BAB 2 LANDASAN TEORI
2.1 Database 2.1.1
Pengertian Database Menurut Connolly dan Begg (2002, p15), pengertian dari database adalah sebuah kumpulan dari data yang terhubung secara logis dan digunakan bersama-sama kemudian dirancang untuk memenuhi kebutuhan informasi dari sebuah organisasi. Sedangkan
menurut
Silberschatz-Korth-Sudarshan
(2001,p11),
database adalah kumpulan data yang mengandung informasi yang relevan untuk perusahaan. Sesuai simpulan di atas, database adalah sebuah kumpulan data yang disimpan dan terhubung secara logis dimana data tersebut mengandung informasi yang relevan dan saling berkesinambungan yang dirancang untuk memenuhi kebutuhan dari sebuah organisasi.
2.1.2
Model Relasional Ada beberapa istilah penting dalam basis data pada Connoly dan Begg (2002, p15, p72-79), antara lain:
1.
Relasi
: sebuah tabel dengan kolom dan baris
2.
Atribut
: kolom pada sebuah relasi
3.
Relationship
4.
Tuple
: hubungan antar tabel
: baris pada sebuah relasi. 6
7
5.
Super Key
: satu atribut / kumpulan atribut yang secara unik mengidentifikasi sebuah tuple di dalam relasi.
6.
Candidate Key : sebuah super key yang mempunyai kesempatan untuk menjadi primary key.
7.
Primary key
: candidate key yang dipilih secara unik untuk mengidentifikasi tuple diantara relasi.
8.
Foreign key
: sebuah atribut, atau kumpulan atribut, diantara satu relasi yang sesuai dengan candidate key dari beberapa relasi
2.2 Flowchart Menurut Nicholas Hebb (2012), flowchart adalah bentuk dari sebuah grafik atau simbol dari sebuah proses. Setiap langkah pada suatu proses dilambangkan oleh beberapa simbol yang berbeda dan mengandung sebuah keterangan singkat pada setiap langkah di dalam proses. Simbol-simbol pada sebuah flowchart dihubungkan oleh arah panah (arrow) yang menunjukkan sebuah petunjuk pada aliran proses. Berikut adalah keterangan mengenai simbol-simbol yang digunakan pada flowchart :
8
Tabel 2. 1 Tabel Simbol Flowchart Simbol
Nama Simbol (notasi)
Keterangan
Process
Menunjukkan sebuah proses dalam sebuah flowchart.
Flow Line (Arrow, Connector)
Menunjukkan proses selanjutnya yang akan dikerjakan.
Terminator
Menunjukkan dimana flowchart tersebut dimulai atau berhenti.
Decision
Mengidentifikasikan sebuah pertanyaan atau percabangan pada sebuah flowchart. Umumnya, sebuah decision digunakan ketika ada dua pilihan (seperti contoh pertanyaan yang mempunyai jawaban ‘Ya dan Tidak’).
Off-Page Connector
Menunjukkan proses pada sebuah flowchart akan berpindah ke halaman selanjutnya.
Document
Melambangkan sebuah langkah yang menghasilkan suatu dokumen tertentu.
2.3 Data Flow Diagram (DFD) Menurut Whitten (2004, p327), atau data flow diagram diagram aliran data adalah sebuah alat yang menggambarkan aliran data dalam sistem dan proses atau kegiatan yang dilakukan sistem tersebut. Data flow diagram memiliki beberapa sinonim antara lain bagan bubble, grafik transformasi, dan model proses. Ada 4 komponen dalam DFD, yaitu : 1. Proses Menurut Whitten (2004, p329), proses adalah kerja yang dilakukan sebagai respon terhadap aliran data yang masuk atau respon terhadap suatu kondisi.
