta output yang konsisten. Dengan

menggunakan standar, kita perlu menentukan template tiap

aplikasi, merekam informasi yang cukup tentang tata letak,

variable input, perhitungan, dan istirahat sehingga baik

pengembang aplikasi maupun perwakilan bisnis memiliki

pemahaman yang sama. Tahap ini perlu menentukan struktur

alur navigasi untuk mengakses aplikasi, menggambarkan cara

pengguna berpikir tentang bisnis mereka.

b. Analytic Application Development

Saat berpindah pada fase pengembangan dari analisis aplikasi,

diperlukan fokus pada standar (seperti yang telah ditetapkan

pada Analytic Application Specification). Standar untuk

konvensi penamaan, perhitungan, libraries, dan coding harus

ditetapkan untuk mengurangi mengulang pekerjaan di masa

mendatang. Aktivitas pengembangan aplikasi dapat dilakukan

44

setelah desain database, tools akses data dan metadata telah

diterapkan, dan data historis telah dimasukkan.

6. Deployment, Maintenance and Growth

Menurut Kimball dan Ross (2002:364), jalur teknologi, data, dan

analisis aplikasi akan bertemu pada deployment. Deployment

tidak akan terjadi secara alami, tetapi membutuhkan perencanaan

terlebih dahulu. Menurut Kimball dan Ross (2002:365-366),

setelah melewati tahap deployment, diharuskan tetap

menginvestasikan sumber daya di beberapa area seperti support,

pendidikan, dukungan teknis, dan dukungan program.

Menurut Connolly dan Begg (2010, p1204), arsitektur data

warehouse dapat digambarkan sebagai berikut :

Gambar 2.8Arsitektur Data Warehouse

45

Sumber : Thomas Connolly, C. B. (2010). Database Systems : A

Practical Approach To Design, Implementation, and

Management Fifth Edition

Berdasarkan gambar arsitektur data warehouse menurut Connolly

dan Begg (2010), komponen arsitektur data warehouse dijelaskan

sebagai berikut:

1. Operational data source

Sumber data untuk data warehouse dapat berasal dari :

• Mainframe data operasional yang berada pada tingkatan database

dan jaringan database generasi pertama dimana sebagian besar

data operasional perusahaan disimpan pada sistem tersebut.

• Data departemen yang berada pada sistem file DBMS relasional

(seperti Oracle, SQL Server).

• Data pribadi atau private data yang berada pada server dan

workstation pribadi.

• Berbagai sistem eksternal seperti internet, database yang tersedia

secara komersil, dan database yang berhubungan dengan supplier

atau pemasok dan pelanggan perusahaan.

2. Operational data store(ODS)

Sebuah Operational data store (ODS) merupakan sebuah tempat

penyimpanan data operasional yang sedang terjadi dan

terintegrasi, yang digunakan untuk memenuhi kebutuhan

analisa. ODS mempunyai struktur dan sumber data yang sama

dengan data warehouse dan memiliki peran sebagai tempat

46

penyimpanan sementara data sebelum dipindahkan ke data

warehouse. Data yang telah diekstrak dari sumber sistem dan

telah dibersihkan kemudian akan disimpan di dalam ODS.

3. ETL Manager

ETL Manager dapat melakukan berbagai kegiatan operasi yang

berhubungan dengan proses ETL dari data ke dalam data

warehouse.

4. Warehouse Manager

Warehouse manager melakukan seluruh operasi yang

berhubungan dengan kegiatan manajemen data pada data

warehouse. Operasi-operasi tersebut meliputi :

a. Analisa terhadap data untuk menjaga konsistensi data;

b. Melakukan transformasi dan penggabungan sumber data dari

tempat penyimpanan sementara menjadi tabel-tabel data

warehouse;

c. Membuat atau menghasilkan indeks-indeks dan tampilan-

tampilan (views) berdasarkan tabel-tabel dasar;

d. Melakukan denormalisasi (jika dibutuhkan);

e. Melakukan agregasi;

f. Melakukan backup dan pengarsipan data.

5. Query Manager

Query manager dapat melakukan semua operasi yang

berhubungan dengan manajemen query dari pengguna (user).

Tingkat kesulitan dari query manager dapat diukur dengan

47

fasilitas yang disediakan oleh alat pengaksesan pengguna (end-

user access tools) dan database.

6. Detailed Data

Detailed data merupakan area dari data warehouse yang

menyimpan seluruh detil data dalam skema database. Secara

periodik detil data ditambahkan ke dalam data warehouse untuk

mendukung kegiatan agregasi data.

7. Lightly dan highly summarized data

Komponen ini menyimpan semua data yang diringkas oleh data

warehouse manager dengan tujuan untuk mempercepat

performa dari query data. Tujuan dari informasi yang telah

diringkas adalah untuk meningkatkan kinerja proses query.

Ringkasan data akan diperbaharui secara terus – menerus

sebagai data baru yang dimasukkan ke dalam data warehouse.

8. Achive/ backup data

Achive/backup data merupakan area dari data warehouse yang

menyimpan detailed dan summarized data dengan tujuan untuk

menyimpan dan melakukan backup data.

9. Metadata

Metadata merupakan area dalam data warehouse yang

menyimpan semua definisi metadata yang digunakan untuk

semua proses dalam data warehouse. Metadata digunakan untuk

beberapa tujuan antara lain :

� Proses ekstraksi dan memasukkan data

48

Metadatadigunakan untuk memetakan sumber data ke dalam

sudut pandang umum data yang berada dalam data

warehouse.

� Proses manajemen data warehouse

Metadata digunakan untuk melakukan otomatisasi

pembuatan tabel ringkasan (summary).

� Bagian dalam proses manajemen query

Metadata digunakan untuk mengarahkan query menuju

sumber data yang sesuai.

10. End-User Access Tools

Tujuan utama dari data warehouse adalah untuk mendukung

pembuat keputusan (decision makers) dengan menyediakan

informasi yang akurat. Para pengguna (user) berinteraksi dengan

data warehouse menggunakan End-User access tools,

diantaranya seperti :

• Reporting and Query Tools

Peralatan laporan meliputi alat membuat laporan dan

alat untuk menulis laporan. Alat query pada data warehouse

relasional yang dirancang untuk menerima SQL atau

menciptakan pernyataan SQL untuk melakukan query data

yang tersimpan dalam data warehouse.

