BAB 2
LANDASAN TEORI BAB 2
LANDASAN TEORI
2.1
Pengertian Umum Data dan Informasi Data merupakan bentuk jamak dari datum (Vardiansyah, 2008, p3). Dalam
penggunaan sehari-hari data merupakan sesuatu pernyataan yang diterima secara apa adanya. Bentuk data dapat berupa angka-angka, huruf-huruf, kata-kata, citra atau s imbol khusus yang merupakan gabungan darinya. Data merupakan kenyataan yang menggambarkan kejadian-kejadian dan kesatuan nyata. Sebagai contoh data pendapatan daerah, data kehadiran pegawai, dan lain-lain. Sumber informasi adalah data. Data belum mengandung nilai yang berarti. Data harus diolah untuk menjadi informasi. Pengolahan data merupakan setiap proses manipulasi data input atau masukan, kemudian mengubah data ke dalam bentuk yang lebih berarti atau output, berupa suatu informasi. Saat menjadi informasi, data memiliki bentuk yang lebih berarti dari suatu fakta atau kejadian. Sebagai contoh adalah sebuah perusahaan memiliki data penjualan produk perhari, data ini menjadi informasi yang penting bagi seorang manajer untuk menentukan keputusan sesudah diolah menjadi sebuah laporan penjualan bulanan atau tahunan.
6
Gambar 2.1 Data dan Informasi (Bourque. 2006) 2.2
Manajemen dan Kebutuhan Informasi Manajemen pada bisnis atau organisasi manusia secara sederhana diartikan
sebagai aktivitas untuk mengatur orang-orang untuk secara bersama mencapai tujuan perusahaan (Mcleod, 1996, p4). Setiap organisasi memiliki tingkatan atau struktur manajemen. Tingkatan manajemen diatur berdasarkan lingkup tanggung jawab dan kepentingan di dalam organisasi. Setiap tingkatan manajemen memiliki kebutuhan yang berbeda akan informasi. Tingkatan manajemen mempengaruhi bentuk dan penyajian informasi yang dibutuhkan. Menurut Mcleod (1996, p12) tingkatan manajemen terbagi atas:
7
Gambar 2.2 Struktur Kebutuhan informasi(Larson, 2006) 1. Manajemen tingkat atas (top level management / upper management) Merupakan manajer yang berada pada tingkatan tertinggi organisasi. Biasa disebut dengan manajeman senior atau eksekutif. Manajemen tingkat atas dapat terdiri dari direktur dan para wakil direktur. Manajemen tingkat atas juga sering disebut sebagai tingkat manajemen strategis (strategic management level). Keputusan yang berasal dari manajemen tingkat atas memiliki pengaruh secara strategis bagi perusahaan. 2. Manajemen tingkat menengah (midle level management) Manajemen tingkat menengah berada di bawah tingkatan manajemen tingkat atas. Manajemen tingkat menengah harus mampu merumuskan perencanaan yang merupakan penurunan keputusan dari manajemen tingkat atas. Manajemen tingkat menengah misalnya: manajer wilayah, manajer umum, dan kepala divisi.
8
3. Manajemen tingkat bawah (operational management, forepersons, manager) Manajemen tingkat bawah sering disebut sebagai tingkatan kepala unit, penyelia(supervisor),
dan
pemimpin
proyek.
Manajemen
ini
bertugas
menjalankan dan menyelesaikan rencana-rencana yang ditetapkan manajemen tingkat yang lebih tinggi atau tingkat menengah. Tingkat manajemen bawah sering disebut dengan manajemen operasional, yaitu yang terlibat secara langsung dengan operasional perusahaan. Setiap manajemen memiliki ruang lingkup tanggung jawab yang berbeda, sehingga kebutuhan informasi setiap tingkatan juga berbeda. Kebutuhan tersebut berbeda dalam hal bentuk informasi yang disajikan maupun cara penyajiannya.
2.2.1 Pengertian Eksekutif Pada deskripsi sebelumnya kita manajemen tingkat atas merupakan manajer yang berada pada tingkatan tertinggi organisasi. Biasa disebut dengan manajeman senior atau eksekutif. Para manajer eksekutif adalah pimpinan yang menjadi pembuat keputusan atas perusahaan, atau pelaksana tertinggi dari sebuah sistem([http 2], 2008). Dalam pembuatan keputusan tersebut, manajemen tingkat atas memerlukan informasi yang lengkap dan ringkas, untuk mengambil keputusan secara cepat dan tepat.
