BAB 2 LANDASAN TEORI
2.1
Teori Umum 2.1.1 Pengertian Data Menurut Connolly & Begg (2010, p70) data merupakan komponen yang paling penting dalam sebuah Database Management System
(DBMS) dari sudut pandang End Users data bertindak
sebagai jembatan antara mesin dan pengguna. Menurut Laudon & Laudon (2010, p46), data adalah kumpulan fakta yang masih mentah yang menjelaskan aktivitasaktivitas yang terjadi dalam organisasi atau lingkungan fisik, sebelum terorganisir dan disusun menjadi sebuah bentuk yang dapat dimengerti dan digunakan oleh manusia. Menurut Rainer & Turban (2009, p6), Data mengacu pada deskripsi dasar dari suatu hal, kejadian, aktivitas, dan transaksi yang direkam, diklasifikasikan dan disimpan tetapi tidak diorganisasikan untuk menyampaikan makna tertentu. Jadi berdasarkan
teori – teori dari para ahli yang telah
didefinisikan dapat disimpulkan bahwa Data merupakan suatu fakta yang masih mentah dan dapat disimpan dalam media penyimpanan untuk diolah lebih lanjut menjadi sebuah informasi agar dapat digunakan oleh user.
7
8 2.1.2 Pengertian Informasi Menurut Laudon & Laudon (2010, p46), informasi adalah data yang telah ditentukan menjadi sebuah bentuk yang berarti dan berguna bagi kehidupan masyarakat. Menurut Rainer & Turban (2009, p6), Informasi mengacu pada data yang telah diorganisir sehingga mereka memiliki makna dan nilai kepada penerima. Karakteristik penting yang harus dimiliki oleh suatu informasi adalah: a. Relevansi Informasi tersebut berkaitan dengan keputusan yang akan diambil dalam usaha mencapai tujuan yang telah ditetapkan. b. Akurat Informasi dapat diandalkan dan disajikan secara tepat. c. Tepat Waktu Informasi harus dapat diterima oleh penerima, dan tidak boleh terlambat karena informasi yang terlambat menjadi tidak bernilai. d. Kelengkapan Informasi harus mampu menyajikan gambaran lengkap dari suatu permasalahan atau penyelesaian. Menurut Sauders (2009, p17), dalam dunia bisnis, dengan mengetahui informasi apa yang dibutuhkan oleh business users akan membantu dalam menentukan kebutuhan data yang harus tersedia dalam Data Warehouse. Berdasarkan pengertian dari berbagai ahli di atas, dapat disimpulkan bahwa Informasi merupakan kesimpulan dari kumpulan data yang telah dikelolah dengan tujuan dan memiliki karakteristik untuk menghasilkan sesuatu yang bernilai dan berguna untuk penggunanya.
9 2.1.3 Pengertian Database Menurut Conolly & Begg (2010, p65), database merupakan sekumpulan data yang berhubungan secara logikal dan dideskripsikan serta
dirancang untuk
memenuhi kebutuhan
informasi yang
dibutuhkan oleh suatu organisasi. Menurut O’Brien (2009, p156), Database merupakan suatu koleksi yang terintegrasi dari elemen data yang saling berhubungan sama lain secara logika. Sebuah database dapat dikonsolidasikan sebagai sekian banyak catatan yang disimpan terlebih dahulu di file yang berbeda. Berdasarkan pengertian yang sudah ada dapat diambil kesimpulan bahwa sebuah Database adalah kumpulan data – data yang saling terhubung secara logika satu sama lain dan tersimpan dalam skema tertentu yang digunakan untuk memenuhi kebutuhan informasi yang dibutuhkan oleh pengguna. Adapun beberapa istilah penting dalam basis data menurut Connolly & Begg (2010, p144-146, p396) yaitu: 1. Relasi
: Sebuah tabel dengan kolom dan baris
2. Atribut
: Kolom yang diberi nama pada sebuah relasi
3. Relationship
: Asosiasi antar tabel
4. Primary key
:
Candidate
key
yang
terpilih
untuk
mengindentifikasi tuple secara unik dalam sebuah relasi 5. Multiplicity
: Jumlah kejadian yang mungkin dari sebuah
tipe entitas yang berhubungan dengan kejadian tunggal dari tipe entitas lain yang berhubungan melalui relationship tertentu. Lebih lanjut ,Connolly & Begg (2010, p391) membahas tentang batasan multiplicity yang diringkas dalam tabel 2.1
10
Tabel 2.1 : Batasan Multiplicity (Sumber: Connolly dan Begg,2010) Batasan
Arti
Multiplicity 0..1
Kejadian entitas nol atau satu.