• Application Development Tools

Seringkali kebutuhan pengguna (user) akan laporan

dan alat untuk melakukan query masih dinilai belum cukup

untuk mendukung aplikasi yang sudah ada sebelumnya.

49

Oleh sebab itu, harus dibangun sebuah aplikasi yang dapat

mendukung graphical data access tools dan biasanya

dikembangkan untuk lingkungan client-server.

• Executive Information System Tools (EIS)

Executive Information System, dikembangkan dengan

tujuan untuk mendukung pembuatan keputusan tingkat

eksekutif. EIS tools berhubungan dengan mainframe

pengguna (user) untuk membangun kebiasaan-kebiasaan,

aplikasi grafik pendukung keputusan untuk menyediakan

sebuah gambaran mengenai data-data dalam perusahaan

atau organisasi dan akses ke sumber data luar.

• Online Analytical Processing Tools (OLAP)

Online Analytical Processing Tools (OLAP)

didasarkan pada konsep database multidimensional dan

mendukung pengguna (user) untuk dapat menganalisis data

yang kompleks dengan sudut pandang multidimensional.

• Data Mining Tools

Data Mining merupakan sebuah proses pencarian dan

menjelajah hubungan baru yang memiliki arti, mencari pola

dan tren dengan cara menampung sejumlah data yang besar

dengan menggunakan teknik statistical, matematik, dan

artificial intelligence.

50

Menurut Suparto Darudiato (2008,p61), arsitektur data

warehouse dibagi menjadi 3 komponen, yaitu :

• Data warehouse yang mencakup data dan perangkat lunak

yang terkait;

• Perangkat lunak akuisisi data (back-end) yang mengekstraksi

data dari sumber legacy dan sumber eksternal, memperkuat

dan meringkasnya, dan memuatnya ke dalam data warehouse;

• Perangkat lunak klien (front-end) yang mengizinkan para

pengguna untuk mengakses dan meneliti data pada data

warehouse.

Gambar 2.9Arsitektur Data Warehouse

(Sumber : Suparto Darudiato (2008, p62)

Berdasarkan gambar aristektur data warehouse di atas, proses

dimulai dengan melakukan ekstraksi data dari basisdata

operasional dan sumber data eksternal, dibersihkan

51

untukmeminimalisasi error dan mengisikan informasi yang kurang

jika dimungkinkan, danditransformasikan untuk memperbaiki

ketidakcocokan semantik. Loading data terdiri

darimematerialisasikan view dan menyimpannya dalam warehouse.

Oleh karena itu, berbeda dengan viewstandar dalam DBMS

relasional, view disimpan dalam warehouse yang berbeda dari

basisdata yangterdapat dalam tabel yang didefinisikan.

Kemudian, data yang dibersihkan dan ditransformasikan

akhirnya di-load ke dalam warehouse.Pengolahan awal tambahan,

misalnya sorting dan pembuatan informasi ringkasan dilakukan

padatingkat ini. Data dipartisi dan indeks dibuat demi efisiensi.

Berkaitan dengan volume data yang besar,loading merupakan

proses yang lambat. Loading terabyte data secara berurutan

memerlukan waktudalam hitungan minggu dan loading gigabyte

memerlukan waktu berjam-jam. Oleh karena itu,paralelisme perlu

untuk loading warehouse.

Setelah data di-load ke dalam warehouse, pengukuran

tambahan harus dilakukan untukmenjamin data dalam warehouse

di-refresh secara periodik untuk merefleksikan pembaruan

sumberdata dan secara periodik membuang data lama. Tugas

penting dalam mengatur warehouse adalahmencatat data yang

sedang disimpan di dalamnya, pembukuan itu dilakukan dengan

menyimpaninformasi tentang data warehouse dalam katalog

sistem. Katalog sistem yang berhubungan denganwarehouse sangat

52

besar dan sering disimpan dan diatur dalam basisdata terpisah yang

disebutrepository metadata.

Nilai warehouse pada akhirnya berada dalam analisis yang di-

enable-nya. Data dalamwarehouse biasanya diakses dan dianalisis

menggunakan berbagai alat, termasuk mesin query

OLAP,algoritma data mining, alat visualisasi informasi, paket

statistik, dan report generator.

2.1.6.5 Struktur Data Warehouse

Menurut W.H Inmon (2005, p33), data yang ada dalam data

warehouse maupun perubahan data yang di dalamnya berasal dari

lingkungan database operasional dimana data akan mengalami

transformasi yang diperlukan dalam proses perpindahannya.

Apabila data yang ada dalam data warehousesudah kadaluarsa atau

menua (data yang lama) maka data tersebut akan berpindah dari

current level of detail ke older level of detail.Jika data telah

diringkas maka data akan berpindah dari current level of detail ke

level of lightly summarized data dan selanjutnya akan berpindah ke

level of highly summarized data.Struktur data warehouse

digambarkan pada gambar dibawah ini :

53

Gambar 2.10 Struktur Data Warehouse

(Sumber : W.H Inmon, 2005, p34)

Menurut Vikas R. Agrawal (2005, p13), tingkatan-

tingkatan data menurut perbedaan pada tingkatan ringkasan data

(summary data) dan umur data warehouse dijelaskan sebagai

berikut :

• Current Detail Data (detil data sekarang)

Current Detail Data adalah detil data yang aktif pada masa

sekarang, yang merupakan level terendah dari data warehouse

serta mencerminkan keadaan data warehouse yang sedang

berjalan. Current Detail Data biasanya membutuhkan tempat

penyimpanan yang cukup besar.

• Old Detail Data (detil data historis)

54

Old Detail data merupakan data historis yang dapat berupa hasil

backup yang disimpan dalam media penyimpanan (storage)

yang terpisah dan dapat diakses sewaktu-waktu ketika

dibutuhkan. Penyusunan direktori dari data ini harus dapat

menggambarkan umur dari data dengan tujuan untuk

memudahkan pengaksesan kembali ketika dibutuhkan.

• Highly Summarized Data (ringkasan data level tinggi)

Highly Summarized Data merupakan hasil ringkasan data yang

bersifat total atau menyeluruh dan mudah untuk diakses.

Digunakan untuk melakukan analisa perbandingan data

berdasarkan urutan waktu dan analisa yang menggunakan data

multi dimensi. Database multi dimensi merupakan sebuah

teknologi perangkat lunak computer yang dirancang untuk

meningkatkan efisiensi dalam melakukan pencarian tabel atau

query sehingga media penyimpanan menjadi lebih baik, serta

memudahkan pengambilan data dalam jumlah yang besar.

