BAB 2 LANDASAN TEORI
2.1
Teori Umum 2.1.1 Pengertian Data Menurut Inmon (2005, p493) Data adalah suatu pencetakan dari fakta, konsep, atau instruksi dalam suatu media penyimpanan untuk komunikasi, pencarian, dan pemprosesan dengan menggunakan alat otomatis dan presentasi sebagai informasi yang dapat dimengerti oleh manusia. Menurut O’Brien (2005, p38) Data adalah fakta atau observasi mentah, yang biasanya mengenai fenomena fisik atau transaksi bisnis.
2.1.2 Pengertian Informasi Menurut Vercellis (2009, p7), informasi adalah kumpulan dari kegiatan ekstraksi pengolahan yang dilakukan pada data dan memiliki arti bagi orang yang menerimanya pada domain yang spesifik. Menurut O’Brien (2005, p38) informasi adalah data yang telah diubah menjadi konteks yang berarti dan berguna bagi para pengguna akhir tertentu. Menurut Brown, DeHayes, Hoffer, Martin, & Perkins (2009, p. 727), informasi adalah data yang berguna untuk manajemen tingkat atas yang digunakan untuk mengambil keputusan.
2.1.3
Pengertian Database Menurut Connolly dan Begg (2005, p14), database adalah sekumpulan
data dan deskripsi dari data yang berhubungan secara logical didesain untuk menemukan kebutuhan informasi dari organisasi. Menurut Inmon (2005,p493) database merupakan koleksi data-data yang saling berhubungan yang tersimpan berdasarkan suatu skema tertentu. Database dapat digunakan untuk aplikasi tunggal atau berganda. Menurut Inmon (2005,p493) database merupakan koleksi data-data yang saling berhubungan yang tersimpan berdasarkan suatu skema tertentu. Database dapat digunakan untuk aplikasi tunggal atau berganda.
2.1.4 Pengertian Data warehouse Menurut Connolly dan Begg (2010,p1197), data warehouse merupakan sekumpulan data yang berorientasi subjek, terintegrasi, tidak mudah berubah, dan berdasarkan kepada suatu rentang waktu tertentu yang berguna untuk mendukung proses pengambilan keputusan. Sebuah data warehouse merupakan data manajemen dan teknologi analisis data. Menurut Inmon (2005, p389), data warehouse adalah sekumpulan data yang terintegrasi, berorientasi pada subjek yang dirancang dan digunakan untuk mendukung proses pengambilan keputusan dimana setiap unit dari data bersifat saling berhubungan untuk beberapa waktu tertentu.
2.1.4.1 Keuntungan Data warehouse Menurut Connolly & Begg (2005, p. 1152), data warehouse yang telah dirancang dan diimplementasikan dengan baik dapat memberikan keuntungan yang besar bagi organisasi, yaitu: a.
Potensi nilai kembali yang besar pada investasi. Dalam upaya menghasilkan informasi yang baik, sebuah organisasi mengeluarkan biaya dan sumber daya dalam jumlah yang besar. Ini dilakukan untuk memastikan bahwa data warehouse telah diimplementasikan dengan baik dan sukses. Setelah data warehouse digunakan di dalam organisasi, maka tingkat pendapatan keuntungan akan lebih baik.
b.
Keuntungan Kompetitif. Keuntungan ini didapat, ketika organisasi mendapatkan analisis data yang sebelumnya tidak diketahui, tidak tersedia seperti informasi tentang trend, dan pelanggan.
c.
Meningkatkan produktivitas para pengambil keputusan. Dengan adanya data warehouse di dalam organisasi, ini akan meningkatkan kemampuan para pengambil keputusan untuk
mampu mengambil keputusan dengan baik. Ini dikarenakan data warehouse menyediakan database yang saling terintegrasi satu dengan yang lainnya, sehingga kemudahan pengaliran data dalam organisasi bias dilakukan dengan mudah. Dengan begitu manajemen tingkat atas akan lebih mudah dalam mengambil keputusan.
Tabel 2.1 Perbedaan sistem OLTP dan Data warehouse Sistem OLTP Data warehouse Berorientasi aplikasi
Berorientasi objek
Current data
Historical data
Data dinamis
Data besar yang statis
Membantu keputusan perhari
Membantu keputusan strategis
Tidak ada redudancy data
Ada redudancy data
Untuk komunitas karyawan
Untuk kominitas manajer
Jumlah data yang di proses Jumlah data yang diproses kecil
besar
2.1.5 Karakteristik Data warehouse Menurut Inmon (2005, p. 29-32), sebuah data warehouse memiliki beberapa karakteristik yaitu subject oriented, integrated, nonvolatile, dan time
variant.
Dimana
keempat
karakteristik
tersebut
harus
bisa
diimplementasikan di dalam sebuah data warehouse, agar suatu data warehouse bisa secara efektif membantu mengambil keputusan. 1. Subject Oriented Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan disekitar subjek-subjek utama dari perusahaan(customers,products diorganisasikan
pada
dan
area-area
sales) aplikasi
dan
tidak
utama(customer
invoicing,stock control dan product sales). Hal ini dikarenakan
kebutuhan dari data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data. Jadi dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan terhadap proses.