2.2.2 Sistem Informasi Eksekutif Sistem Informasi Eksekutif (Executive Information System) merupakan salah satu fitur yang banyak ditawarkan para pembuat perangkat lunak kepada perusahaan. Modul
9
yang diperuntukkan bagi para anggota direksi dan manajer senior ini menawarkan kemudahan tertentu bagi para pelaku utama bisnis untuk mengendalikan secara langsung terhadap perusahaan yang dipimpinnya. Dalam membangun EIS para eksekutif menggunakan beberapa konsep dasar yang bertujuan memungkinkan para eksekutif dapat memantau seberapa baik kinerja perusahaan dalam mencapai tujuannya([http 2], 2008).
Gambar 2.3 Executive Information System([http 1], 2000) Konsep dasar tersebut terbagi atas 3 hal, yaitu : 1. Faktor penentu keberhasilan (Critcal Success Factor) adalah hal-hal (factor) yang menentukan keberhasilan atau kegagalan segala jenis kegiatan organisasi. Faktor-faktor ini dalam setiap perusahaaan berbeda tergantung dari kegiatan yang dilakukan.
10
2. Management By Exception (MBE). Perbandingan antara kinerja yang direncanakan dengan kinerja actual. Sehingga informasi dapat langsung didapat dan digunakan untuk menyelesaikan setiap permasalahan 3. Model Mental. Peran utama EIS adalah membuat sari dari data dan informasi yang volumenya besar untuk meningkatkan kegunaannya. Pengambilan sari ini disebut penempatan informasi (information compression). Dimana menghasilkan suatu gambaran atau model mental dari operasi perusahaan. Model tersebut memungkinkan seseorang membuat penilaian dan perkiraaan untuk memahami, memutuskan tindakan yang perlu diambil
dan untuk mengembalikan
pelaksanaannya. 2.3
Penjualan Penjualan adalah bagaimana menciptakan hubungan jangka panjang dengan
pelanggan melalui produk atau jasa dari sebuah perusahaan. Dalam hal ini penjualan adalah bagaimana strategi yang akan digunakan untuk mengintegrasikan perusahaan, pelanggan dan relasi antar keduanya (Kertajaya, 2006, p15). Berdasarkan pengertian ini, perusahaan dapat mengembangkan strategi dan taktik pemasaran sehingga dapat menghasilkan keuntungan finansial yang lebih signifikan. 2.4
Key Performance Indikator Penilaian kinerja dengan berbagai bentuk seperti key performance indicator atau
key performance index pada dasarnya merupakan suatu sasaran dan proses sistematis untuk mengumpulkan, menganalisis dan menggunakan informasi untuk menentukan efisiensi dan efektivitas tugas-tugas karyawan serta pencapaian sasaran (Armstrong,
11
1998, p24). Penilaian kinerja didasarkan pada pengertian knowledge, skill, expertise dan behavior yang diperlukan untuk mengerjakan pekerjaan dengan baik dan analisis lebih luas terhadap atribut dan perilaku individu. Dalam manajemen kinerja kompetensi lebih berperan pada dimensi perilaku individu dalam menyesuaikan suatu pekerjaan dengan baik. Atribut terdiri dari knowledge, skill dan expertise. Kompetensi kinerja dapat diartikan sebagai perilaku-perilaku yang ditunjukkan mereka yang memiliki kinerja yang sempurna, lebih konsisten dan efektif, dibandingkan dengan mereka yang memiliki kinerja rata-rata. Dengan mengevaluasi kompetensi yang dimiliki seseorang, kita akan dapat memprediksi kinerja orang tersebut. Kompetensi dapat digunakan sebagai kriteria utama untuk menentukan kerja seseorang. Misalnya, untuk fungsi profesional, manajerial atau senior manajer. Karyawan-karyawan yang ditempatkan pada tugas-tugas tersebut akan mengetahui kompetensi-kompetensi apa saja yang diperlukan, serta cara apa yang harus ditempuh untuk mencapai promosi ke jenjang posisi berikutnya. Perusahaan sendiri hanya akan mempromosikan karyawan-karyawan yang memenuhi kompetensi-kompetensi yang dibutuhkan dan disyaratkan oleh perusahaan 2.5
Pengertian Business Intelligence (BI) Langkah pertama dalam pengambilan keputusan yang efektif adalah menentukan
tujuan secara spesifik dan yang dapat diukur. Jika tujuan ini sudah ditentukan, targetnya adalah untuk mendapatkan informasi yang akurat dan bermanfaat sebagai landasan untuk mengambil keputusan dan untuk mengetahui apakah keputusan tersebut efektif atau tidak. Memiliki informasi tentang landasan dan respon terhadap informasi tersebut pada saat yang tepat adalah sangat penting. Yang menjadi pertanyaan adalah: bagaimana sebuah organisasi mendapatkan dan mendistribusikan informasi tersebut? Jawabannya 12