1..1(atau hanya 1)
Kejadian entitas tepat satu
0..*(atau hanya *)
Kejadian entitas nol atau lebih
1..*
Kejadian entitas satu atau lebih
Connolly & Begg (2010, p65) menerangkan bahwa relasirelasi yang berhubungan dihubungkan menggunakan asosiasi untuk membentuk sebuah diagram yang dinamakan Entity Relationship Diagram (ERD). Notasi yang digunakam pada ERD.
Gambar 2.1 : Notasi Entity Relationship Diagram Sumber : (Connolly & Begg 2010)
2.1.4 Pengertian DBMS (Database Management System) Menurut Conolly & Begg (2010, p66). Database Management System (DBMS) adalah suatu sistem perangkat lunak yang memungkinkan
pengguna
untuk
mendefinisikan,
memelihara, dan mengontrol akses ke database.
membuat,
11
Menurut
O'Brien
(2009,
p196),
DBMS
(Database
Management System) merupakan software utama dari manajemen database
karena
mengontrol
penciptaan,
pemeliharaan,
dan
penggunaan database dari sebuah organisasi dan users. Berdasarkan pengertian diatas, dapat disimpulkan bahwa Database Management System (DBMS) adalah software yang digunakan untuk membangun dan mengelola data dalam database. 2.1.5 Pengertian OLTP (Online Transaction Processing) Menurut Connolly & Begg (2010, p1198), On-line transaction processing (OLTP) adalah sebuah sistem yang dirancang untuk memaksimalkan kapasitas pemprosesan transaksi. Berikut ini beberapa keuntungan yang diperoleh dengan menerapkan OLTP, yaitu: 1. Efektif dan efisien waktu karena data transaksi disimpan setiap hari,sehingga tidak ada penumpukan data yang belum disimpan. 2. Data sisitematis dalam warehouse karena data disimpan setiap tanggal transaksi. 2.1.6 Pengertian Data Warehouse Menurut Connolly & Begg (2010, p1147), Data Warehouse adalah sekumpulan dari data yang subject-oriented, integrated, timevariant, dan non-volatile
untuk mendukung proses pembuatan
keputusan manajemen. Menurut Laudon & Laudon (2010, p222), Data Warehouse adalah database yang menyimpan data saat ini dan data historis yang dibutuhkan oleh pengambil keputusan diseluruh bagian perusahaan. Data berasal dari sistem transaksi operasional utama, seperti sistem untuk penjualan, rekening nasabah, dan manufaktur, dan dapat termasuk data dari transaksi website.
12
Menurut O'Brien (2009, p627), Data Warehouse adalah data terintegrasi yang diambil dari database operasional, historis, dan eksternal dan dibersihkan dan diubah yang digunakan untuk pengambilan dan analisis keputusan bisnis. Menurut Singh, D.C.Upadhaya, & Yadav (2011, p1), data warehouse adalah sistem kompleks yang terdiri dari banyak komponen-komponen
yang
menyimpan datauntuk
mendukung
keputusan akhir. Jadi dapat disimpulkan bahwa Data Warehouse adalah sekumpulan data yang besar, didapatkan perusahaan dari berbagai sumber dalam jangka waktu tertentu, sehingga dapat mendukung pengambilan keputusan pihak manajemen. 2.1.7 Karakteristik Data Warehouse Menurut Connolly & Begg (2010, p1147), Data Warehouse memiliki beberapa karakteristik, diantaranya yaitu :
13
•
Subject-oriented, yaitu Data Warehouse diorganisasi berdasarkan subjek utama dari perusahaan (seperti pelanggan, produk, penjualan, dan pembelian) berdasarkan pada area aplikasi utama (seperti pembuatan faktur pelanggan, pengendalian persediaan dan penjualan produk). Hal ini menggambarkan data yang ada didalam Data Warehouse merupakan data untuk pengambilan keputusan, bukan data yang berorientasi aplikasi.