9
Proses disini berfokus pada pekerjaan atau tindakan yang sedang dilakukan, bukan pada siapa atau apa yang melakukan kegiatan tersebut. Misalnya, menarik dana dari rekening, pengiriman barang, menawarkan produk, dan lainlain. Ada beberapa bentuk notasi atau simbol yang digunakan untuk menggambarkan sebuah proses : a. Bentuk DeMarco atau Yourdon
Nama Proses
Gambar 2.1 Simbol Proses Menurut DeMarco/Yourdon
b. Bentuk Gane dan Sarson
Nama Proses
Gambar 2.2 Simbol Proses Menurut Gane dan Sarson
c. Bentuk SSADM/IDEF0
Nama Proses
Gambar 2.3 Simbol Proses Menurut SSADM/IDEF0
10
2. Data Store Menurut Whitten (2004, p346), data store adalah inventori data atau penyimpanan data. Data store ini menjelaskan mengenai sesuatu yang datanya perlu disimpan oleh bisnis, misalnya customer, department, employee, student, branch office, product, invoice, sale, stock, account, registration, dan masih banyak lagi. Data store ini menyatakan sinkronisasi model proses sistem dengan model datanya. Ada beberapa jenis notasi atau simbol dari data store : a. Bentuk DeMarco atau Yourdon Data Store
Gambar 2.4 Simbol Data Store Menurut DeMarco/Yourdon b. Bentuk Gane dan Sarson Data Store
Gambar 2.5 Simbol Data Store Menurut Gane dan Sarson c. Bentuk SSADM/IDEF0
Data Store
Gambar 2.6 Simbol Data Store Menurut SSADM/IDEF0 3. External Agent Menurut Whitten (2004, p345), external agent atau agen eksternal adalah orang, unit organisasi, sistem lain atau organisasi lain, yang berada di luar
11
lingkup proyek tetapi berinteraksi dengan sistem yang sedang dipelajari. Agen eksternal menyajikan input bersih ke sistem dan menerima output bersih dari sistem. Sebaiknya agen eksternal dinamai dengan kata benda tunggal yang deskriptif, seperti registrar, supplier. Ada beberapa jenis notasi atau simbol dari agen eksternal : a. Bentuk DeMarco atau Yourdon
External Agent
Gambar 2.7 Simbol External Agent Menurut DeMarco/Yourdon b. Bentuk Gane dan Sarson
External Agent
Gambar 2.8 Simbol External Agent Menurut Gane dan Sarson c. Bentuk SSADM/IDEF0
External Agent
Gambar 2.9 Simbol External Agent Menurut SSADM/IDEF0 4. Data flow Menurut Whitten (2004, p338), data flow atau aliran data adalah data dalam pergerakan. Data flow menunjukkan input data ke proses atau output data dari proses, selain itu data flow juga menunjukkan pembuatan atau insert,
12
penghapusan atau delete, pembaharuan atau update dan pembacaan data dalam data store. Notasi atau simbol dari data flow adalah : Nama data flow
Gambar 2.10 Simbol Data Flow
2.4 Data Mart Menurut Kimball (2002, p396), data mart adalah bagian dari area logikal dan fisikal yang dimiliki data warehouse. Sedangkan menurut Connolly dan Begg (2002, p1171) data mart merupakan bagian dari data warehouse, yang mendukung kebutuhan informasi bagian departemen atau fungsi bisnis tertentu. Berikut ini karakteristik yang membedakan antara data mart dan data warehouse : 1. Data mart berfokus pada kebutuhan pengguna yang berhubungan dengan satu bagian departemen atau fungsi bisnis. 2. Data mart tidak berisi data operasional yang bersifat detil. 3. Data mart lebih dimengerti dan digunakan karena berisi data yang lebih sedikit dibandingkan data warehouse.
2.5
Data Warehouse 2.5.1 Pengertian Data Warehouse Menurut Inmon (2002, p31), data warehouse adalah sebuah data yang bersifat subject-oriented, integrated, time-variant, dan non-volatile yang mendukung perusahaan untuk pengambilan keputusan. Data yang digunakan bersifat history dimana data tersebut hanya dapat ditambahkan dengan data
13
yang baru, kemudian dari data-data tersebut dapat di-summarize dan dianalisis sehingga dapat membantu mengambil suatu keputusan.
2.5.2 Karakteristik Data warehouse Menurut Inmon (2002, p31), data warehouse mempunyai karakteristik sebagai berikut: • Subject-oriented Data warehouse diorganisasikan pada subjek-subjek utama dari perusahaan (seperti pelanggan, produk, dan penjualan) bukan kepada area-area aplikasi utama (seperti faktur pelanggan, kontrol stok, dan penjualan produk). Hal ini tercermin dalam kebutuhan untuk menyimpan data pendukung keputusan daripada data berorientasi aplikasi. • Integrated Sumber data dari beberapa aplikasi perusahaan / cabang disatukan menjadi satu. Sumber data terkadang tidak konsisten, sepertihalnya format data. Sumber data yang terintegrasi harus dibuat konsisten dalam menampilkan data agar dapat menyatukan pandangan user terhadap data. • Time-variant Data dalam data warehouse harus akurat dan valid pada rentang waktu tertentu. Rentang waktu dari sebuah data warehouse juga dapat
14
dilihat dari data tersebut disimpan dalam segi kuantitas dan dalam waktu tertentu. • Non-volatile Data yang akan digunakan data warehouse pastikan data tersebut tidak diubah (update) melainkan pembaharuan data. Jadi dalam data warehouse selalu menambahkan data baru dan mengintegrasinya dengan data sebelumnya. 2.5.3 Struktur Data Warehouse Menurut Inmon(2002, p35), data warehouse memiliki beberapa tingkat detail data yaitu older level of detail, current level of detail, lightly summarized data dan highly summarized data. Data dalam data warehouse berasal dari data operasional. Sebelum data tersebut masuk dalam data warehouse, terjadi proses transformasi dari tingkat data operasional menjadi tingkat data warehouse. Semakin tua umur suatu data, tingkat atau level data tersebut akan berubah dari current detail data menjadi older detail data. Jika data telah dirangkum (summarized), maka current detail data akan berpindah menjadi tingkat lightly summarized data, kemudian dari lightly summarized data menjadi highly summarized data.