adalah: melalui “business intelligence”(Larson, 2006, p23). Pada kenyataannya, target ini merupakan arti dari business intelligence. Menurut Larson business intelligence adalah menyampaikan informasi yang akurat dan bermanfaat kepada pembuat keputusan yang tepat dalam waktu yang tepat untuk mendukung pembuatan keputusan yang efektif. Business Intelligence tidak hanya fakta dan angka yang tertera pada layar komputer. Baris demi baris angka menunjukkan rincian angka penjualan atau angka produksi yang mungkin sangat akurat, tetapi itu bukanlah business intelligence sampai angka-angka ini dalam bentuk format yang dapat dimengerti oleh pembuat keputusan yang memerlukan data tersebut. Ringkasan dari data kepuasan pelanggan atau efisiensi produksi mungkin mudah dimengerti, tetapi itu bukan business intelligence sampai data tersebut dapat digunakan pada waktu yang tepat dan mempengaruhi pengambilan keputusan sehari-hari(Larson, 2006, p33). 2.5.1 Online Transaction Processing (OLTP) Banyak perusahaan ingin memiliki catatan semua hal yang telah dilakukan perusahaan untuk menjalankan bisnis. Beberapa aktivitas bisnis yang tercatat diantaranya adalah data pemenuhan pemesanan, produksi, layanan, pembayaran oleh pelanggan, dan pembayaran tagihan kepada vendor. Setiap aktivitas di atas mengandung transaksi bisnis, jadi data yang disimpan merupakan data transaksi. Data transaksi adalah informasi yang disimpan untuk menjejaki interaksi bisnis, atau transaksi bisnis, yang dilakukan oleh perusahaan. Transaksi perusahaan perlu dijejaki untuk keperluan operasional perusahaan. Pembayaran yang harus dilakukan oleh pelanggan untuk produk dan layanan diterima oleh pelanggan. Kemudian pesanan dan layanan harus dipenuhi perusahaan. Secara 13
umum perusahaan perlu untuk melihat apa yang sudah dilakukan dan apa yang akan dilakukan. Saat transaksi ini dicatat dan diatur oleh komputer, inilah yang disebut sebagai online transaction processing (OLTP). Sistem OLTP mencatat setiap transaksi bisnis yang terjadi untuk mendukung operasional perusahaan setiap hari(Larson, 2006, p33). Seluruh transaksi yang terjadi disimpan di sistem OLTP sebagai sejarah dari perusahaan. Data transaksi ini mengandung data mentah yang penting untuk mengukur laju perusahaan. Kemudian dari sini data tersebut kita butuhkan untuk membuat BI.
Gambar 2.4 Online Transactional Processing(Larson, 2006, p34) 2.5.2 Data warehouse
Data Warehouse yang secara harfiah berarti gudang data, sebetulnya memiliki makna lebih dalam dari sekedar “gudang”. Bill Inmon, yang dianggap sebagai bapaknya
14
Data warehouse mendefinisikan bahwa data warehouse adalah database yang memiliki karakter: Subject Oriented, Integrated, Non-volatile, Time Variant (Inmon, 2005, p23).
2.5.2.1 Subject Oriented
Suatu data warehouse harus berorientasi subject atau disusun menurut jenis subyeknya(Inmon, 2005, p56). Suatu data transaksi (OLTP) biasanya disusun berdasarkan jenis transaksi yang ditangani oleh aplikasi transaksi tertentu. Misalnya aplikasi teller suatu bank akan menyimpan data transaksi yang terjadi, misalnya transaksi penarikan atau penyimpanan dana. Tentu saja setiap transaksi, teller akan memasukan data utama dan pendukungnya seperti nomor rekening, nilai transaksi, tanggal, dsb.
Subject oriented(lawan dari transaction oriented) menuntut agar data-data transaksi ini disusun dengan melihat subject areanya. Dalam hal data perbankan tersebut, subject areanya adalah nasabah, jenis transaksi, wilayah, kantor cabang, dsb. Menyusun data menjadi subject oriented berarti memastikan bahwa data tersebut akan dengan mudah disajikan berdasarkan subjek areanya. Anda mungkin berfikir bahwa dengan data transaksi yang ada pun kita bisa manampilkan report berdasarkan subject. Anda tidak salah 100%, namun demikian apabila data transaksi ini disimpan berdasarkan transaction oriented, proses query terhadap data tersebut untuk menyajikan suatu report mungkin membutuhkan join banyak tabel dan bahkan mungkin antara database yang memakan resource cukup besar.