• Lightly Summarized Data (ringkasan data level menengah)

Lightly Summarized Data merupakan ringkasan dari detil data

namun belum bersifat total summary. Data-data ini memiliki

tingkatan yang lebih tinggi dan mendukung kebutuhan dari data

warehouse pada tingkat departemen. Tingkatan data ini juga

disebut dengan data mart. Akses terhadap data jenis ini banyak

digunakan untuk view dari suatu kondisi yang sedang dan sudah

berjalan.

• Metadata

55

Menurut W.H Inmon (2005, p102), metadata (atau

data mengenai data) adalah komponen terpenting di dalam

lingkungan data warehouse, yang merupakan sebuah bagian dari

aturan pemprosesan informasi dimana jika masih terdapat

program dan data. Dalam lingkungan data warehouse, metadata

memiliki tingkat kepentingan yang berbeda, karena metadata

memungkinkan cara penggunaan data warehouse yang paling

efektif.

Metadata menungkinkan end-user atau DSS analyst

untuk melakukan navigasi melalui kemungkinan-kemungkinan

yang ada di dalam metadata tersebut.

Di lain pihak, ketika pengguna (user) melakukan

pendekatan terhadap data warehouse yang tidak memiliki

metadata, maka pengguna (user) tidak tahu harus memulai

analisis dari mana. Pengguna harus mencari tahu terlebih dulu

di dalam data warehouse data apa saja yang tidak terdapat di

dalamnya sehingga banyak waktu akan terbuang sia-sia. Bahkan

setelah pengguna berhasil mencari tahu, tetap tidak ada jaminan

bahwa dia akan menemukan data yang benar atau

menerjemahkan data tersebut dengan benar. Dengan bantuan

metadata maka end-user dapat langsung menemukan data yang

dibutuhkan atau dapat mengetahui ada tidaknya data tersebut.

Jadi dapat disimpulkan bahwa metadata berperan seperti daftar

isi dalam sebuah buku.

56

Ada beberapa item dalam penyimpanan metadata

sebagai berikut :

• Struktur dari data yang dapat digunakan oleh programmer;

• Struktur dari data yang dapat digunakan oleh DSS Analyst;

• Sumber data yang mendukung data warehouse;

• Transformasi data didalam perpindahan ke data warehouse;

• Model data;

• Hubungan antara model data dan data warehouse;

• Catatan dari penggunaan data (History of Extracts)

Metadata menyimpan informasi yang penting mengenai data

dalam data warehouse yang berfungsi sebagai :

1. Direktori yang akan digunakan oleh user dalam mencari lokasi

dalam data warehouse.

2. Suatu panduan untuk summary data dari detail data menjadi

lightly summarized data, kemudian menjadi highly summarized

data.

3. Merupakan penuntun pemetaan (mapping) dalam proses

transformasi dari operasional ke data warehouse.

Karena data warehouse harus bersifat multi fungsional atau

harus dapat melayani banyak fungsi, maka metadata penting

untuk menjawab berbagai kebutuhan dari suatu fungsi tertentu,

karena setiap departemen dalam sebuah perusahaan biasanya

menggambarkan struktur data yang spesifik walaupun data

tersebut berasal dari sumber yang sama.

57

2.1.6.6 Kegiatan Inti Data Warehouse

Kegiatan inti data warehouse digunakan untuk melakukan

kegiatan analisa dan pelaporan informasi bagi pihak eksekutif

perusahaan, maka dalam melakukan perancangan data warehouse,

terdapat beberapa kegiatan inti yang harus ada di dalamnya.

Kegiatan-kegiatan inti tersebut antara lain:

• Memperoleh dan menggabungkan data

Memperoleh data dari berbagai sumber dan melakukan

penggabungan pada suatu tempat penyimpanan data (storage),

data-data yang telah digabungkan merupakan data-data yang

akan membantu kita dalam proses pembuatan laporan, karena

data tersebut merupakan suatu bentuk kesatuan.

• Transformasi data

Pengolahan data dari bentuk awal ke bentuk yang telah

disepakati. Dengan melakukan pemprosesan atau pengolahan

data terlebih dahulu, dalam arti dengan melakukan pengubahan

data ke bentuk yang dibutuhkan atau diharapkan.

• Pendistribusian data

Data-data yang akan digunakan dalam data warehouse

berhubungan dengan lingkunga kerja dalam perusahaan. Bagi

perusahaan yang berhubungan dengan jaringan, pemakaian

data warehouse mendukung kegiatan ini, dimana pengguna

dapat menggunakan data warehouse ini secara fleksibel,

efektif, dan efisien. serta merata pada masing – masing bagian

dalam perusahaan.

58

• Penggunaan Data

Data yang telah diseleksi atau disaring akan menghasilkan

ringkasan yang dapat memudahkan pengguna dalam

mengambil keputusan.

2.1.6.7 Data Flow Data Warehouse

Proses ini terdiri dari :

• Inflow

Berhubungan dengan proses loading, pembersihan (cleaning)

dan pembacaan data sumber yaitu sistem ke dalam data

warehousing.

• Upflow

Proses ini berhugungan dengan penambahan nilai data dalam

data warehousing seperti ringakasan (summary),

penggelompokkan, dan pendistribusian data.

• Downflow

Proses ini berhubungan dengan pengarsipan dan backup data

dalam data warehousing.

• Outflow

Proses ini berhubungan dengan pembuatan data yang dapat

dipakai oleh end- users. Dua kunci utama dari aktivitas ini,

yaitu:

� Accessing:

Berkonsentrasi terhadap kepuasan permintaan dari pengguna

atas data yang mereka butuhkan.

59

� Delivering :

Berkonsentrasi pada proses pengiriman informasi yang

proaktif kepada workstation pengguna.

� Metaflow:

Proses ini berhubungan dengan deskripsi mengenai isi dari

data dalam data warehousing.

2.1.6.8 Granularity

Salah satu factor penting yang harus diperhatikan oleh

pengembang data warehouse adalah granularity.

Granularitymempengaruhi efisiensi dari penggunaan data dalam

melakukan analisis.

Menurut W.H Inmon (2005,p41), granularity merupakan

sebuah level kedetilan/ summarization dari unit data yang ada

dalam data warehouse. Semakin tinggi tingkat kedetilan data maka

semakin rendah level granularity dan begitu sebaliknya semakin

rendah tingkat kedetilan data maka semakin tinggi level

granularity.