15
Gambar 2.11 Struktur Data Warehouse (Inmon, 2002, p36)
2.5.4 Data Warehouse Data Flow Berikut adalah aliran informasi dari sebuah data warehouse : • Inflow Aliran data ini merupakan sebuah proses yang berhubungan dengan extraction, cleansing, dan memasukkan data dari sumber sistem ke dalam data warehouse. Proses aliran data ini menghubungkan dengan mengambil data dari sistem sumber untuk memasukkan ke dalam data warehouse. Data mungkin pertama kali di masukkan ke dalam ODS (Operational Data Store) sebelum di transfer kedalam data warehouse. Sumber data tersebut kemudian secara mayoritas dihasilkan oleh sistem OLTP, dan data tersebut harus direkonstruksi untuk tujuan tertentu dari sebuah data warehouse. Rekonstruksi tersebut meliputi:
16
o
Membersihkan data yang kotor (cleansing dirty data).
o
Restrukturisasi data untuk mencocokkan dengan kebutuhan yang baru.
o
Meyakinkan bahwa sumber data telah konsisten.
• Upflow Aliran data ini merupakan sebuah proses yang berhubungan dengan penambahan nilai ke data yang ada di dalam data warehouse melalui summarizing, packaging, dan distribution dari data. Berikut adalah penjelasan lebih lanjut: o
Summarizing, yang meliputi pemilihan, penggabungan, dan pengelompokan data relasional kedalam tampilan yang lebih nyaman dan berguna bagi pengguna akhir.
o
Packaging, yang dilakukan dengan mengkonversi data mendetail atau yang teringkas kedalam format-format yang lebih berguna, seperti spreadsheet, text document, chart, presentasi grafikal lain, database pribadi, dan animasi.
o
Distributing, yaitu mendistribusikan data ke dalam kelompok atau kumpulan yang lebih sesuai untuk meningkatkan ketersediaan dan tingkat keaksesannya.
• Downflow Downflow merupakan proses untuk archiving dan backup data pada data warehouse. Archiving data memegang peranan penting dalam memelihara efektivitas dan daya guna dari data warehouse dengan
17
mengirim data yang sudah lama dalam jumlah tertentu ke tempat penyimpanan seperti magnetic tape atau optical disc. • Outflow Outflow adalah proses yang berhubungan dengan penyediaan data bagi pengguna akhir sesuai dengan kebutuhan dari pengguna tersebut. Kegiatan pada outflow adalah sebagai berikut: o
Pengaksesan, berhubungan dengan proses pemenuhan terhadap pengguna akhir, yaitu dengan menyediakan data yang dibutuhkan.
o
Pengiriman, berhubungan dengan secara aktif mengirimkan informasi dari pengguna ke workstation.
• Meta-flow Meta-flow, yaitu proses yang mempunyai kaitan dengan pengaturan metadata dalam data warehouse
18
2.6
Arsitektur Data Warehouse
Gambar 2.12 Arsitektur Data Warehouse (Connolly dan Begg, 2002, p1058)
Arsitektur data warehouse menurut Inmon (2002,p16) : 1. Data Operasional Sumber data untuk data warehouse bersumber dari : a.
Mainframe data operasional yang ada dalam jaringan database.
b.
Data departemental yang ada dalam sistem file perusahaan.
c.
Data privasi yang disimpan dalam workstations dan server pribadi.
d.
Sistem eksternal seperti internet, database yang terkait dengan pelanggan.
2. Operational Datastore (ODS) ODS merupakan tempat penyimpanan data operasional yang masih berlaku dan terintegrasi sehingga dapat digunakan untuk analisis. Biasanya ODS juga berperan sebagai tahapan dimana data dipindahkan ke dalam data warehouse.