Gambar 2.2 : Karakteristik Data Warehouse Subject-Oriented
14
•
Integrated, data didalam Data Warehouse berasal dari sumber data yang berbeda dan
dari sistem aplikasi yang berbeda
diseluruh perusahaan. Sumber data biasanya digunakan secara tidak konsisten, contohnya format yang berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan pandangan terintegrasi dari data kepada user.
Gambar 2.3 : Karakteristik Data Warehouse Integrated
15
•
Time- variant, data yang masuk didalam Data Warehouse hanya data yang akurat dan valid dalam suatu waktu tertentu atau dalam interval waktu tertentu.
Gambar 2.4 : Karakteristik Data Warehouse Time Variant •
Non-Volatile, data dalam Data Warehouse tidak diupdate secara real time tetapi diperbaharui dari sistem operasional secara berkala. Data baru selalu ditambahkan sebagai tambahan kedalam database bukan sebagai penggantian.
Gambar 2.5 : Karakteristik Data Warehouse Non-Volatile
16 2.1.8 Arisitektur Data Warehouse Berdasarkan Connolly & Begg (2010, p1153), terdapat komponen - komponen utama didalam arsitektur Data Warehouse, yaitu terdiri dari : a. Operational Data, sumber dari data ini didapat dari data operasional yang dilakukan pada database awal, b. Operational Data Store (ODS), tempat penyimpanan data operasional yang sedang terjadi dan terintegrasi dimana digunakan untuk analisis, c. Load Manager (sering juga disebut komponen frontend), menampilkan semua operasi yang diasosiasikan dengan data yang telah diekstrak dan di-load kedalam warehouse, d. Warehouse
Manager,
menampilkan
semua
operasi
yang
diasosiasikan dengan manajemen data dalam Warehouse, e. Query Manager (sering disebut juga komponen backend), menampilkan
semua
operasi
yang
diasosiasikan
dengan
manajemen dari user queries, f. Detailed Data, area dari Data Warehouse yang menyimpan semua data rinci didalam skema database. Umumnya, data rinci tidak disimpan secara online namun bisa tersedia dengan mengagregasi data ke tingkat detil selanjutnya. Data rinci ditambahkan ke dalam Data Warehouse untuk mendukung data agregat. g. Lightly dan Highly Summarized Data, area dari Data Warehouse yang menyimpan semua standar untuk lightly summarized data yang dihasilkan oleh Warehouse manager. Tujuan dari meringkas informasi adalah untuk mempercepat kinerja saat melakukan query. Ringkasan data akan ditambah saat data baru dimasukkan kedalam Data Warehouse. h. Archieve Backup Data, area Warehouse yang menyimpan detailed dan summarized data yang bertujuan sebagai arsip dan backup data,
17 i.
Meta-Data, area ini menyimpan definisi metadata (data tentang data) yang digunakan oleh semua proses dalam Warehouse. Metadata digunakan untuk berbagai macam tujuan termasuk : Proses ekstrak dan load -
metadata digunakan untuk
memetakan sumber data kedalam pandangan umum sebagai warehouse. Proses manajemen warehouse – metadata digunakan untuk mengotomatisasi pembuatan tabel ringkasan. Sebagai bagian proses manajemen query – metadata digunakan untuk menghubungkan query ke sumber data yang sesuai. Struktur metadata berbeda antara setiap proses, karena tujuan berbeda. Ini berarti bahwa berbagai salinan metadata yang menggambarkan data item yang sama dipegang dalam Data Warehouse. Kebanyakan tool penjual untuk salinan manajemen dan end-user data mengakses menggunakan versi mereka sendiri dari
metadata.
Secara
khusus,
tool
salinan
manajemen
menggunakan metadata untuk mengerti peraturan pemetaan untuk mengubah sumber data kedalam bentuk biasa. Tool akses end-user menggunakan metadata untuk mengerti bagaimana
untuk
membangun sebuah query. j. End-User Access Tools, dapat dikategorikan menjadi lima grup utama: data reporting and query tools, application development tools, executive information system (EIS) tools, online analytical processing (OLAP) tools dan data mining tools.