2.1.6.9 Agregasi

Menurut W.H Inmon (2005, p114), terdapat banyak kasus

dimana data dalam warehouse tidak memenuhi kriteria stabilitas

dan tidak sering berubah, kasus lainnya dimana jumlah data terlalu

banyak, sering terjadi perubahan isi data, dan sebagainya. Dalam

kasus-kasus tersebut, dapat dilakukan agregasi yang

60

mengelompokkan beberapa data detil operasional yang berbeda ke

dalam satu record tunggal. Record tunggal disebut sebagai profile

record atau aggregate record.

Sebuah profile record dibuat dengan tujuan mengelompokkan

record detil yang sangat banyak jumlahnya. Sebagai contoh,

sebuah perusahaan telepon pada akhir bulan mengumpulkan semua

data-data aktivitas telepon para pelanggan dalam sebulan ke dalam

data record pelanggan padadata warehouse.

Agregrasi dari data operasional kedalam sebuah record

tunggaldalam data warehouse dapat dilakukan dengan

menggunakan cara sebagai berikut :

• Nilai-nilai yang diambil dari data operasional yang dapat

diringkas.

• Unit-unit data operasional dapat dihitung/dijumlahkan,

dimanajumlah dari unit data tersebut disimpan.

• Unit-unit data dapat diproses untuk menentukan yang paling

tinggi,paling rendah, rata-rata, dan lain-lain.

• Kemunculan pertama dan terakhir sebuah data dapat ditangkap.

• Tipe data tertentu, yang berbeda pada batasan parameter

tertentudapat diukur.

• Data yang efektif pada momem waktu tertentu dapat

terperangkap.

• Data yang paling muda dan yang paling tua dapat ditangkap.

Faktor yang mendukung pembuatan agregrasi adalah :

� meningkatkan performa query.

61

� mengurangi jumlah penggunaan CPU cycle.

Gambar 2.11 Pembentukan satu profile record dari beberapa record

( Sumber : W.H Inmon, 2005, p115)

2.1.6.10 Keuntungan Data Warehouse

Menurut Connolly dan Beg (2010, p1198),keuntungan yang

didapat dari pemanfaatan data warehouse antara lain :

• Keuntungan potensial yang besar dalam investasi

Sebuah organisasi atau perusahaan harus memiliki

sumber daya yang memadai yaitu dalam jumlah yang cukup

besar untuk memastikan keberhasilan pengimplementasian

sebuah data warehouse. Besarnya biaya yang harus dikeluarkan

dapat bervariasi tergantung pada solusi teknis yang tersedia.

Walaupun demikian, investasi dalam data warehouse akan

memberikan keuntungan yang cukup besar setelah dilakukan

pengimplentasian dimasa mendatang.

62

• Keuntungan Kompetitif

Salah satu keuntungan kompetitif yang didapatkan oleh

organisasi atau perusahaan yang telah berhasil dalam

mengimplementasikan data warehouse seperti, pihak eksekutif

perusahaan diperbolehkan untuk melakukan pengambilan

keputusan dengan mengakses data yang dapat menjelaskan

analisa dari data tersebut yang awalnya tidak tersedia, tidak

diketahui, dan tidak tercatatnya informasi tersebut.

• Meningkatkan produktivitas bagi para pengambil keputusan

atau pihak eksekutif perusahaan

Data warehouse meningkatkan produktivitas dari para

pengambil keputusan atau pihak eksekutif perusahaan dengan

membuat sebuah database yang terintegrasi, konsisten, dan

berorientasi subjek. Dengan melakukan transformasi data

menjadi sebuah informasi yang memiliki arti dan nilai, data

warehouse memperbolehkan bagi para manajer bisnis untuk

dapat melakukan analisa yang lebih konsisten, akurat, dan

substantif.

Selain itu, Mutaz M. Al-Debei (2011, p156) juga menjabarkan

keuntungan data warehouse seperti gambar berikut.

63

Gambar 2.12Keuntungan Data Warehouse

(Sumber : Mutaz M. Al-Debei, 2011, p156)

2.1.7 Dimensionality Modelling (Permodelan Dimensional)

Menurut Connolly and Begg (2010,p1227), dimensionality

modelling (permodelan dimensional) merupakan suatu teknik desain

logikal yang bertujuan untuk merepresentasikan data dalam bentuk

dasar atau standar serta desain ini memungkinkan untuk melakukan

pengaksesan data dengan performa yang tinggi. Setiap model

dimensional yang terbentukdan terbuat dari gabungan beberapa

primary key yang disebut tabel fakta (fact table) dan sekumpulan tabel

yang lebih kecil didalamnya yang disebut tabel dimensi (dimensional

table). Setiap tabel dimensi memiliki sebuah primary key yang

berhubungan secara langsung dengan sebuah key lain yang berada

dalam tabel fakta.

Keuntungan menggunakan pemodelan dimensional antara lain :

1. Pengaksesan data dapat dilakukan dengan lebih efisien;

2. Model dimensi dapat diperluas lagi jika dibutuhkan;

64

3. Kemampuan untuk menggambarkan keadaan bisnis secara umum;

4. Kemampuan untuk menangani perubahan akan kebutuhan.

2.1.7.1 Fact Table (Tabel Fakta)

Menurut Connolly dan Begg (2010), tabel fakta adalah tabel

yang berisikan composite primary key yang terdapat pada

dimensional model. Primary key dari tabel fakta dibuat dari 2 atau

lebih foreign key. Tabel fakta mengandung sesuatu yang dapat

diukur seperti harga, jumlah barang dan lain-lain.

Gambar 2.13Contoh Tabel Fakta

Sumber : Thomas Connolly, C. B. (2010). Database Systems :

A Practical Approach To Design, Implementationand Management Fifth

Edition

2.1.7.2 Dimensional Table (Tabel Dimensi)

Menurut Connolly dan Begg (2010), tabel dimensi adalah

kumpulan dari tabel yang lebih kecil dibandingkan tabel fakta pada

dimensional model. Setiap tabel dimensi mempunyai simple

(noncomposite) primary key yang berhubungan dengan salah satu

komponen composite key pada tabel fakta.

65

Gambar 2.14Contoh Tabel Dimensi

Sumber : Thomas Connolly, C. B. (2010). Database Systems : A Practical

Approach To Design, Implementation, and Management Fifth Edition

2.1.7.3 Skema Bintang (Star Schema)

Menurut Connolly dan Begg (2010, p1227), skema

bintang merupakan struktur logikal yang terdapat tabel

fakta yang berisi data faktual, serta dikelilingi oleh tabel

dimensi yang berisikan data referensi (dimana dapat

didenormalisasikan).