19
Pembentukan ODS ini dapat membantu dalam langkah pembuatan data warehouse karena ODS dapat menyediakan data yang telah di ekstrak dari sistem asal dan dibersihkan. 3. Load Manager Bagian ini berfungsi untuk menjalankan seluruh operasi yang terkait dengan ekstraksi dan loading data ke dalam data warehouse. Data yang akan dimasukkan dapat diekstrak langsung dari sumber data atau dari operational datastore. Kompleksitas yang dihadapi tergantung pada data warehouse yang digunakan. 4. Warehouse Manager Menangani semua operasi yang berhubungan dengan manajemen data dalam data warehouse. Operasi-operasi yang dilakukan antara lain : a.
Menganalisis data untuk menjaga konsistensi data.
b.
Melakukan transformasi dan penggabungan sumber data dari penyimpanan sementara ke dalam tabel-tabel data warehouse.
c.
Membentuk index dan view berdasarkan tabel yang telah ada.
d.
Melakukan denormalisasi (jika perlu).
e.
Melakukan agregasi (jika perlu).
f.
Menyimpan (archive) dan backup data.
5. Query Manager Query manager melakukan operasi-operasi yang berhubungan dengan management user queries. Operasi yang dilakukan query manager meliputi kegiatan mengarahkan query ke tabel-tabel yang tepat dan penjadwalan
20
eksekusi query. Query manager juga dapat menghasilkan profil query sehingga warehouse manager dapat menentukan index dan agregasi mana yang sesuai. 6. Detailed Data Pada bagian ini semua detail data disimpan dalam skema database. Pada umumnya detail data tidak disimpan secara online tetapi dengan meng-agregate data sampai ke level detail berikutnya. 7. Lightly and Highly Summarized Data Bagian ini data warehouse menyimpan semua detail data yang telah diringkas/dirangkum secara total sehingga dapat meningkatkan performa query. 8. Archive/Backup Data Digunakan untuk menyimpan detail data yang telah diringkas. Tujuannya adalah untuk menyimpan dan backup data. Data kemudian ditransfer ke media penyimpanan seperti magnetic tape atau optical disk. 9. Metadata Bagian ini digunakan untuk proses penarikan dan penyimpanan data, proses manajemen warehouse, dan juga bagian dari proses manajemen query. 10. End-User Access Tools Tujuan utama dari penggunaan data warehouse adalah untuk menghasilkan informasi yang dapat membantu para eksekutif dan manajer dalam pengambilan keputusan yang strategis. Para pengguna ini berinteraksi dengan data warehouse menggunakan end-user tools. Ada beberapa kategori dari end-user tools, yaitu : a.
Reporting and query tools
21
Reporting tools meliputi production reporting tools dan report writers. Production reporting tools digunakan untuk menghasilkan laporan operasional seperti order dari pelanggan, pembayaran gaji pegawai. Sedangkan report writers adalah aplikasi desktop yang didesain untuk pengguna. Query tools dirancang untuk mempermudah pengguna dari kompleksitas SQL dan struktur database. b.
Application development tools Kebutuhan dari pengguna mungkin saja tidak dapat dipenuhi oleh reporting tools dan query tools, maka dibuatlah aplikasi untuk lingkungan client-server. Aplikasi ini biasanya diintegrasi dengan OLAP tools sehingga dapat menangani proses yang kompleks dan dapat mengakses semua jenis database, termasuk Oracle dan Sybase.
c.
Executive Information System (EIS) tools EIS dikembangkan untuk mendukung pengambilan keputusan tingkat tinggi dan dapat digunakan oleh seluruh bagian manajemen.
d.
Online Analytical Processing (OLAP) tools OLAP tools ini dibentuk berdasarkan konsep database multidimensi yang mengijinkan pengguna untuk menganalisis data. Untuk meningkatkan performa query, data secara khusus disimpan berdasarkan kebutuhan.
e.
Data mining tools Data mining adalah proses menggali hubungan, susunan atau pola dan kecenderungan yang berguna dengan mengolah data dalam jumlah besar menggunakan teknik statistika, matematika, dan kecerdasan buatan. Data
22
mining ini berpotensi untuk menggantikan OLAP tools karena data mining dapat menghasilkan model yang bersifat prediktif.