18
Gambar 2.6 : Arsitektur Data Warehouse (Connolly & Begg, 2010,p1154) Berdasarkan jurnal yang ditulis oleh Ariyachandra & Watson ada 5 jenis Arisitektur Data Warehouse yang mereka uji untuk melihat tingkat kesuksesan dari masing – masing jenis arsitektur, berikut ini merupakan gambar matriks yang menunjukan nilai dari 4 aspek yang diteliti dan 5 jenis arsitektur yang diuji :
Gambar 2.7 : Tabel Matriks perhitungan nilai kesuksesan dari 5 jenis arsitektur (Ariyachandra & Watson)
19
Gambar 2.8 : 5 Jenis Arstikektur Data Warehouse (Ariyachandra & Watson) 2.1.9 Perancangan Data Warehouse Menurut Kimball & Ross (2010, p210), terdapat Sembilan tahap dalam membangun Data Warehouse (nine-step methodology), yaitu: 1.
Pemilihan Proses (Choosing the Process) Proses yang menunjuk pada subjek yang ada dari sebuah bagian data mart. Data mart pertama yang akan dibangun
20 harus tepat waktu, disesuaikan dengan anggapan dari menjawab pertanyaan bisnis yang banyak diutarakan. 2.
Pemilihan Grain (Choosing the Grain) Memilih grain berarti menentukan secara tepat apa yang direpresentasikan oleh record
pada table fakta.
Sebagai
contoh Propertysale merepresentasikan fakta mengenai setiap penjualan properti dan menjadi tabel fakta dari skema bintang propertySale. Oleh
karena itu, grain dari tabel
fakta
propertySale adalah penjualan itu sendiri. Ketika grain dari tabel fakta dipilih, dimensi dapat diidentifikasi dari tabel fakta. Sebagai
contoh
Branch, Staff, Owner ClientBuyer,
Propertyforsale, dan promotion entity akan digunakan untuk tabel dimensi pada skema bintang. Tabel dimensi Time termasuk dalam dimensi utama yang selalu ada dalam skema bintang. Memutuskan grain
untuk tabel fakta juga
mendukung grain untuk setiap tabel dimensi. Misalnya, grain pada tabel fakta propertysale adalah setiap penjualan property itu sendiri, kemudian grain pada dimensi client yang membeli property. 3.
Identifikasi dan penyesuaian Dimensi (Identifying and Conforming the Dimensions) Dimensi menetapkan konteks pertanyaan mengenai fakta dalam tabel fakta. Kumpulan dimensi yang baik membuat data mart
mudah
dimengerti
dan
digunakan.
Dimensi
diidentifikasikan detil untuk menjelaskan suatu hal seperti client dan property pada grain yang tepat. Sebagai contoh dimensi client buyer mendeskripsikan atribut ID, nama, tipe, kota, area dan Negara. 4.
Memilih Fakta (Choosing the Fact) Grain dari Tabel fakta menentukan fakta yang bisa digunakan. Misalnya, grain dari tabel fakta adalah setiap penjualan property, kemudian semua fakta numeric harus merujuk pada penjualan ini. Fakta-fakta tersebut harus numerik dan dapat ditambah.
21 5.
Menyimpan Pre-Kalkulasi pada Table Fakta (Storing PreCalculation in the Fact Table) Setelah fakta-fakta ini dipilih masing-masing harus dikaji ulang
untuk
menentukan
apakah
ada
peluang
untuk
menggunakan pra-kalkulasi. Sebuah contoh umum dari kebutuhan untuk menyimpan pra-kalkulasi terjadi ketika faktafakta terdiri laporan laba rugi. Situasi ini akan sering muncul ketika tabel fakta didasarkan pada faktur atau penjualan. 6.
Melengkapi Tabel Dimensi (Rounding Out the Dimension Table) Pada langkah ini, kita kembali ke tabel dimensi dan menambahkan sebanyak mungkin deskripsi teks ke dalam tabel dimensi.Deskripsi teks harus intuitif dan dimengerti oleh pengguna. Kegunaan dari data mart ditentukan oleh ruang lingkup dan sifat dari atribut dari tabel dimensi.