15
2.5.2.2 Integrated
Data warehouse biasanya dibentuk dengan menggabungkan beberapa database yang mungkin berbeda baik dari segi teknologi maupun kodifikasi suatu tabel referensinya. Untuk menghasilkan subject oriented yang konsisten, data-data dari berbagai sumber harus diintegrasikan. Hal ini berarti teknologi yang beragam harus disatukan dan kode-kode referensi yang mungkin berbeda, contohnya kode wilayah, harus disamakan(Larson, 2006, p77).
2.5.2.3 Non-volatile
Data Warehouse idealnya adalah data final dan bukan data yang masih bergerak. Data-data operational biasanya mencakup data-data yang bergerak, seperti Order yang belum diverifikasi atau transaksi yang belum di-approve. Data-data ini masih memiliki status yang belum final dan dikatakan masih volatile. Untuk menghindari penggunaan data yang salah, data warehouse harusnya hanya memuat data-data yang sudah final (dan menjadi history). Untuk memastikan non-volatilitas(Larson, 2006, p77), data warehouse adalah data yang hanya bisa dibaca dan tidak bisa ditulis/dimodifikasi(read only).
2.5.2.4 Time Variant
Karakteristik time-variant lah yang membuat suatu data warehouse menjadi sangat berarti untuk analisis. Time-variant berarti memiliki dimensi waktu sebagai variable(Larson, 2006, p78). Sebagai contoh, apa artinya mengatakan suatu kantor
16
cabang berhasil menjual 1500 items? Tanpa dimensi waktu informasi ini menjadi tidak berarti: apakah 1500 item itu angka hari ini? Bulan ini? Tahun ini? Tahun lalu?
Aspek time variant dari suatu data warehouse memberikan kemampuan untuk menyajikan informasi dalam bentuk tren. Hampir semua bisnis saat ini membutuhkan trend analysis untuk melihat performance maupun untuk forecasting.
2.5.3 Data mart Menurut Silvers (2008, p76), datamart merupakan bagian dari data ware house, yang lebih informasinya lebih fokus dari Data warehouse, jika data warehouse ditujukan dalam suatu perusahaan maka datamart lebih ke fokus pada departemen seperti departemen penjualan, marketing, dan lain-lain. Beberapa masalah dapat terjadi saat menggunakan secara langsung OLTP sebagai sumber data bagi business intelligence. Sebaiknya perlu memindahkan semua data yang terdapat pada OLTP dan memindahkan semua ke dalam sebuah penyimpanan data atau data store yang berbeda. Data Store ini kemudian akan menjadi sumber data untuk perhitungan dan pengukuran. Data Store akan menjadi penyimpanan data yang berada di luar OLTP. Data store yang menjadi tempat penyimpanan data dari OLTP dan digunakan untuk business intelligence disebut sebagai data mart. Data mart adalah kumpulan data historis operasional perusahan yang tidak terlibat atau terhubung secara langsung dengan operasional perusahaan setiap hari. Data ini akan digunakan untuk menciptakan business intelligence. Data pada data mart biasanya berhubungan dengan sebagian area dari perusahaan.
17
Gambar 2.5 Analisis data menggunakan data mart (Larson, 2006, p76) 2.5.3.1 Fitur Menurut Kimbal (2002, p79), data warehouse hanya digunakan untuk business intelligence, tidak digunakan untuk melayani operasional setiap hari, maka tidak dirancang seperti database OLTP. Sehingga data warehouse cenderung mengutamakan kecepatan akses dibandingkan dengan normalisasi data. Data warehouse tetap merupakan database relasional, tetapi dirancang untuk table join saat data diambil untuk analisis
dan
pelaporan.
Pada
data
warehouse
adalah
benar
jika
data
terulang(denormalisasi) untuk faktor kecepatan. Saat merancang data warehouse aturan normalisasi digantikan dengan rancangan data yang menghasilkan kecepatan. Pendekatan ini disebut dengan skema stars dan skema snowflake.