66

Gambar 2.15Contoh Star Schema

Sumber : Thomas Connolly, C. B. (2010). Database Systems : A

Practical Approach To Design, Implementation, and

Management Fifth Edition

2.1.7.3.1 Keuntungan Menggunakan Skema Bintang

Menurut Connolly dan Begg (2010, p1230)

keuntungan menggunakan skema bintang antara lain :

67

• Efisiensi, dalam arti struktur database yang konsisten

menjadikan akses data lebih efisien dengan menggunakan alat

untuk menampilkan data termasuk laporan tertulis dan query.

• Kemampuan untuk mengatasi perubahan kebutuhan, skema

bintang dapat beradaptasi terhadap perubahan kebutuhan yang

terjadi, karena sebuah tabel diemensi memiliki kesamaan dalam

hal menyediakan akses ke tabel fakta.

• Extensibility, dalam arti model dimensional ini dapat

dikembangkan lebih lanjut. Contohnya, dengan menambah

tabel fakta selama data tersebut masih konsisten, menambah

tabel dimensi selama masih terdapat nilai tunggal pada tabel

dimensi tersebut yang mendefinisikan setiap record yang

terdapat dalam tabel fakta.

• Proses query yang dapat diprediksi, aplikasi data warehouse

yang mencari data dari level bawah akan lebih mudah dengan

menambahkan jumlah atribut pada tabel dimensi sebuah skema

bintang.

2.1.7.3.2 Jenis Skema Bintang

Skema bintang merupakan suatu rancangan database

yang terdapat dalam data warehouse yang menggambarkan

secara jelas hubungan antara struktur tabel fakta dan tabel

dimensi.Skema bintang terdiri dari beberapa jenis, yaitu

sebagai berikut :

68

1. Skema bintang sederhana

Dalam skema bintang sederhana, setiap tabel harus

mempunyai primary key yang terdiri dari satu atau lebih

foreign key dan primary key tersebut harus bersifat

unique.Gambar berikut ini menggambarkan hubungan

antara tabel fakta dan dimensi.

Gambar 2.16Skema Bintang Sederhana

( Sumber : W.H Inmon, 2005, p129)

2. Skema bintang dengan banyak tabel fakta

Skema bintang juga dapat memiliki lebih dari satu tabel

fakta.Hal tersebut terjadi dikarenakan skema ini berisi lebih

banyak tabel fakta pembelian dan tabel fakta persediaan.

Walaupun terdapat banyak tabel fakta, skema ini

menggunakan tabel dimensi secara bersamaan.

69

2.1.7.4 Snowflake Schema

Selain skema bintang (star schema), juga terdapat

snowflake schema. Menurut Thomas Connolly (2010,

p.1229), snowflake schema adalah sebuah model data

dimensional yang terdiri dari tabel fakta yang diletakkan di

tengah-tengah dan dikelilingi oleh tabel dimensi yang sudah

mengalami proses normalisasi.

Gambar 2.17Snowflake Schema

Sumber : Thomas Connolly, C. B. (2010). Database Systems :

A Practical Approach To Design, Implementation, and

Management Fifth Edition

70

2.1.7.5 Starflake Schema

Selain star schema dan snowflake schema masih

terdapatstarflake schema. Menurut Thomas Connolly

(2010, p.1230), starflakeschema adalah sebuah model data

dimensional yang terdiri dari tabel fakta yang diletakkan di

tengah-tengah dan dikelilingi oleh tabel dimensi yang sudah

mengalami proses normalisasi maupun denormalisasi.

2.1.7.6 Surrogate Key

Surrogate Key adalahKey yang digunakan dalam tabel

dimensi adalah surrogate key dan menurut Thomas

Connolly (2010, p.1079), surrogate key adalah salah satu

fitur penting dalam tabel dimensi yang dibuat berdasarkan

bilangan bulat, yang berfungsi untuk menggabungkan

antara tabel dimensi dengan tabel fakta.

2.1.8 Data Warehousing Tools and Technique

2.1.8.1 Extraction, Transformation, Loading (ETL)

2.1.8.1.1 Extraction

Tahapan pertama dalam proses ETL adalah

extraction.Menurut Thomas Connolly (2010, p1208),

extractionadalah sebuah tahapan dimana mengambil data dari

sumber data bagi Environment DataWarehouse (EDP), sumber

inibiasanya terdiri dari database OLTP dan juga bisa terdapat

beberapa sumber lainnya seperti database pribadi, data ERP

71

dan data penggunaan dari web.Selain itu, menurut Fahad Sultan

(2010, p411), data extraction merupakan proses ekstraksi data

yang bersumberdari data operasional organisasi dan juga

sumbereksternal lain, seperti file, html, dokumen, dan lainnya

untuk data pada data warehouse.

Berdasarkan definisi di atas dapat disimpulkan

bahwaextractionmerupakan kegiatan ekstraksi data

yangbersumberdaridata operasional dan data eksternal untuk

dimasukkan ke- dalam lingkungan data warehouse.

2.1.8.1.2 Transformation

Tahapan kedua dalam proses ETL adalah

transformation. Menurut Connolly dan Begg (2010, p1208),

transformation merupakan tahapan yang menggunakan

beberapaperaturanatau fungsi dari data yang sudah diambil dan

mengukur bagaimana data tersebut dapat digunakan untuk

analisis dan dapat meliputi transformasi seperti penjumlahan

data, encoding data, penggabungan data, pemisahan

data,penghitungan data dan pembuatan surrogate keys.

Menurut Fahad Sultan (2010, p411), transformation

merupakan teknik transformasi data yang telah diterapkan pada

data untuk membuat data yang ada menjadi lebih seragam,

Setelah proses transformasi, data yang dihasilkan akan menjadi

lebih homogen (sama), serta menjadi lebih konsisten dan

72

meminimalkan error atau kesalahan. Tindakan ini dapat

meningkatkan kinerja data warehouse.

Berdasarkan definisi diatas dapat disimpulkan

bahwa,transformation merupakan proses penggabungan dan

pengubahan data agar data yang ada menjadi seragam sehingga

data tersebut bisa dimuat ke dalam satu tabel baru yang disebut

tabel fakta / tabel dimensi, dimana tabel tersebut berisikan

surrogate key yang digunakan untuk menghubungkan antara

tabel dimensi dan tabel fakta dalam data warehouse.