7.
Pemilihan durasi database (Choosing the duration of the Database) Sebagai contoh, perusahaan asuransi memiliki kebutuhan untuk menyimpan data dalam jangka 5 tahun atau lebih. Tabel fakta yang sangat besar menimbulkan dua persoalan. Pertama, semakin tua umur data, akan muncul masalah pembacaan dan interpretasi file lama. Kedua, menimbulkan kemungkinan versi dimensi lama digunakan, bukan terbarunya.
8.
Mengikuti perubahan dimensi secara perlahan (Tracking slowly changing Dimensions) Mengamati perubahan dari dimensi pada dimension table. Ada tiga tipe dasar dari perubahan dimensi secara perlahan, yaitu tipe 1, dimana atribut dimensi yang diubah dituliskan ulang. Tipe 2, dimana atribut dimensi yang diubah menyebabkan pembentukan record baru. Dan tipe 3, dimana atribut dimensi yang diubah mengakibatkan sebuah atribut atau kolom alternatif dibuat,
jadi antara record yang lama dan baru
diakses secara bersama-sama.
22 9.
Memilih Prioritas dan Mode dari Query (Deciding the Query Priorities and the Query Modes) Dalam langkah ini kita mempertimbangkan masalah desain. Masalah desain yang paling penting yang mempengaruhi persepsi pengguna akhir dari data mart adalah urutan dari tabel fakta dan adanya ringkasan agregasi. Di luar masalah ini ada sejumlah masalah desain tambahan yang mempengaruhi administrasi, backup, kinerja indeks, dan keamanan.
2.1.10 Dimensional Table (Tabel Dimensi) Menurut Conolly & Begg (2010, p1227) dimensionality modeling adalah teknik
logical design yang bertujuan untuk
menyajikan data standar, bentuk intuitif yang memungkinkan untuk mengakses high performance. Disebut juga tabel kecil (minor table), biasanya lebih kecil dan memegang data deskritif yang mencerminkan dimensi suatu bisnis. Tabel dimensi adalah tabel yang berisikan kategori dengan ringkasan data detil yang dapat dilaporkan laporan keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (yang berupa perbulan, perkuartal, dan pertahun). Menurut Kimball & Ross (2013, p20) Dimension adalah entity yang independen dalam model dimensi yang berperan sebagai entry point atau mekanisme untuk slicing dan dicing bahan tambahan yang terletak pada tabel fakta dan dimendional model. Dapat disimpulkan bahwa, Dimension adalah kumpulan dari referensi informasi yang dapat diukur, bersifat individual, tidak berulang, berguna sebagai grouping dan labeling.
23
Gambar 2.9 : Dimension Sumber : (Kimball & Ross, 2013, p. 20) 2.1.11 Fact Table (Tabel Fakta) Menurut Connoly & Begg (2010, p1227), tabel fakta adalah tabel pusat dari skema bintang dimana data yang sering muncul akan di tempatkan disini. Disebut juga tabel utama (major table), merupakan inti dari skema bintang dan berisi data aktual yang akan dianalisis (data kuantitatif dan transaksi). Tabel fakta menyimpan tipe-tipe measure yang berbeda, seperti measure yang secara tidak langsung terhubung dengan tabel dimensi dan measure yang tidak berhubungan dengan tabel dimensi. Menurut Kimball & Ross (2013, p24), Fact Table adalah table utama
dengan
performa
perhitungan
karakteristik
numeric
berdasarkan composite key, serta setiap elemen foreign key yang diambil dari tabel dimensi.
24
Gambar 2.10 : Fact Table (Kimball & Ross, 2013) Berikut ini merupakan kutipan Jurnal dari Darudiato (2010) yang menyatakan ada beberapa komponen – komponen yang terdapat dalam suatu tabel fakta (fact table), yaitu : •
Concatenated key, merupakan baris dalam tabel fakta diidentifikasi dengan menggunakan primary key dari tabel tabel dimensi, maka primary key dari tabel fakta merupakan gabungan primary key dari semua tabel dimensi.