18
2.5.3.2 Struktur Data warehouse Menurut Kimball(2002, p26) dalam bukunya “The data warehouse toolkit”, data yang digunakan untuk untuk data warehouse dibagi ke dalam empat kategori: 1. Pengukuran. Pengukuran merupakan dasar dari semua yang kita lakukan pada business intelligence. Pengukuran merupakan angka kuantitas yang mengekspresikan performansi perusahaan. Hasil pengukuran ini akan digunakan untuk pengambilan keputusan dan mengevaluasi performansi perusahaan. 2. Dimensi Total penjualan adalah contoh ukuran yang sering dibutuhkan untuk pembuatan keputusan yang efektif. Pembuat keputusan adakalanya ingin melihat agregasi dari total penjualan untuk periode tertentu. Sehingga diperlukan pemilahan dan pemecahan informasi ke dalam bentuk yang lebih kecil. Hal ini merupakan faktor dimensi dari data. Hasil pengukuran dan dimensi data disimpan pada data warehousedalam bentuk skema(Larson, 2006, p81), yaitu: a. Skema Star Skema star adalah skema database relasional yang digunakan untuk menyimpan data pengukuran dan dimensi pada data mart. Hasil pengukuran disimpan pada tabel faktual dan dimensi data disimpan pada tabel dimensi.
19
Gambar 2.6 Skema Star (Larson, 2006, p81) b. Skema Snowflake Alternatif skema star adalah skema snowflake. Skema snowflake merepresentasikan hirarki pada bentuk database relasional.
Gambar 2.7 Skema Snowflake (Larson, 2006, p81)
20
3. Atribut Pada beberapa kasus, kita ingin menyimpan data tambahan mengenai dimensi pada data mart. Informasi tambahan ini mendukung kita mendefinisikan anggota dimensi data. Informasi tambahan ini kemudian disebut sebagai atribut. 4. Hirarki Hirarki merupakan model struktur yang dimodelkan pada satu atau dua tingkat dimensi.
2.5.4 Metadata Metadata adalah semua informasi di dalam lingkungan Data warehouse yang yang sebenarnya bukan data sebenarnya, metadata merupakan ensklopedia untuk data warehouse (Kimbal, 2002, p14). Metadata pada data warehouse terbagi menjadi 3 bagian utama yaitu:
Operational Metadata Data warehouse berasal dari berbagai sumber yang mepunyai tipe yang berbeda-beda.
Extract Transform Load Metadata Extract Transform Load Metadata mengandung data tentang extract dan transformasi data dari sumber data.
End User Metadata End User Metadata
merupakan navigasi terhadap data warehouse.
Metadata ini memungkinkan pengguna semua informasi tentang data warehouse. 21
2.5.5 Desain Data warehouse Menurut Kimbal(2002, p24), sebagai pelopor model data warehouse , Ada empat langkah pembuatan data warehouse. Berikut ini adalah langkah-langkahnya. 1. Pilih proses bisnis yang akan dijadikan model. Sebuah proses yang menjadi aktivitas bisnis sehari-hari yang dilakukan oleh organisasi yang didukung oleh sumber data pada system. Dengarkan pengguna Anda untuk memilih proses bisnis yang efisien. Sangat penting unntuk diingat bahwa kita tidak tidak hanya membahas bisnis proses satu departemn saja. Dengan berfokus pada proses bisnis daripada bisnis departemen, kita dapat menghasilkan informasi yang lebih ekonomis dalam suatu oranganisasi. Sebuah bisnis proses saja yang berjalan juga menurunkan besarnya usaha ETL..
2. Mendeklarasikan grain proses bisnis (measure). Mendefinisikan grain proses bisnis berarti tabel fakta ditampilkan secara tepat. Detail grain dihubungkan dengan ukuran ukuran table fakta. Grain tersebut menyediakan jawaban atas pertanyaan “Bagaimana menggambarkan sebuah baris pada table fakta?”.
3. Pilih dimensi yang sesuai dengan setiap table fakta. Dimensi harus sesuai dengan pertanyaan “Bagaimana orang-orang bisnis menggambarkan data yang dihasilakan dari proses bisnis?” Kita ingin mengatur table fakta kita dengan satu set dimensi yang melambangkan semua kemungkinan penjelasan yang diambil
22
pada sebuah nilai daro setiap konteks pengukuran. Jika kita jelas tentang grain/benih, maka dimensi dengan mudah didefinisikan secara mudah.
4. Identifikasi fakta numeric yang akan mengisi setiap baris tabel fakta. Fakta ditentukan dengan menjawab pertanyaan “Apa yang kita ukur?”. Pengguna bisnis pada umumnya tertarik untuk analisa performa proses bisnis. Semua kandidiat didalam sebuah desain harus sesuai dengan grain yang didefinisikan dengan step 2. Fakta yang secara jelas milik grain lain harus didefinisikan pada tabel fakta yang berbeda.