2.1.8.1.3 Loading

Tahapan ketiga dalam proses ETL adalah loading.

Menurut Thomas Connolly (2010, p1209), loading adalah

tahapan untuk memasukkan data yang sudah mengalami

prosestransformasi ke dalam data warehouse.Menurut Fahad

Sultan, loading merupakanproses peletakan data yang telah

dibersihkan dan ditransformasi ke dalam data warehouse.

Berdasarkan definisi diatas dapat disimpulkan bahwa,

loading merupakan proses memasukkan data yang telah

dibersihkan dan ditransformasikan ke dalam data warehouse.

2.1.8.1.4 ETL Tools

Tahapan keempat dalam proses ETL adalah proses

ETL(ETL tools). MenurutConnolly dan Begg(2010, p1209),

proses ETL dapat dibuat dengan membuat sebuah program

73

sendiri atau dengan membeli sebuah program ETL yangberada

di pasaran.

2.1.8.1.5 Data Profilling and Data Quality Control

Tahapan kelima dalam proses ETL adalah data

profiling and data quality control. Menurut Connolly dan Begg

(2010,p1209), data profilling and data quality control

menyediakan informasi penting tentang jumlah dan kualitas

data yang bersumber dari sistem. Misalnya data profilling dapat

mengindikasikan berapa banyak baris yang telah hilang, salah

dan pemasukkan atau input datayang kurang lengkap.

2.1.8.1.6 Metadata Management

Tahapan terakhir dalam proses ETL adalah metadata

management. Menurut Thomas Connolly (2010, p1209),

metadata management adalah sebuah penyimpanan yang diatur

oleh peralatan ETL yang akan menjelaskan tentang rincian

sumber sistem, rincian pengubahan data danrincian dari

pengubahan atau pemisahan data.

2.1.8.2 Data Warehouse DBMS

Sama seperti halnya dengan relational database maka

datawarehouse juga membutuhkan sebuah database management

system yang baik. Menurut Menurut Thomas Connolly (2010,

p1209), adabeberapa masalah yang berhubungan dengan database

datawarehouse. Parallelism menjadi masalahyang utama

74

sepertiperformance, scalability, availability dan manageability

semuanyaharus dipertimbangkan dalam pemilihan DBMS. Dalam

pemilihanDBMS dipelukan adanya identifikasi, kebutuhan untuk

proses datawarehouse DBMS dan bagaimana kebutuhan data

warehousemendukung teknologi secara paralel, yaitu terdiri dari :

� Load Performance

Load performance dalam data warehouse dibutuhkan

untukmemuat data dalam waktu yang cepat secara periodik dan

data yang masuk ke dalam data warehouse harus cepat dan

tanpa ada batasan maksimum.Data warehouse membutuhkan

peningkatan dalam memasukkan data dengan waktu yang cepat

secara periodik. Kinerja dalam proses masuknya data

seharusnya diukur dalam jumlah ratusan juta baris atau

gigabyte data per-jam dan tidak adanya batasan maksimum.

� Load Processing

Banyak tahap yang harus dilakukan untuk memuat data

baru atau meng-update data ke data warehouse mencakup Data

conversion, filtering, reformating, integrity checks, fisical

storage dan metadata update. Meskipun masing-masing tahap

dalam prakteknya adalah atomik, proses memasukkan data

seharusnya dieksekusi dalam satu kali pekerjaan.

� Data quality management

Tahapan ini untuk menjamin kualitas data yang baik,

untuk menjamin local consistency, global consistency,

75

referensial integrity. Meskipun sumber-sumber luar dan ukuran

databaseyang besar.

� Query performance

Fact based management dan ad hoc analysis

seharusnya tidak memperlambat kinerja data warehouse.

Query yang rumit harus dapat dieksekusi dalam waktu yang

cepat untuk mendukungpengambilan keputusan.

� Terabyte scalability

Ukuran data warehouse yang berkembang begitu

cepat dari ukuran ratusan gigabyte ke terabyte dan petabyte

seharusnya dapat ditangani oleh Database Management System

(DBMS) yang tidak mempunyai batasan ukuran data dan

seharusnya mendukung modular dan paralel manajemen dan

bila terjadi kesalahan Database Management System (DBMS)

harus dapat mendukung availability yang berkelanjutan dan

menyediakan mekanisme untuk perbaikan (recovery).

� Mass user scalability

Database Management System(DBMS) harus mampu

mendukung ratusan maupun ribuan query user dalam saat yang

bersamaan.

� Networked data warehouse

Sistem data warehouse harus mampu beroperasi dalam

jaringan data warehouse yang lebih besar. Data warehouse

harus mencakup tools yang mengkordinasikan aliran data

dalam data warehouse tersebut. User seharusnya mampu untuk

76

melihat dan bekerja dengan multiple data warehouses dari

sebuah sebuahclient workstation.

� Warehouse administration

Data-data yang sangat besar dalam data warehouse

dibutuhkan fleksibilitas dan kemudahan dalam administrasinya.

Database Management System (DBMS) harus menyediakan

control untuk membatasi sumber daya prioritas query untuk

memenuhi kebutuhan bagi pemakai dan aktivitas yang berbeda-

beda.

� Integrated Dimensional Analysis

Kemampuan cara pandang multidimensi dalam data

warehousemendukung kemampuan tinggi untuk menyediakan

peralatan relasional Online Transaction Processing (OLAP).

Database Management System (DBMS) harus dapat

mendukung secara cepat dan mudah dalam pembuatan

rangkuman di dalam data warehouse yang besar dan

menyediakan peralatan perawatanuntuk dapat mengotomatisasi

pembuatan rangkuman tersebut.

� Advanced query functionality

Para pengguna membutuhkan perhitungan analisis,

pengurutan,perbandingan analisis dan daya akses yang

konsisten untukmengambil data rangkuman dan data rincian.

2.1.9 Online Transaction Processing (OLTP)

Menurut Thomas Connolly (2010, p1198), OLTP adalah

sebuah sistem yang dirancang untuk memaksimalkan kapasitas

77

pemrosesan transaksi. Dapat diartikan bahwa OLTP adalah sebuah

sistem yang dirancang untuk memasukkan data yang sesuai ke dalam

database dan dirancang untuk memaksimalkan kapasitas pemrosesan

transaksi.