Gambar 2.1 Karakteristik Data warehouse, Subject Oreiented (Sumber Inmon 2005,p30) 2. Integrated Organisasi yang menerapkan data warehouse mempunyai sumber data yang berbeda-beda dan dimana sumber data ini berasal dari sistem dan aplikasi yang berbeda juga dimana sumber data berasal dari bagian-bagian yang ada di dalam organisasi. Dengan keberagaman sumber data yang ada ini, data yang ada tidak digunakan secara konsisten di dalam organisasi. Oleh sebab itu data yang ada harus terintegrasi satu dengan yang lainnya, sehingga data yang ada dapat digunakan secara konsisten. Ini bertujuan untuk memudahkan penampilan dari data untuk user. Data warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada
merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri. Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
Gambar 2.2 Karakteristik Data warehouse, Intergrated
3. Nonvolatile Pada karakteristik dari data warehouse yang satu ini hanya ada dua operasi data yang terjadi pada data warehouse, yaitu load data dan access data. Hal ini bertujuan agar tidak terjadinya redudancy data, karena sebelum dilakukan load data telah dilakukan penyaringan atau filterisasi data apa saja yang akan diambil, jadi pada data warehouse hanya berisi data-data penting dan bersifat read-only atau tidak dapat diubah.
Gambar 2.3 Karakteristik Data warehouse, Non volatile 4. Time Variant Perbedaan pada karakteristik ini mempengaruhi tiap data dalam data warehouse menjadi selalu akurat dalam periode tertentu. Dalam beberapa kasus, record ditandai. Di sisi lain, sebuah record memiliki detail tanggal transaksi. Tetapi dalam setiap kasus ada beberapa bentuk penanda waktu untuk menunjukan record tersebut selalu akurat.
Gambar 2.4 Karakteristik Data warehouse, Time Variant
2.1.6 Arsitektur Data warehouse Menurut Connoly dan Begg terdapat sepuluh komponen didalam Data warehouse, yaitu : 1. Operational Data
• Mainframe operasional data memegang kendali di hirarki generasi pertama dan di jaringan database.
• Bagian data memegang kendali pada kepemilikan system file VSAM, RMS, dan relasional DBMS seperti informix dan oracle.
• Private data memegang kendali pada workstation dan private server. • External System seperti internet, database komersial yang tersedia atau database yang berhubungan dengan pemasok organisasi atau konsumen. 2. Operational Data Store Operational Data Store (ODS) adalah tempat penyimpanan data operasional yang terintegrasi yang digunakan untuk analisa perusahaan. ODS sangat terstruktur yang berisi data seperti data warehouse. ODS sering digunakan sebagai pengganti ketika sistem operasional tidak mampu mendukung penyampaian laporan yang dibutuhkan. Para pengguna ODS menyediakan kemudahan dalam menggunakan database relasional namun tetap jauh dari fungsi pendukung keputusan data warehouse. Membuat ODS dapat menjadi langkah yang membantu dalam
membangun
suatu
data
warehouse
karena
ODS
dapat
menyalurkan data yang telah diextract dari sistem sumber dan “dibersihkan”. Ini berarti bahwa sisa pekerjaan untuk mengintegrasikan dan merekstrurisasi data untuk data ware house menjadi lebih sederhana. 3. Load Manager Load manager juga disebut sebagai komponen front-end yang bertugas melakukan seluruh operasi yang berhubungan dengan ekstrasi dan meload data ke warehouse. Operasi yang dilakukan oleh load manager dapat meliputi perubahan bentuk yang sederhana dari data untuk dipersiapkan sebelum masuk ke data warehouse.
4. Warehouse Manager Warehouse manager melakukan semua operasi yang berhubungan dengan pengelolaan data di data warehouse. Komponen ini dibangun menggunakan alat manajemen vendor data dan program custom-built. Operasi yang dilakukan oleh manajer gudang meliputi: •
Analisis data untuk memastikan konsistensi
•
Transformasi dan penggabungan sumber data dari penyimpanan sementara ke tabel data warehouse;
•
penciptaan indeks dan pandangan tentang tabel dasar;
•
generasi denormalizations (jika perlu);
•
generasi agregasi (jika perlu);
•
backing-up dan pengarsipan data.
Dalam beberapa kasus, manajer gudang juga menghasilkan profil query untuk menentukan indeks dan agregasi yang sesuai. Sebuah profil permintaan dapat dihasilkan untuk setiap pengguna, kelompok pengguna, atau data warehouse dan didasarkan pada informasi yang menjelaskan karakteristik dari pertanyaan seperti frekuensi, tabel target, dan ukuran dari hasil set. 5. Query Manager Query manager juga disebut komponen back-end, melakukan operasioperasi yang berhubungan dengan manajemen user queries. Operasioperasi yang dilakukan oleh komponen ini termasuk mengarahkan query kepada tabel-tabel yang tepat dan menjadwalkan eksekusi dari query tersebut. 6. Detail Data Daerah warehouse ini menyimpan semua data yang rinci dalam skema database. dalam kebanyakan kasus, data rinci tidak disimpan secara online tetapi disediakan untuk menggabungkan data ke tingkat berikutnya yang lebih detail. Namun, secara teratur, data rinci ditambahkan ke gudang untuk melengkapi agregat data.