2.5.6 Online Analysis Protocol (OLAP) Sistem ini pertama kali diperkenalkan oleh E.F. Codd tahun 1993, disebut juga sistem OLAP(Larson, 2006, p80). Walaupun konsep original Codd mengenai sistem OLAP tidak dapat diterima secara umum, tetapi nama OLAP terus dipergunakan untuk mengacu pada sistem yang dirancang untuk menyediakan business intelligence pada pengguna. Sistem OLAP didefinisikan sebagai suatu sistem yang memungkinkan user untuk dengan mudah memperoleh informasi dari data (dalam bentuk data mart) untuk proses analisis(Larson, 2006, p80). Sistem ini mempresentasikan data dalam bentuk ukuran (measure), dimensi (dimension), hierarki (hierarchy) dan kubus (cubes). Dengan menggunakan sistem OLAP, user dapat berinteraksi dengan data selama proses analisis, dengan kata lain sistem ini melengkapi user dengan data yang online, kemudian
23
mengelompokkannya dengan cara yang berbeda, dan menelaah ke dalam data tersebut untuk mendapatkan informasi yang detil.
Gambar 2.8 Arsitektur OLAP (Larson, 2006, p81) 2.5.6.1 Cube Pada sistem OLAP data biasanya disimpan pada data mart, dan menyediakan suatu mekanisme untuk melihat dan menganalisis informasi pada data mart tersebut dalam waktu yang singkat. Data pada sistem ini terdiri dari(Larson, 2006, p81): 1. Measure (Ukuran) 2. Dimension (Dimensi) 3. Hierarchy (Hierarki) 4. Cube (Kubus) Sebuah kubus (cube) adalah struktur yang terdiri dari sebuah nilai untuk satu atau lebih ukuran (measure) bagi setiap kombinasi unik dari anggota-anggota dimensinya. 24
Nilai ini disebut juga nilai detil atau leaf-level value. Kubus juga terdiri dari nilai agregat yang dibentuk dari hierarki dimensi, yaitu ketika satu atau lebih dimensi tidak diperhitungkan dalam hierarki. Agregat adalah nilai yang diperoleh dari kombinasi nilai-nilai pada suatu kelompok dimensi untuk menghasilkan suatu nilai tunggal. Hal ini sering dilakukan dengan cara menjumlahkan nilai-nilai tersebut dengan metode penjumlahan agregat (tapi metode penghitungan agregat lainnya juga dapat digunakan). Kita dapat menggunakan nilai agregat dalam kubus ketika kita melintasi hirarki dari satu atau lebih dimensi. Setiap kali suatu tingkatan hirarki dikelompokkan ke tingkatan yang lebih tinggi, agregasi digunakan untuk menjumlahkan nilai-nilai dari kelompok yang lebih rendah menjadi nilai bagi kelompok yang lebih tinggi. Kubus dengan sejumlah dimensi dan hirarki membutuhkan beberapa perhitungan agregasi ketika user menjelajahi kubus tersebut. Hal ini dapat memperlambat proses analisis. Untuk mengatasi masalah ini, beberapa atau seluruh data yang bisa diagregasi pada kubus tersebut diperhitungkan lebih dulu dan disimpan di dalam kubus tersebut. Data yang disimpan ini disebut sebagai preprocessed aggregates. 2.5.6.2 Fitur Sistem OLAP memberikan banyak keuntungan bagi user yang membutuhkan business intelligence, karena menyediakan suatu konstruksi yang terfokus pada tampilan informasi untuk proses analisis. Fitur tersebut diantaranya(Larson, 2006, p81) adalah: 1. Multidimensional Database. Seperti telah diketahui bahwa sistem OLAP dibentuk oleh kelompok data yang terstruktur
sebagai
ukuran,
dimensi, 25
hierarki
dan
kubus.