2.1.10 Online Analytical Processing (OLAP)

Menurut Connolly dan Begg (2010, p1250) Online Analytical

Processing(OLAP) merupakansintesisdinamis, analisisdan

konsolidasi volume terbesardari multidimensional data. Teknologi

OLAP memungkinkandata warehousedigunakansecaraefektifuntuk

proses online analysis,

memberikanresponyangcepatterhadapanalytical queries yang

kompleks.Berikutinibeberapakeuntungan yang

diperolehdenganmenerapkan OLAp, yaitu :

1. Meningkatkanproduktivitasdariend-users

bisnisdanpengembangteknologiinformasi.

2. Meningkatkanpenghasilandankeuntunganpotensialdenganmemung

kinkanperusahaanuntukmeresponpermintaanpasarlebihcepat.

3. Mengurangiback-log

daripengembanganaplikasiuntukstafteknologiinformasidenganme

mbuat end-user bebasuntukmembuatperubahanskema

danmemungkinkanorganisasiuntukmeresponpermintaanpasarlebih

cepat.

4. Mengurangilalulintasjaringandalamsistem OLTP

ataudalamdatawarehouse.

78

2.1.11 Entity Relational Diagram

Menurut Connolly dan Begg (2010, p.330) Entity Relationship

(ER) modeladalah sebuah pendekatan terstruktur dalam

perancangan basis data(database) yang dimulai dengan

mengidentifikasi data penting yangdisebut entitas dan hubungan

antara data yang direpresentasikan dalamsebuah model.

2.1.12 IBM Infosphere Datastage

IBM InfoSphere DataStage digunakan untuk melakukan

transformasi data dan gerakan dari sumber sistem untuk menargetkan

sistem batch dan real time. Sumber data seperti file indeks, file

sekuensial, relasional database, arsip, sumber data eksternal, dan

aplikasi perusahaan.

2.1.13 IBM Cognos

IBM Cognos Business Intelligence merupakan perangkat

lunak (software) yang menyediakan ruang kerja terpadu untuk

business intelligence dan analisis terhadap organisasi agar dapat

digunakan dalam menjawab pertanyaan-pertanyaan bisnis dan

menghadapi persaingan dengan competitor. Dengan Cognos Business

Intelligence, pengguna (user) dapat meperoleh keuntungan dari

kemampuan sebagai berikut :

� Kemudahan dalam melihat, merakit, dan personalisasi informasi

� Kemudahan dalam menjelajahi semua jenis informasi dari

berbagai sudut untuk menilai situasi bisnis pada saat ini

79

� Menganalisis fakta dan mengantisipasi implikasi taktis dan

strategis dengan peegeseran dari melihat data ke melakukan

analisi yang lebih canggih dan prediktif

� Melakukan kolaborasi dengan tujuan membangun jaringan

keputusan untuk berbagi pengetahuan dan mencapai kecerdasan

kolektif

� Memberikan transparansi dan akuntabilitas untuk mendorong

keselarasan dan consensus

� Melakukan komunikasi dan mengkoordinasikan tugas untuk

melibatkan orang yang tepat pada waktu yang tepat

� Akses informasi dan mengambil tindakan di mana saja, seperti

mengambil keuntungan dari perangkat mobile dan analisis secara

real-time

� Mengintegrasikan dan menghubungkan analisis dalam pekerjaan

sehari-hari untuk alur kerja

2.1.14 Metodologi Perancangan Data Warehouse

Menurut Kimball (2010, p210) terdapat 9 langkah dalam

perancangan data warehouse yang dikenal dengan nine- step

methodology, yaitu :

• Memilih Proses (Choosing the Process)

Memilih proses berarti menetukan subjek utamanya. Subjek

Utama merujuk pada suatu kegiatan bisnis perusahaan yang dapat

menjawab semua pertanyaan bisnis yang penting serta memiliki

ciri khas tersendiri.

80

• Memilih Grain (Choosing the Grain)

Memilih grain artinya menentukan apa yang akan disajikan atau

dipresentasikan oleh sebuah tabel fakta. Setelah menentukan grain

dari tabel fakta, selanjutnya dapat menentuka tabel dimensi yang

berhubungan dengan tabel fakta tersebut. Grain pada tabel fakta

juga menentukan grain untuk tabel dimensinya.

• Identifikasi dan Membuat Dimensi yang Sesuai (Identifying and

Conforming the Dimensions)

Identifikasi dan menghubungkan tabel dimensi dengan tabel fakta.

Dimensi merupakan kumpulan sudut pandang yang penting untuk

menggambarkan berbagai fakta yang terdapat dalam tabel fakta.

• Memilih Fakta (Choosing the Facts)

Grain dari suatu tabel fakta menentuka fakta-fakta apa saja yang

dapat digunakan. Pada tahap ini, dilakukan penentuan measure

(ukuran) yang dibutuhkan pada tabel fakta tersebut.

• Menyimpan Pra-Kalkulasi Dalam Tabel Fakta

Umumnya hasil perhitungan dari atribut pada database tidak

disimpan pada suatu atribut khusus pada database, namun dalam

tahap ini, perlu dilakukan pertimbangan kembali mengenai

penyimpanan hasil perhitungan pada suatu atribut tersendiri pada

database, dengan tujuan untuk mengurangi resiko kesalahan pada

program setiap kali melakukan perhitungan pada atribut-atribut

tersebut.

81

• Melengkapi Tabel Dimensi

Dari banyak dimensi yang telah teridentifikasi, pada tahap ini

dilakukan deskripsi yang memuat informasi secara terstruktur

mengenai atribut-atribut pada tabel dimensi. Tabel dimensi

tersebut harus diberi keterangan secara lengkap, jelas, dan mudah

dipahami oleh pengguna (user).

• Memilih Durasi dari Database

Pada tahap ini dilakukan penentuan durasi atau periode waktu dari

data-data yang akan dimasukkan ke dalam data warehouse.

Contohnya, pada perusahaan distributor IT, data biasanya

disimpan selama 5 tahun atau lebih.

• Mencari Perubahan pada Dimensi

Dimensi dapat terjadi perubahan sewaktu-waktu, sehingga untuk

mengantisipasinya ada tiga cara untuk melakukan pengubahan

data pada dimensi tersebut, yaitu :

a Menulis ulang atribut yang mengalami perubahan

b Membuat record baru pada dimensi tersebut

c Membuat suatu atribut alternative untuk menampung nilai

baru, sehingga nilai lama dan nilai baru dari atribut tersebut

dapat diakses secara bersamaan.