•
Data grain, merupakan tingkat detail untuk pengukuran. Sebagai contoh, jumlah pemesanan berhubungan dengan jumlah produk tertentu pada suatu pesanan, tanggal tertentu, untuk pelanggan spesifik dan diperoleh oleh seorang perwakilan penjualan spesifik tertentu. Jika jumlah pesanan dilihat sebagai jumlah untuk suatu produk perbulan, maka data grain-nya berbeda dan pada tingkat yang lebih tinggi.
•
Fully
additive
measures,
merupakan
measures
dilaksanakan dengan penjumlahan sederhana nilai-nilai atribut tersebut.
25 •
Semiadditive measures, merupakan nilai yang tidak dapat langsung
dijumlahkan,
sebagai
contoh
persentase
keuntungan. •
Tabel besar, tidak lebar tetapi Tabel fakta umumnya memiliki lebih sedikit atribut daripada tabel dimensi, namun memiliki jumlah record yang lebih banyak.
•
Sparse data, Tabel fakta tidak perlu menyimpan record yang nilainya null. Maka tabel fakta dapat memiliki gap.
•
Degenerate dimensions, Terdapat elemen-elemen data dari sistem operasional yang bukan merupakan fakta ataupun dimensi, seperti nomor pesanan, nomor tagihan, dan lainlain. Namun atribut-atribut tersebut dapat berguna dalam jenis analisis tertentu. Sebagai contoh, mencari rata-rata jumlah produk
2.1.12 Skema Bintang (Star Schema) Menurut Connoly & Begg (2010,p1177), skema bintang (Star Schema) adalah sebuah logical struktur yang mempunyai sebuah table fakta berisi data terbaru di tengah, yang di kelilingi tabel dimensi yang berisi data referensi. Skema bintang dapat digunakan untuk mempercepat kinerja query dengan informasi referensi denormalisasi ke tabel dimensi tunggal.
26
Gambar 2.11 : Skema Bintang (Star Schema) (Connolly & Begg, 2010) Skema bintang memiliki beberapa kelebihan yang tidak ada dalam struktur relasional biasa. Keuntungan skema bintang yaitu : -
Efisiensi, struktur database konsisten sehingga efisien dalam mengakses data dengan menggunakan tool untuk menampilkan data termasuk laporan tertulis dan query.
-
Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang dapat beradaptasi terhadap perubahan kebutuhan pengguna karena semua tabel dimensi memiliki kesamaan dalam hal menyediakan akses ke tabel fakta.
-
Extensibility, model dimensional dapat di kembangkan. Seperti menambah tabel fakta selama data masih konsisten, menambah tabel dimensi selama ada nilai tunggal di tabel dimensi tersebut yang mendefinisikan setiap record tabel fakta yang ada, menambahkan attribute tabel dimensi, dan memecahkan record tabel dimensi yang ada menjadi level yang lebih rendah daripada level sebelumnya.
27 -
Kemampuan
untuk
menggambarkan
situasi
bisnis
pada
umumnya, pendekatan standar untuk menangani situasi umum di dunia bisnis yang terus bertambah. - Proses query yang bias di prediksi, aplikasi Data Warehouse yang mencari data dari level yang paling dibawahnya akan mudah menambahkan jumlah attribute pada tabel dimensi dari sebuah skema bintang. Aplikasi yang mencari data dari level yang setara akan menghubungkan tabel fakta yang terpisah melalui tabel dimensi yang dapat diakses bersama. 2.1.13 Keuntungan Data Warehouse Menurut Connolly & Begg (2010, p1198) terdapat beberapa keuntungan dari Data Warehouse diantaranya adalah :
• Potential High Returns On Investment Sebuah organisasi harus menggunakan sejumlah besar sumber daya untuk implementasi Data Warehouse berhasil dan biaya
yang
bervariasi.
Namun,
sebuah
pembelajaran
dari
international data memasuki corporation melaporkan bahwa proyek Data Warehouse memberikan rata-rata return on investment (ROI) sebesar 401%.
• Competitive Advantage Keuntungan bersaing dapat diperoleh dengan mendukung dan memperbolehkan pengambilan keputusan untuk mengakses data yang tidak tersedia, susah didapatkan dan tidak diketahui sebelumnya.