7. Lightly and Highly Summarized Data Merupakan tempat penyimpanan sementara data predefinisi yang ringkas secara lightly dan highly yang dihasilkan warehouse manager. Tujuannya adalah untuk mempercepat tanggapan atas permintaan user. Ringkasan ter-update secara berkala sesuai data yang masuk. 8. Archive / Backup Data Area ini digunakan untuk menyimpan data secara rinci dan ringkas, untuk tujuan arsip dan backup. Data ditransfer ke arsip penyimpanan seperti pita magnetik atau optical disk. 9. Metadata Metadata digunakan untuk menyimpan semua definisi tentang metadata (keterangan tentang data) yang digunakan dalam seluruh proses warehouse. Tujuan penggunaan metadata yaitu : •
Proses pengekstrakan dan loading
•
Management warehouse
•
sebagai proses query management
10. End-User Access Tools Tujuan utama dari data warehouse adalah untuk memberikan informasi kepada pengguna bisnis untuk pengambilan keputusan strategis.
Gambar 2.5 Arsiterktur Data warehouse (Connolly and Begg, 2005, p.1157)
1. Arsitektur Two-Tier Pada arsitektur two-tier ini, data operasional ditransformasikan dan ditransfer ke data warehouse. Untuk membantu proses transformasi, sebuah Enterprise Data Model (EDM) dibuat. Enterprise Data Model (EDM) ini menjelaskan tentang struktur data warehouse dan berisi metadata yang dibutuhkan untuk menempatkan dan mengakses database yang dihasilkan dan sumber data eksternal. Arsitektur twotier biasanya akan menemukan kesulitan performance bilamana data warehouse berukuran besar.
Gambar 2.6 Two-Tier Client Server Architecture, Sumber Connolly and Begg (2005,p60) 2. Arsitektur Three-Tier Organisasi yang menemukan kesulitan dalam menerapkan arsitektur twotier pada umumnya akan beralih ke arsitektur three-tier. User pada departemen pada umumnya hanya mengakses sebagian kecil dari porsi data warehouse. Oleh karena itu digunakanlah data mart. Pada umumnya data mart ini memiliki server yang terpisah dengan data warehouse, yang bertujuan untuk performance / kinerja yang lebih baik dan fault tolerance. Masing-masing departemen bertanggung jawab untuk mengawasi data mart departemennya.
Gambar 2.7 Three-Tier Client Architecture ,Sumber Connolly and Begg (2005,p61) 3. Arsitektur Bottom up Pada arsitektur bottom-up, data dimodelkan dalam satu function atau proses dalam satu waktu dan disimpan dalam data mart yang terpisah. Bilamana waktunya tiba, data baru disintesis, disaring (dibersihkan), dan di- merge ke dalam data mart yang telah tersedia dan dapat juga dengan membangun ke data mart yang baru.
2.1.7
Reporting And Query Tools Reporting tools seperti alat pelaporan produksi dan laporan penulisan
adalah alat pelaporan produksi yang digunakan untuk menghasilkan laporan operasional biasa atau mendukung pekerjaan batch volume. Alat query untuk gudang data relasional yang dirancang untuk menerima SQL atau menghasilkan pernyataan SQL untuk query data yang tersimpan di gudang. 1. Application Development Tools Persyaratan dari end-user dapat seperti built-in kemampuan pelaporan dan alat query tidak memadai baik karena analisis yang diperlukan tidak dapat dilakukan atau karena interaksi pengguna memerlukan tingkat keahlian tinggi. Dalam situasi ini, akses pengguna mungkin memerlukan pengembangan aplikasi dirumah menggunakan alat akses
data grafis yang dirancang terutama untuk lingkungan client-server. Beberapa alat pengembangan aplikasi ini terintegrasi dengan populer yaitu OLAP, dan dapat mengakses semua sistem database utama, termasuk Oracle, Sybase, dan Informix.
2. Executive Information System (EIS) Executive Information System, baru-baru ini disebut sebagai 'sistem informasi semua orang', awalnya dikembangkan untuk mendukung tingkat tinggi pengambilan keputusan strategis. Namun, fokus dari sistem ini diperluas untuk mencakup dukungan untuk semua tingkatan manajemen. Saat ini, demarkasi antara alat EIS dan alat pendukung keputusan yang lain bahkan lebih jelas sebagai pengembang EIS menambah fasilitas permintaan tambahan dan menyediakan aplikasi yang dibangun untuk area bisnis seperti penjualan, pemasaran, dan keuangan.
3. Online Analytical Processing (OLAP) Online Analytical Processing (OLAP) alat didasarkan pada konsep multi-dimensi database dan memungkinkan pengguna yang canggih untuk menganalisis data menggunakan data kompleks dan melihat secara multidimensional. Alat-alat ini mengasumsikan bahwa data tersebut akan diatur dalam model multi-dimensi didukung oleh data multi-dimensi khusus (MDDB) atau dengan database relasional dirancang untuk memungkinkan query multi-dimensi.