• Memutuskan Prioritas dan Cara query

Pada tahap terakhir, dilakukan perancangan fisik dari data

warehouse dan menentukan masalah-masalah apa yang mungkin

ada dala perancangan fisik seperti administrasi, backup data,

indexing, dan security.

82

2.2 Teori – teori Khusus

2.2.1 Pembelian (Purchasing)

Pembelian merupakan proses bisnis yang dilakukan antar dua

pihak yaitu pihak supplier dan pihak perusahaan untuk mendapatkan

bahan-bahan produk yang akan dijual oleh perusahaan.

MenurutRender (2011, p414), pembelian adalah perolehan

barang dan jasa.Secara umum definisi pembelian adalah suatu usaha

pengadaan barangatau jasa dengan tujuan yang akan digunakan sendiri,

untuk kepentinganproses produksi maupun untuk dijual kembali.

Menurut Stevenson (2009, p518), pembelian adalah proses

mendapatkanmaterial, bagian-bagian, persediaan, dan layanan yang

diperlukan untuk memproduksi sebuah produk atau menyediakan sebuah

layanan.

Menurut William B. Joyce (2006, p202), pembelian adalah

sebuah kegiatan untuk mendapatkan material, layanan, yang dibutuhkan

untuk menghasilkan produk atau jasa layanan.

Menurut Andreas P. Kakorius (2006, p709-711), membagi

proses pembelian menjadi lima langkah, yaitu :

• Initiation Phase

Proses pembelian diawali dengan adanya kebutuhan akan jasa

maupun suatu barang.

• Planning Phase

Merupakan siklus utama dari suatu siklus pembelian dimana terjadi

perencanaan terhadap list barang yang akan dibeli agar tidak terjadi

kesalahan dalam pembelian yang dapat menyebabkan kerugian.

83

• Qualification Phase

Pemilihan pemasok melalui tingkat kualitas barang yang dihasilkan

agar barang tersebut terjamin kualitasnya.

• Winning Phase

Merupakan tahap akhir untuk memilih pemasok yang tepat untuk

menjadi distributor tetap.

• Monitoring and Review Phase

Pembeli harus secara teratur dalam melakukan pemantauan agar

barang yang dihasilkan oleh pemasok dapat terpantau terus

kualitasnya.

Berdasarkan pengertian di atas dapat disimpulkan bahwa

pembelian adalah suatu proses bisnis dalam perusahaan ebagai upaya

mendapatkan produk untuk barang-barang yang akan dijual oleh

perusahaan kepada pelanggan.

2.2.2 Penjualan (Selling)

Penjualan merupakan suatu proses bisnis yang penting bagi

perusahaan dalam tujuannya untuk mencari keuntungan yang

maksimal.Untuk mendapat keuntungan yang semaksimal mungkin

diperlukan teknik-teknik khusus agar produk yang dihasilkan dapat

disukai oleh pasar dan berkualitas sehingga menarik minat para

pelanggan.

Menurut Kotler et al (2006, p470), menerangkan bahwa proses

penjualan merupakan serangkaian langkah-langkah yang dilakukan

untuk menjual suatu produk kepada pelanggan oleh bagian penjualan.

84

Menurut Fess (2006, p300), menerangkan bahwa penjualan

merupakan jumlah tukar uang yang dibebankan kepada pelanggan

atassuatu barang yang dipesan.

Berdasarkan pengertian di atas dapat disimpulkan bahwa

penjualan merupakan suatu proses bisnis untuk menjual barang atau

produk kepada pelanggan untuk mendapatkan keuntungan bagi

perusahaan.

2.2.3 Persediaan Barang (Inventory Stock)

Persediaan merupakan suatu kegiatan dalam perusahaan untuk

menyimpan produk yang akan dijual untuk dijadikan sebagai

persediaan.Persediaan barang ini biasanya disimpan dalam suatu gudang

(warehouse).

Menurut Alfredson et. al. (2007, p342), persediaan merupakan

aset yang tersediauntuk dijual dalam proses bisnis biasa atau set yang

ada dalam proses produksi.

Persediaan dibagi menjadi beberapa jenis oleh Horngren et. al.

(2002,p759)menjadi sebagai berikut :

a. Persediaan bahan mentah

Persediaan ini akan digunakan dalam proses manufaktur untuk diolah

kembali.

b. Persediaan barang dalam proses

Yaitu barang yang sudah melalai beberapa tahap pada proses

manufaktur, tetapi masih perlu diolah kembali.

c. Persediaan barang jadi

85

Persediaan barang yang sudah diproses dan siap untuk dijual.

Menurut Alfredson, K.,etal (2007, p342), menerangkan bahwa

persediaan merupakan harta atau aset perusahaan yang tersedia untuk

dijual kepada pelanggan.

Menurut I Nyoman Yudha Astana (2007, p185), terdapat enam

fungsi penting yang terdapat dalam persediaan dalam memenuhi

kebutuhan perusahaan, sebagai berikut :

1. Meminimalkan resiko keterlambatan pengiriman barang

yangdibutuhkan oleh perusahaan

2. Menghilangkan resiko akan adanya barang rusak ketika memesan

barang

3. Meminimalkan resiko terhadap kenaikan harga

4. Untuk menyimpan barang-barang secara aman sehingga jika

dibutuhkan sewaktu-waktu dapat tersedia.

5. Mendapatkan potongan harga atas pembelian barang

6. Menyediakan barang yang diperlukan oleh pelanggan agar

kebutuhannya dapat terpenuhi

Berdasarkan pengertian di atas dapat disimpulkan bahwa

persediaan merupakan sebuah aset atau kekayaan perusahaan berupa

barang-barang dagangan hasil produksi yang disimpan di dalam suatu

tempat atau gudang yang kemudian akan dijual kepada pelanggan.

86

2.3 Kerangka Pikir

Berdasarkan Kimball Lifecycle diatas kami membuat kerangka pikir

dalam merancang data warehouse ini agar lebih matang dalam melakukan

perencanaan, implementasi, dan evaluasi, sehingga hasil yang diharapkan

lebih optimal dan tepat waktu

Gambar 2.18Kerangka Pikir

1.1 Latar Belakang

1.2 Ruang Lingkup

1.3 Tujuan dan Manfaat

4.2 Perancangan Data Warehouse (Nine-Step

Methodology)

4.3 Implementasi

4.4 Evaluasi