Pendekatan
multidimensi ini mempermudah user untuk mengiris dan mengkotakkan informasi yang dibutuhkan. User dapat menggunakan dimensi-dimensi tersebut untuk melihat data dari sudut pandang yang berbeda. Untuk menggali data secara lebih detil, user dapat memanfaatkan hirarki. Multidimensional database adalah cara paling alami untuk menyimpan informasi yang dibutuhkan untuk business intelligence, di mana ukuran-ukuran dianalisis melalui
dimensi,
juga
memungkinkan
strukturnya
untuk
menyimpan
preprocessed aggregates. 2. Preprocessed Aggregates Pada data mart, ketika seorang pengambil keputusan membutuhkan nilai dari ukuran untuk sekelompok dimensi, dia harus menunggu sementara data-data dikumpulkan dari semua informasi detil dan kemudian dijumlahkan. Hal ini bisa memakan waktu yang cukup lama. Karena tujuan OLAP adalah agar pengambil keputusan dapat berinteraksi dengan data, maka agregat tersebut harus dapat ditampilkan dalam waktu yang singkat. Untuk itulah, pada OLAP sistem dibutuhkan preprocessed aggregate. Pra proses ini dilakukan sebagai tugas pendukung yang memasukkan dan meng-update data pada database OLAP. Karena merupakan tugas pendukung, maka waktu yang dibutuhkan untuk melakukan pra proses ini tidak akan mempengaruhi user manapun. Selagi dilakukan pra proses, agregat-agregat tersebut disimpan dalam kubus pada multidimensional database. Dengan cara ini, responsivitas sistem dapat ditingkatkan yang memungkinkan terjadinya interaksi secara online sehingga pengambil keputusan dapat
26
memperoleh sekelompok informasi yang tepat yang dibutuhkan untuk pengambilan keputusan yang efektif. 3. Mudah dimengerti Pada sistem OLTP data dinormalkan dan ada ketergantungan yang ditunjukkan oleh sekelompok hubungan kunci yang asing, yang bertujuan untuk mengurangi data-data yang tidak dibutuhkan. Pengambil keputusan yang membutuhkan data ini harus merekonstruksi ketergantungan itu dengan gabungan internal dan eksternal yang tepat. Aturan bisnis yang menggambarkan cara perhitungan suatu ukuran disimpan pada struktur program yang digunakan untuk proses transaksi dan bukan proses pelaporan. Pengambil keputusan harus mengulangi perhitungan ini setiap kali akan digunakan untuk pelaporan. Field dan tabel pada sistem OLTP diidentifikasikan dengan nama yang mudah bagi pengembangnya, tetapi kadang-kadang sulit dimengerti oleh end user. Pada sistem OLAP, struktur data ditampilkan dalam bentuk dimensi dan hierarki, sehingga apabila dirancang dengan tepat, dimensi dan hierarki ini pasti akan sesuai dengan struktur organisasi. Hal ini akan mempermudah pengambil keputusan dalam menggunakan sistem. Aturan bisnis pada tiap ukuran dalam sistem OLAP terdapat dalam perhitungan untuk ukuran tersebut. User tidak perlu menghitung ulang setiap kali ukuran tersebut digunakan. Karena sistem OLAP bertujuan untuk menghasilkan business intelligence, semua ukuran, dimensi dan hierarki diidentifikasikan dengan nama yang mudah dimengerti oleh pengambil keputusan.
27
2.5.6.3 Arsitektur OLAP sistem memiliki tiga jenis arsitektur penyimpanan data(Larson, 2006, p82), yaitu: 1. Relational OLAP (ROLAP)
Struktur kubus disimpan pada multidimensional database.
Leaf-level value disimpan pada relational data mart yang berfungsi sebagai source pada kubus
Preprocessed aggregate disimpan pada relational database table
Ketika seorang pengambil keputusan membutuhkan nilai dari suatu ukuran, sistem ROLAP memeriksa apakah anggota dimensi menggambarkan nilai agregat atau leaf-level. Kalau yang dibutuhkan adalah nilai agregat, maka nilai tersebut diambil dari relational table, sedangkan bila yang dibutuhkan adalah nilai leaf-level maka nilai tersebut diambil dari data mart. Kelebihan sistem ini adalah dapat menyimpan jumlah data yang lebih banyak dibandingkan arsitektur OLAP yang lain, karena adanya relational table. Pada sistem ini leaf-level value selalu up to date sesuai dengan data mart-nya. Kekurangannya adalah pencarian nilai agregat dan nilai leaf-level membutuhkan waktu yang lebih lama dibandingkan dengan arsitektur OLAP yang lain. 2. Multidimensional OLAP (MOLAP)
Struktur kubus disimpan pada multidimensional database.
28
Preprocessed aggregate dan salinan dari nilai leaf-level juga disimpan pada multidimensional database.
Karena setiap permintaan data diambil dari multidimensional database, maka sistem MOLAP ini sangat responsif. Kelemahan sistem ini adalah waktu tambahan yang dibutuhkan untuk loading sistem MOLAP karena data leaf-level harus disalin ke multidimensional database. Sistem MOLAP juga membutuhkan space yang lebih besar untuk menyimpan salinan nilai leaf-level pada multidimensional database. Walaupun demikian, karena sistem MOLAP sangat efisien dalam hal penyimpanan nilai, maka tambahan space ini biasanya tidak terlalu signifikan. 3. Hybrid OLAP (HOLAP)
Merupakan kombinasi dari sistem penyimpanan ROLAP dan MOLAP.
Struktur
kubus
dan
preprocessed
aggregate
disimpan
dalam
multidimensional database.