4. Data Mining Tools Data mining adalah proses menemukan korelasi bermakna baru, pola, dan tren dengan menggali sejumlah besar data menggunakan statistik, matematika, dan kecerdasan buatan (AI) teknik.
2.1.8
Aliran Data Pada Data warehouse Menurut Connolly & Begg, 2005 (pp. 1161-1165), data warehouse
berfokus pada manajemen lima arus data primer, yaitu :
• Inflow Proses terkait dengan ekstraksi, pembersihan, dan pemuatan data dari sistem sumber ke dalam data warehouse. Inflow ini berkaitan dengan mengambil data dari sistem sumber untuk memasukan ke dalam data warehouse. • Upflow Suatu proses yang terkait dengan nilai tambah data di gudang melalui meringkas, kemasan, dan distribusi data. Aktivitas yang berhubungan dengan upflow meliputi: 1. Meringkas data dengan memilih, memproyeksikan, bergabung, dan pengelompokan data relasional ke pandangan yang lebih nyaman dan berguna bagi pengguna akhir. meringkas meluas melampaui operasi relasional sederhana untuk melibatkan analisis statistik yang canggih termasuk kecenderungan mengidentifikasi, clustering, dan sampling data. 2. Kemasan data dengan mengubah data rinci atau dirangkum menjadi lebih berguna format, seperti spreadsheet, dokumen teks, grafik, presentasi grafis lainnya, database pribadi, dan animasi. Mendistribusikan
data
ke
kelompok
yang
tepat
untuk
meningkatkan ketersediaan dan aksesibilitas. • Downflow Merupakan suatu proses yang berhubungan dengan pengarsipan dan melakukan backup data di dalam data warehouse. Dimana ketika terjadi kerusakan pada software atau hardware, tidak terjadi kehilangan data. • Outflow Yang terkait dengan membuat data yang tersedia untuk pengguna akhir. Dalam outflow ada dua aktifitas yang menjadi kunci utama yaitu : - Pengaksesan, merupakan bagaimana kepuasan pengguna akhir dalam menggunakan aplikasi.
- Pengiriman, bagaimana proses pengiriman informasi-infromasi yang ditujukan kepada pengguna akhir. • Metaflow Metaflow suatu proses yang terkait dengan pengelolaan metadata. Metadata merupakan penjelasan dari isi data dari data warehouse.
Gambar 2.8 Dataflow Data warehouse (Connolly and Begg,2005,p1162) 2.1.9 Granularity Menurut Connolly and Begg (2005,p602) granularity adalah ukuran item data yang dipilih sebagai unit perlindungan oleh protokol. Granularity merupakan salah satu faktor yang terpenting yang harus diperhatikan dalam pengembangan data warehouse. Karena granularity mempengaruhi efisiensi dari penggunaan data dalam analisa yang dilakukan. Menurut Inmon (2005,p41) granularity mengarah ke level of detail pada data warehouse. Semakin detil data semakin rendah granularity nya, sebaliknya semakin ringkas data semakin tinggi tingkat granularity nya.
2.1.10 Metadata Menurut kimball dan Ross(2002,p14) metadataa adalah keseluruhan informasi yang ada didalam environment data warehouse, bukan secara aktual itu sendiri, melainkan lebih mengarah pada sebuah ensiklopedia dari data warehouse. Sedangkan menurut Inmon (2005,p183) metadata pada lingkungan operasional biasanya bertindak lebih kearah dokumentasi sehingga pemakai cenderung optional, namun pada lingkungan data warehouse, metadata memiliiki peranan yang jauh lebih besar dengan tingkat pemakai yang meruakan keharusan.
2.1.11 Agregasi Menurut Inmon (2005, p. 114) terdapat banyak kasus yang mana data di dalam data warehouse tidak memenuhi kriteria stabilitas dan tidak mengalami perubahan yang terjadi, kasus lainnya dimana jumlah data menjadi terlalu banyak, sering terjadi perubahan isi data, dan sebagainya. Dalam kasus-kasus seperti demikian, dapat dilakukan agregasi yang digunakan untuk mengelompokkan beberapa data detail operational yang berbeda ke dalam satu record tunggal. Menurut Mallach (2000,p514) agregasi adalah serangkaian elemen yang berhubungan deman beberapa dimensi dari basis data.
2.1.12 Perancangan Data warehouse Menurut Kimball (Conolly 2005, p1187-p1194), ada sembilan tahap metodologi dalam perancangan data warehouse, yaitu sebagai berikut : 1.
Pemilihan Proses Proses ini didasarkan pada subjek data mart tertentu. Data mart pertama yang akan dibangun harus menjadi salah satu yang paling mungkin dikirimkan tepat waktu, sesuai anggaran, dan menjawab pertanyaanpertanyaan bisnis komersial yang paling penting.
2.
Pemilihan Grain
Pemilihan grain berarti memutuskan dengan tepat mana yang merupakan record dari tabel fakta. Saat kita memilih grain ke tabel fakta, kita dapat mengidentifikasi dimensi dari tabel fakta. Ketetapan grain ke tabel fakta untuk menentukan grain setiap tabel dimensi. 3.