• Incrased Productivity of Corporate Decision Makers Data
warehouse
meningkatkan
produktivitas
dari
pengambilan keputusan perusahaan dengan membuat sebuah database yang terintegrasi, konsisten, berorientasi subjek dan data historikal. Data Warehouse mengintegrasikan data dari beberapa sistem menjadi sebuah satu cara pandang yang konsisten bagi organisasi, dengan mengubah data menjadi informasi yang berharga,
28 Data Warehouse mengijinkan pengambilan keputusan dalam perusahaan untuk membuat analisis yang konsisten dan akurat. Berikut ini Keuntungan Data Warehouse menurut jurnal dari Al Debei (2011) : •
Time Saving
•
More and Better Information
•
Better Decision
•
Improvement of Business Processes
•
Support for the Accompilishment of strategic business objective Hal terpenting dari Data Warehouse yang dikutip dari Jurnal
Ilmiah Widyawati (2012) adalah kemampuan data warehouse dalam menyediakan informasi yang dibutuhkan oleh user. Data warehouse pemasaran produk ini dapat menyediakan informasi pemasaran produk yang sesuai kebutuhan dengan cara yang mudah dan cepat sehingga dapat mendukung proses evaluasi dan pengambilan keputusan yang dilakukan. Kemampuan yang dimiliki dalam data warehouse ini adalah sebagai berikut: •
Roll-up dan drill-down
•
Output customization
•
Query sesuai kebutuhan
2.1.14 Online Analytical Processing (OLAP) Menurut Connolly & Begg, (2010, p.1250), Online Analytical Processing (OLAP) adalah gabungan dari analisis dan konsolidasi yang dinamis dari data multidimensi yang berukuran besar. Menurut O'Brien (2009, p635), OLAP (Online Analytical Processing) adalah kemampuan beberapa manajemen, pendukung keputusan, dan sistem informasi eksekutif yang mendukung pemeriksaan interaktif, dan manipulasi, dari sejumlah besar data dari berbagai perspektif. Jadi dari pengertian di atas Online Analytical Processing (OLAP) adalah gabungan dari proses analisis, multidimensi dan
29 menanipulasi data berjumlah besar yang digunakan secara real time atau terus menerus. Berikut ini beberapa keuntungan yang diperoleh dengan menerapkan OLAP, yaitu: 1. Meningkatkan produktivitas dari end-users bisnis dan pengembang teknologi informasi. 2. Meningkatkan penghasilan dan keuntungan potensial dengan memungkinkan perusahaan untuk merespon permintaan pasar lebih cepat. 3. Mengurangi back-log dari pengembangan aplikasi untuk staf teknologi informasi dengan membuat end-user bebas untuk membuat perubahan skema dan memungkinkan organisasi untuk merespon permintaan pasar lebih cepat. 4. Mengurangi lalu lintas jaringan dalam sistem OLTP atau dalam Data Warehouse. 2.1.15 Extract, Tranforming, Loading (ETL) Menurut Conolly & Begg, (2010, p1208) ETL melakukan semua operasi yang terkait dengan ETL data ke dalam Warehouse. Data dapat diperoleh langsung dari sumber data atau lebih umum dari data store operasional. Extract, Transform, Load, merupakan tiga fungsi database yang digabungkan menjadi satu alat yang mengotomatisasi proses untuk menarik data dari satu database ke database lain, berikut masing masing pengertian dari 3 fungsi tersebut : Extract Proses membaca data dari sumber database yang ditentukan dan extracting data yang di inginkan. Transform Proses mengubah / mengextract data yang diperoleh dari format baru sesuai kebutuhan sehingga dapat ditempatkan ke database lain. Load Proses memasukkan data ke dalam target database..