Leaf-level data disimpan pada relational data mart yang berfungsi sebagai source pada kubus.
Sistem ini membutuhkan waktu yang lebih lama ketika mengakses nilai leaflevel. Tetapi HOLAP tidak membutuhkan waktu untuk menyalin data leaf-level dari data mart. Begitu data di-update pada data mart akan langsung tersedia bagi pengambil keputusan. HOLAP mengorbankan kecepatan pemanggilan data leaf-
29
level untuk menghindari keterlambatan pada data leaf-level dan kecepatan pemanggilan data. 2.6
Digital dashboard Digital dashboard adalah tampilan visual dari informasi-informasi yang paling
penting untuk memperoleh sebuah objektif atau lebih, tampilan visual tersebut dikonsilidasikan dan diatur dalam sebuah layar sehingga semua informasi dapat diakses dengan mudah(Few, 2006, p2). Sama seperti dashboard mobil yang menyediakan informasi yang dibutuhkan untuk berkendaraan, sebuah digital dashboard mempunyai fungsi yang sama. Apakah nantinya akan digunakan untuk mendukung keputusan strategis, atau dijalankan setiap hari untuk tim operasioanal. Semuanya ditampilkan dalam sebuah tampilan layar, dan tujuannya untuk memantau informasi yang dibutuhkan secara efisien untuk mencapai sebuah tujuan. Sementara itu, digital dashboard dapat juga menyaring informasi yang tidak perlu, sehingga pada akhirnya dapat meningkatkan produktivitas dan efisiensi. Dengan demikian digital dashboard membantu penggunanya dapat lebih focus dan membuat keputusan berdasarkan informasi yang tepat. Dashboard merupakan tampilan visual. Informasi yang ditampilkan biasanya kombinasi grafik dan teks, namun lebih menekankan pada grafik.
Dashboard
ditampilkan secara grafis kerena dapat mengkomunikasikan suatu keadaan secara lebih efisien daripada sebuah teks. Bagaimana Anda menampilkan informasi dengan cara terbaik agar mata manusia dapat melihatnya secara cepat dan otak manusia dapat dengan mudah menyarikan informasi yang terpenting. 30
Untuk menampilkan informasi yang dibutuhkan digital dashboard membutuhkan akses ke sekumpulan informasi yang terkadang tidak berhubungan, terkadang datang dari berbagai sumber fungsi bisnis. Informasi tersebut tidak hanya dibutuhkan oleh eksekutif atau bahkan manajer namun juga siapa saja yang mempunyai objektif sama. Informasi yang dibutuhkan dapat saja dan sering merupakan sekumpulan KPI, tetapi tidak harus Haruskah informasi ditampilkan dalam sebuah web browser? Web browser mungkin saja medium terbaik untuk kebanyakan dashboard saat ini. Namun web browser tidak hanya satu-satunya medium yang dapat diterima, dan mungkin saja web browser tidak lagi menjadi medium terbaik 10 tahun yang akan datang. Haruskah informasi di-update secara real-time? Hanya jika tujuannya melayani informasi yang dibutuhkan secara real-time. Jika Anda melakukan monitor trafic udara menggunakan dashboard, Anda harus menginformasikan secara cepat jika terjadi kesalahan. Dengan kata lain jika ada akan membuat sebuah keputusan strategis untuk meningkatkan penjualan, informasi yang diperoleh kemarin atau bahkan satu bulan yang lalu merupakan sesuatu yan tidak menjadi masalah. Dashboard digunakan untuk memonitor informasi secara sekilas. Meskipun kenyataannya hampir semua informasi dapat ditampilkan secara tepat di dalam sebuah dashboard. Sebuah dashboard harus dengan cepat. Sebuah dashboard harus secara cepat menampilkan sesuatu yang memerlukan perhatian anda atau mungkin membutuhkan aksi. Dashboard tidak perlu menampilkan informasi secara detail untuk melakukan aksi. Jika dibutuhkan informasi tersebut dapat ditampilkan dalam layar yang berbeda, menggunakan metode navigasi seperti drilling down.
31
Dashboard memiliki mekanisme tampilan yang ringkas, jelas, dan intiutif. Mekanisme tampilan secara jelas memberikan informasi tanpa memerlukan banyak ruang. Sehingga kumpulan informasi akan tepat ditampilkan dalam satu layar. Dashboard dapat dimodifikasi, informasi pada dashboard harus dapat ditampilkan secara spesifik untuk orang, kelompok atau fungsi yang dibutuhkan.
Gambar 2.9 Contoh Digital Dasboard (Few, 2006, p45)
32