Mengidentifikasi dan Menyesuaikan Dimensi Dimensi mengatur konteks dari pertanyaan-pertanyaan yang diajukan tentang fakta-fakta yang terdapat pada tabel fakta. Pembuatan yang baik dari dimensi membuat data mart menjadi mudah dimengerti dan mudah untuk digunakan. Ketika kita mengidentifikasi dimensi dengan cukup detail untuk menggambarkan hal seperti klien dan properti pada grain yang tepat. Dimensi ini penting untuk menggambarkan fakta-fakta yang terdapat pada tabel fakta.
4.
Pemilihan Fakta Grain
pada tabel fakta mengacu pada fakta mana saja yang bisa
digunakan dalam data mart, dimana semua fakta harus menampilkan tingkat grain yang sama dan harus berupa numeric dan additive. 5.
Menyimpan pra-kalkulasi di Tabel Fakta Hasil perhitungan dari atribut di database tidak disimpan pada suatu atribut khusus didalam database. Namun pada tahap ini perlu dipertimbangkan kembali penyimpanan hasil perhitungan pada suatu atribut tersendiri di database dengan alasan mengurangi resiko kesalahan pada program setiap kali melakukan perhitungan.
6.
Melengkapi Tabel Dimensi Pada tabel dimensi keterangannya harus bersifat intuitif dan mudah dipahami oleh para pengguna. Kegunaan dari data mart mengacu pada ruang lingkup dan jenis atribut dari tabel dimensi.
7.
Pemilihan Durasi Database Pengukuran durasi untuk melihat sejauh mana data history beberapa tahun kebelakang dan menentukan batas waktu dari umur data yang dapat diambil dan akan dipindahkan ke dalam tabel fakta. Misalkan, perusahaan asuransi ingin melakukan pengukuran data selama 10 tahun atau lebih.
8.
Pelacakan Perubahan Dimensi yang perlahan
Permasalahan dimensi dapat berubah secara perlahan dapat terjadi sesuai dengan seiringnya waktu dan kebutuhan perusahaan. Ada tiga tipe perubahan dimensi yang perlahan, yaitu : 1. Atribut dimensi yang telah berubah karena ditulis ulang. 2. Atribut dimensi yang telah berubah dan menghasilkan sebuah dimensi baru. 3. Atribut dimensi yang telah berubah menimbulkan alternatif sehingga nilai atribut yang lama dan yang baru dapat diakses secara bersamaan pada dimensi yang sama. 9.
Menentukan Prioritas dan Mode Query Pada tahap terakhir ini mempertimbangkan masalah perancangan fisik. Masalah perancangan fisik yang paling kritikal mempengaruhi persepsi dari end-user. Pertimbangan masalah desain fisik seperti menentukan urutan fisik dari tabel fakta pada media penyimpanan dan adanya pengguna agregasi. Selain itu, desain fisik akan mempengaruhi masalah administrasi, backup, indexing, dan keamanan.
2.1.13 Anatomi Data warehouse 1. Data warehouse Fungsional Data warehouse fungsional dibangun berdasarkan kebutuhan informasi dari tiap bagian fungsi bisnis perusahaan seperti keuangan, marketing, personalia. Keuntungan dari bentuk data warehouse ini adalah sistem mudah dibangun dengan biaya yang relatif murah sedangkan kerugiannya adalah resiko kehilangan konsistensi data dan terbatasnya kemampuan pengumpulan data bagi pengguna. 2. Data warehouse Terpusat Menurut Inmon(2005, p193), kebanyakan organisasi membangun dan memelihara lingkungan data warehouse terpusat yang tunggal. Pengaturan ini masuk akal karena sebagai berikut : a. Data di dalam data warehouse terintegrasi antar perusahaan dan gambaran terintegrasi digunakan hanya pada kantor pusat. b. Perusahaan beroperasi pada model bisnis terpusat
c. Volume dari data dalam data warehouse seperti tempat penyimpanan tunggal yang terpusat d. Sekalipun data dapat terintegrasi dan diedarkan antar area lokal yang beragam, data tersebut akan tidak praktis untuk diakses. 3. Data warehouse Terdistribusi Pada data warehouse terdistribusi digunakan gate way yang berfungsi sebagai penghubung antara data warehouse dengan workstation yang menggunakan sistem beraneka ragam. Dengan data warehouse ini perusahaan dapat mengakses sumber data yang berada diluar lokasi perusahaan. Keuntungan dari data warehouse ini adalah tetap konsisten, karena sebelum digunakan data terlebih dahulu di sinkronasi. Kerugiannya adalah sistem yang kompleks saat penerapannya.