30 2.2
Teori Khusus 2.2.1 Pengertian Penjualan
Menurut Sulistiyowati (2010, p270) penjualan merupakan Pendapatan yang berasal dari penjualan suatu produk yang dihasilkan perusahaan, dan disajikan setelah dikurangi potongan penjualan dan retur penjualan. Definisi penjualan menurut Mulyadi (2008, p202), Penjualan merupakan kegiatan yang dilakukan oleh penjual dalam menjual barang atau jasa dengan harapan akan memperoleh laba dari adanya transaksi-transaksi tersebut dan penjualan dapat diartikan sebagai pengalihan atau pemindahan hak kepemilikan atas barang atau jasa dari pihak penjual ke pembeli. Penjualan juga dibagi menjadi 2 jenis, yaitu : 1. penjualan tunai adalah penjualan barang dagangan dengan menerima pembayaran kas atau tunai secara langsung dari pelanggan pada saat terjadinya penjualan. 2. penjualan kredit adalah penjualan barang dagangan dengan kesepakatan antara pembeli dan penjual pada saat transaksi, yaitu pembayaran akan dilakukan pada waktu yang akan datang. Dari definisi para ahli diatas maka dapat ditarik kesimpulan bahwa Penjualan merupakan sebuah usaha atau langkah konkrit yang dilakukan untuk memindahkan suatu produk, baik itu berupa barang ataupun jasa, dari produsen kepada konsumen sebagai sasarannya dengan mengharapkan keuntungan dari hasil penjualannya. 2.2.2 Pengertian Pembelian Menurut Gelinas & Dull (2010, p430), proses pembelian merupakan suatu struktur interaksi antara orang-orang, peralatan,
31 metode-metode, dan pengendalian yang dirancang untuk mencapai fungsi-fungsi utama sebagai berikut: 1. Menangani rutinitas pekerjaan yang berulang-ulang dari bagian pembelian dan penerimaan. 2. Mendukung pengambilan keputusan dari orang-orang yang mengatur bagian pembelian dan penerimaan. 3. Membantu dalam penyajian laporan internal dan laporan eksternal. Menurut Mulyadi (2008, p316), pembelian merupakan usaha suatu perusahaan untuk pengadaan barang yang diperlukan untuk membantu proses produksi dalam perusahaan. Fungsi pembelian bertanggung jawab untuk memperoleh informasi mengenai harga barang, menentukan pemasok yang dipilih dalam pengadaan barang, dan mengerluarkan order pembelian kepada pemasok yang dipilih . Dari definisi di atas dapat disimpulkan bahwa pembelian adalah proses untuk mendapatkan suatu bahan-bahan dengan harga yang sesuai untuk menunjang proses produksi barang dan merupakan fungsi penting dalam berhasilnya operasi dalam perusahaan. 2.2.3 Pengertian Produksi Menurut Assauri (2008), Produksi merupakan segala kegiatan dalam menciptakan dan menambah kegunaan (utility) sesuatu barang atau jasa, untuk kegiatan mana dibutuhkan faktor-faktor produksi dalam ilmu ekonomi berupa tanah, tenaga kerja, dan skill (organization, managerial, dan skills). 2.2.4 Pengertian Makanan Makanan dapat diartikan sebagai semua zat yang dapat digunakan dalam metabolisme atau faal dan atau untuk memperoleh energi. Agar dapat digunakan dalam proses metablisme atau faal, makanan harus disedehanakan terlebih dahulu sehingga nanyinya
32 makanan akan berwujud molekul zat yang paling kecil yang dapat diserap oleh sel-sel tubuh. Adapun fungsi makanan untuk tubuh kita adalah: 1. Sebagai sumber energy Makanan
sangat
mendapatkan
dibutuhkan
energi
dan
oleh
tubuh
untuk
energi
oleh
tubuh
dimanfaatkan untuk bergerak sesuai dengan apa yang kita inginkan. Sedangkan karbohidrat dan lemak adalah suatu bahan-bahan yang ada dalam tubuh. Pembakaran 1 gram karbohidrat dapat menghasilkan kalori 4,1 dan pembakaran 1 gram lemak bisa menghasilkan 9,1 kalori. Jadi semua itu mempunyai hubungan yang erat dan saling membantu dan membuat tubuh kita dapat beraktivitas dengan baik. 2. Sebagai penghasil kalori dan pengatur suhu serta perlindungan tubuh. Sedangkan unsur-unsur yang banyak dibutuhkan oleh tubuh kita adalah: a. Oksigen b. Nitrogen c. Karbon d. Hidrogen