2.1.14 ETL Menurut Inmon (2005, p497) Extract, Transform, Load (ETL) adalah proses melakukan pencarian data, mengintegrasikan, dan menempatkan data ke dalam sebuah data warehouse. Proses-proses dalam data warehouse yang meliputi: 1. Mengekstrak data dari sumber-sumber eksternal, 2. Mentransformasikan data ke bentuk yang sesuai dengan keperluan bisnis, 3. Load atau memasukkan data ke target akhir, yaitu data warehouse,
ETL merupakan proses yang sangat penting, dengan ETL data dapat dimasukkan ke dalam data warehouse. ETL juga dapat digunakan untuk mengintegrasikan data dengan sistem yang sudah ada sebelumnya. Tujuan ETL adalah mengumpulkan, menyaring, mengolah, dan menggabungkan data-data yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi kriteria data warehouse seperti data historis, terpadu, terangkum, statis, dan memiliki struktur yang dirancang untuk keperluan proses analisis. 1. Extract
Langkah pertama pada proses ETL adalah mengekstrak data dari sumber-sumber
data.
Kebanyakan
proyek
data
warehouse
menggabungkan data dari sumber-sumber yang berbeda. Pada hakekatnya, proses ekstraksi adalah proses penguraian, pembersihan dari data yang diekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Proses extract terdiri dari dua tipe, yaitu : a. Static extract : metode pengambilan data pada waktu tertentu untuk mengisi data warehouse untuk pertama kalinya. b. Incremental extract : metode yang hanya mengambil perubahan yang terjadi pada data sejak data tersebut diambil terakhir kali nya. 2. Transform Merupakan
sebuah
membersihkan
proses
untuk
mempersiapkan atau
data yang telah diambil
sehingga data tersebut
dapat
pada proses ekstraksi
sesuai dengan
struktur
data
warehouse atau data mart. Pada tahap ini, banyak jenis fungsi transformasi sebelum
data
dapat
dimasukkan (loading) ke warehouse.
dipetakan dalam
dan
tempat
dibutuhkan
disiapkan
untuk
penyimpanan
data
Fungsi- fungsi ini termasuk penyeleksian input,
pemisahan struktur input, normalisasi,
dan
denormalisasi
struktur sumber, aggregasi, konversi, memperbaiki
dari
nilai yang
hilang, dan konversi nama serta alamat. 3. Load Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam target akhir, yang biasanya ke dalam suatu data warehouse. Jangka waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data warehouse dapat setiap minggu menulis keseluruhan informasi yang ada secara kumulatif, data diubah, sementara data warehouse yang lain (atau bagian lain dari data warehouse yang sama) dapat menambahkan data baru dalam suatu bentuk historikal. Waktu dan jangkauan untuk mengganti atau menambah data tergantung dari perancangan data warehouse pada waktu menganalisis keperluan informasi.
2.1.15 Pemodelan Data warehouse 2.1.15.1 Dimensionality Modeling Menurut Conolly dan Begg (2010, p1227) dimensionality modeling adalah teknik
logical design yang bertujuan untuk
menyajikan data standar, bentuk intuitif yang memungkinkan untuk mengakses high performance. Dimensionality modeling menggunakan konsep dari Entity Relationship (ER) dengan beberapa batasan yang penting. Setiap Dimensional model terdiri dari satu buat tabel yang memiliki banyak Primary key (composite Primary key), yang disebut tabel dimensi (dimensional table). Setiap tabel dimensi memiliki satu buah (noncomposite) primary key yang berhubungan dengan salah satu primary key di tabel fakta. Karakteristik ini disebut skema bintang (strar schema) atu star join. 2.1.15.2 Star Schema Menurut Conolly dan Begg (2010, p1227), Star Schema adalah model dimensional data yang memiliki fact table di tengah, dikelilingi oleh denormalized dimension tables. Selain itu star schema memudahkan end user untuk memahami struktur database pada data warehouse yang di rancang. Keuntungan dari penggunaan star schema menurut Connolly and Begg (2005,1185) : 1. Efisiensi, Struktur database yang konsisten membuat akses data
lebih
efisien
dengan
menggunakan
alat
untuk
menampilkan data termasuk laporan tertulis dan query. 2. Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang dapat beradaptasi terhadap perubahan kebutuhan, karena semua tabel dimensi memiliki kesamaan dalam hal yang menyediakan akses ke tabel fakta. 3. Extensibility,
model
dimensional
dapat
dikembangkan,
contohnya menambahkan fakta selama data masih konsisten, menambah tabel dimensi selama masih ada nilai tunggal di
tabel dimensi tersebut yang mendefinisikan setiap record tabel fakta yang ada. 4. Kemampuan untuk menggambarkan situasi bisnis pada umumnya. 5. Proses query yang dapat diprediski, aplikasi data warehouse yang mencari data dari level yang dibawahnya akan dengan mudah menambah jumlah atribut pada table dimensi dari sebuah skema bintang.
Didalam skema bintang atau Star Schema terdiri dari dua tabel : 1. Table Fakta (Fact Table) Fact table (tabel fakta) adalah tabel yang umumnya mengandung sesuatu yang dapat diukur (measure), seperti harga, jumlah barang, dan sebagainya. Fact table juga merupakan kumpulan foreign key dari primary key yang terdapat pada masing-masing dimension table. Fact table juga mengandung data yang historis. 2. Tabel dimensi (Dimension Table) Dimension table (tabel dimensi) adalah tabel yang berisi data detail yang menjelaskan foreign key yang terdapat pada fact table. Atribut-atribut yang terdapat pada dimension table dibuat secara berjenjang (hirarki) untuk memudahkan proses query.
Gambar 2.9 Star Schema (sumber Connolly and Begg 2005,p1184)
2.1.15.3 Snowflake Schema Menurut Conolly dan Begg (2010, p1229), snowflake schema adalah model dimensional data yang memiliki fact table di tengah, dikelilingi oleh normalized dimension tables. Keuntungan dari skema snowflake: 1. Kecepatan memindahkan data dari data OLTP ke dalam metadata. 2. Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi dimana dengan tipe yang seperti ini seluruh struktur dapat digunakan sepenuhnya. Banyak yang beranggapan lebih nyaman merancang dalam bentuk normal ketiga.
Gambar 2.10 Snowflake Schema (Connlly and Begg,2005,p.1185) 2.1.16
Istilah-Istilah Lain yang Berhubungan dengan Data Warehouse 2.1.16.1 OLTP Menurut Connolly & Begg (2005, p.1149), OLTP adalah sebuah sistem yang dibangun untuk menangani hasil transaksi yang tinggi, dengan transaksi kecil yang memberikan pengaruh bagi data operasional organisasi. Menurut O'brien (2005, p. 709), OLTP merupakan sistem pemrosesan transaksi-transaksi yang ada di dalam organisasi yang terjadi secara real-time. 2.1.16.2 OLAP Menurut Connolly dan Begg (2010, p1205) Online Analytical Processing (OLAP) merupakan sintesis dinamis, analisis dan konsolidasi volume terbesar dari multidimensional data. Teknologi OLAP memungkinkan data warehouse digunakan secara efektif untuk proses online analysis, memberikan respon yang cepat terhadap analytical queries yang kompleks. Menurut Kimball & Ross (2002, p. 408), OLAP merupakan aturan yang menyediakan sebuah kerangka dimensional untuk mendukung keputusan. Berdasarkan definisi tersebut, dapat ditarik kesimpulan bahwa OLAP adalah proses yang dilakukan untuk menganalisis data, dimana jumlah data yang besar dan dimensional
yang dikumpulkan menjadi satu yang bisa digunakan untuk membantu mengambil keputusan.
Multidimensional Modeling Menurut Umashanker Sharma dan Anjana Gosain (2009, p2) multidimensional model terdiri dari 3 konsep kunci yaitu aturan model bisnis, cube dan measure serta dimensi. Multidimensional database teknologi adalah factor kunci dalam analisis dalam banyaknya jumlah data untuk pengambilan keputusan. Berikut ini adalah multidimensional data yang dapat dilihat:
Gambar 2.11 Three-field table (Connlly dan Begg,2005,p.1210)
Gambar 2.12 Two-dimentional matrix (Connlly dan Begg,2005,p.1210)
Gambar 2.12 Four-field table (Connlly dan Begg,2005,p.1210)
Gambar 2.13 Three-dimentional cube (Connlly dan Begg,2005,p.1210) Multidimensional umumnya mendukung operasi analitis seperti consolidation (roll-up), drill-down, slicing and dicing, pivot table.
2.1.16.3 Data Mart Menurut Connolly and Begg (2005,p1171) data mart adalah sebuag subset dari data warehouse yang mendukung persyaratan departemen tertentu atau fungsi bisnis. Menurut Inmon (2005,p494) data mart adalah struktur data yang terbagi-bagi yang diperoleh dari data warehouse dimana data
tersebut telah di denormalisasi berdasarkan kebutuhan informasi manajemen. Karakteristik perbedaan antara data mart dan data warehouse: •
Data
mart berfokus pada
kebutuhan pengguna
yang
berhubungan dengan satu bagian departemen atau fungsi bisnis. •
Data mart tidak berisi data operasional secara detil, tidak seperti data warehouse.
•
Berdasarkan teori diatas dapat disimpulkan bahwa data mart adalah bagian dari data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian, atau operasi pada suatu perusahaan.
Gambar 2.14 Tipe data warehouse dan data mart arsitektur, Connolly and Begg (2005,p1172) 2.1.16.4Surrogate key Menurut kimball dan Ross (2002,p414) surrogate key adalah key berupa integer yang secara sequential ditambahkan sesuai
kebutuhan pada staging area untuk membentuk sebuah tabel dimensi dan elemen yang menggabungkannya dengan tabel fakta. Pada tabel dimensi, surrogate key ini bertindak sebagai primary key yang menspesifikan dimensi, walaupun terkadang tidak dibutuhkan surrogate key pada tabel fakta juga dapat bertindak sebagai bagian dari primary key yang dimiliki oleh tabel fakta. Surrogate key biasanya tidak bisa dijelaskan sendiri hanya melalui nilai yang terkandung didalamanya. Surrogate key pada data warehouse dibutuhkan untuk menangani permasalahan yang timbul dari slowly changing dimension serta data yang hilang ataupun data yang tidak bisa digunakan.
2.2
Teori Khusus 1.2.1
Penjualan Menurut Leny Sulistiyowati (2010,p270),
penjualan adalah
pendapatan yang berasal dari penjualan produk perusahaan, disajikan setelah dikurangi potongan penjualan dan retur penjualan. Menurut Henry Simamora (2000,p24), Penjualan adalah pendapatan lazim dalam perusahaan dan merupakan jumlah kotor yang dibebankan kepada pelanggan atas barang dan jasa.
1.2.2
Produksi Menurut Sofjan Assauri (2004,p11), produksi merupakan proses yang
mengubah masukan-masukan dengan menggunakan sumber-sumber daya untuk menghasilkan keluaran-keluaran, yang berupa barang atau jasa. Tiga tingkatan produk yang di beli konsumen menurut Sofjan Assauri (2004,p202), yaitu: 1. Produk inti (Core Product), yang merupakan inti atau dasar yang sesungguhnya dari produk yang ingin di peroleh atau di dapatkan oleh sorang pembeli atau konsumen dari produk tersebut.
2. Produk formal (Formal Product), yang merupakan bentuk, model, kualitas / mutu, merek dan kemasan yang menyertai produk tersebut. 3. Produk tambahan (Augemented Product) adalah tambahan produk formal dengan berbagai jasa yang menyertainya, seperti pemasangan (instalasi), pelayanan, pemeliharaan dan pengangkutan secara Cuma – Cuma.
2.2.2.1 Jenis Proses Produksi Menurut Sofjan Assauri (2004,p75), proses dapat dibedakan menjadi dua jenis, yaitu : 1. Proses produksi yang terus – menerus (Continuous Processes) Menurut Sofjan Assauri (2004,p75), proses produksi terus – menerus adalah proses produksi yang menggunakan mesin dan peralatan yang dipersiapkan untuk memproduksi produk dalam jangka waktu yang lama/panjang, tanpa mengalami perubahan untuk jenis produksi yang sama. Menurut Sofjan Assauri (2004,p76) ciri – ciri proses produksi yang terus – menerus ialah : a. Produk yang dihasilkan dalam jumlah besar (produksi masa) dengan variasi yang sangat kecil dan sudah distandardisasi. b. Biasanya
menggunakan
system
atau
cara
penyusunan
berdasarkan urutan pengerjaan dari produk yang dihasilkan, yang disebut product lay out atau departementation by product. c. Mesin – mesin yang dipakai dalam mesin produksi adalah mesin – mesin yang bersifat khusus untuk menghasilkan produk tersebut, yang dikenal dengan nama special purpose machines. d. Oleh karena mesin-mesinnya yang bersifat khusus dan biasanya agak otomatis, maka pengaruh individual operator terhadap produk yang dihasilkan kecil sekali, sehingga operatornya tidak perlu mempunyai keahlian atau skill yang tinggi untuk pengerjaan produk tersebut.
e. Jika salah satu mesin atau peralatan terhenti atau rusak, maka seluruh proses produksi akan terhenti. f. Mesinnya bersifat khusus dan variasi dari produksinya kecil maka job structure-nya sedikit dan jumlah tenaga kerjanya tidak perlu banyak. g.
Persediaan bahan mentah dan bahan dalam proses adalah lebih rendah dari pada intermittent process/manufacturing.
h. Bahan- bahan dipindahkan dengan peralatan handling yang tetap yang menggunakan tenaga mesin seperti ban berjalan.
2. Proses produksi yang terputus – putus (Intermittent Processes) Menurut Sofjan Assauri (2004,p75), pengertian dari proses terputus-putus adalah proses produksi yang menggunakan waktu yang pendek dalam persiapan peralatan untuk perubahan yang cepat guna dapat menghadapi variasi produk yang berganti – ganti. Menurut Sofjan Assauri ciri – ciri dari proses produksi yang terputus – putus adalah : a. Produk yang dihasilkan dalam jumlah yang sangat kecil dengan variasi yang sangat besar (berbeda) dan didasarkan atas pesanan. b. Proses seperti ini biasanya menggunakan sistem, atau cara penyusunan peralatan berdasarkan atas fungsi dalam proses produksi atau peralatan yang sama dikelompokkan pada tempat yang sama, yang disebut dengan process lay out atau departementation bu equipment. c. Mesin yang dipakai dalam proses produksi seperti ini adalah mesin - mesin yang bersifat umum. d. Produk yang dihasilkan sangat besar, sehingga operatornya perlu mempunyai keahlian atau skill yang tinggi dalam pengerjaan produk tersebut. e. Proses produksi tidak mudah/akan terhenti walaupun terjadi kerusakan atau terhentinya salah satu mesin atau peralatan.
f. Persediaan bahan mentah biasanya tinggi, karena tidak dapat ditentukan pesanan apa yang akan dipesan oleh pembeli dan juga persediaan bahan dalam proses lebih tinggu daripada continuous process/manufacturing, karena prosesnya terputus – putus/terhenti – henti. Biasanya bahan-bahan dipindahkan dengan peralatan handling yang dapat flecible (varied path equipment) yang menggunakan tenaga manusia seperti kereta dorong atau forklift.