2.7 Skema Bintang 2.7.1 Pengertian Skema Bintang Menurut Conolly dan Begg (2002,p1079), skema bintang merupakan struktur logikal yang memiliki tabel fakta yang terdiri atas data faktual ditengahnya, dan dikelilingi oleh tabel-tabel dimensi yang berisi referensi data dan keterangan yang biasanya melalui proses denormalisasi. Menurut Kimball (2002,p414), skema bintang adalah representasi generik dari model dimensi dalam sebuah database relational di mana tabel fakta dengan composite key berhubungan dengan sejumlah tabel dimensi , masing-masing dengan primary key tunggal. Menurut Inmon (2002,p139), skema bintang adalah struktur desain yang diperlukan untuk mengelola sejumlah besar data yang berada di dalam sebuah entity dalam data mart. Denormalisasi biasanya dilakukan ketika ada sejumlah entitas yang berhubungan dengan tabel dimensi yang sering
diakses,
untuk
menghindari
overhead
karena
harus
menggabungkan tabel tambahan untuk mengakses atribut. Kesimpulannya skema bintang adalah struktur logikal yang mempunyai tabel fakta dan dikelilingi oleh tabel-tabel dimensi yang biasanya melalui proses denormalisasi dan terhubung dengan tabel fakta itu sendiri dengan masing-masing primary key tunggal.
23
Skema bintang ditampilkan pada Gambar 2.3 dapat mendukung query yang dibutuhkan untuk mengakses penjualan properti pada Glasgow menggunakan tabel fakta yaitu, PropertySale dan tabel dimensi , yaitu dimensi Time, Branch, Promotion, PropertyForSale, ClientBuyer, Staff, Owner dan mengandung data lokasi seperti city, region dan country.
Gambar 2.13 Contoh Skema Bintang
2.7.2 Keuntungan Skema Bintang Menurut Ponniah (2001, p223) skema bintang memiliki keuntungan dalam mendukung perancangan data warehouse yang tidak didapat oleh skema relasional biasa. Keuntungan skema bintang,antara lain: ‐ Mempercepat
kinerja
query
dengan
melakukan
informasi referensi ke dalam tabel dimensi tunggal.
denormalisasi
24
‐ Mudah dipahami ‐ Optimizers navigation ‐ Most suitable for query processing
2.7.3 Perancangan Skema Bintang 1.
Tabel fakta Menurut Kimball (2002,p16) tabel fakta adalah tabel utama yang berada di dalam model dimensi dimana pengukuran kinerja numerik didasarkan dari bisnis yang disimpan. Menurut Hoffer (2005,p467) tabel fakta adalah tabel yang berisikan data faktual atau kuantitatif tentang bisnis seperti unit terjual, perintah dipesan, dan lainnya. Kesimpulannya,
tabel
fakta
adalah
tabel
yang
berisikan
pengukuran atau metrik dari proses bisnis yang berupa data faktual dan foreign key dari tabel dimensi. 2.
Tabel dimensi Menurut Kimball (2002,p19) tabel dimensi adalah tabel yang tidak dapat terpisahkan dari tabel
fakta. Tabel
deskripsi tekstual dari bisnis dan di dalam model
Dimensi berisi dimensi yang
dirancang dengan baik, tabel dimensi memiliki banyak kolom atau atribut. Menurut Hoffer (2005,p467) tabel dimensi adalah tabel yang biasanya merupakan sumber atribut yang digunakan untuk memenuhi
25
syarat, mengkategorikan atau meringkas fakta dalam query, laporan atau grafik. Kesimpulan, tabel dimensi adalah tabel yang berisikan tekstual atribut yang dirancang dengan baik untuk menganalisa pengukuran atau measurement dengan sudut pandang tertentu.
2.7.4 Jenis-jenis Skema Bintang 1.
Skema bintang sederhana Dalam skema ini, setiap tabel harus memiliki primary key yang terdiri dari satu kolom atau lebih. Primary key dari tabel fakta terdiri dari satu atau lebih foreign key. Foreign key merupakan primary key pada tabel lain.
Gambar 2.14 Skema Bintang Sederhana 2.
Skema bintang dengan banyak tabel fakta Skema bintang juga bisa terdiri dari satu atau lebih tabel fakta. Dikarenakan karena tabel fakta tersebut ada banyak, misalnya disamping penjualan terdapat tabel fakta forecasting dan result.
26
Walaupun terdapat lebih dari satu tabel fakta, mereka tetap menggunakan tabel dimensi bersama-sama.
Gambar 2.15 Skema Bintang dengan Banyak Tabel Fakta Adapun ketentuan dalam pembacaan skema bintang adalah : •
Bagian yang ada di bawah judul tabel merupakan kolom-kolom tabel tersebut.
•
Primary key dan foreign key diberi kotak.
•
Primary key diarsir sedang foreign key yang bukan primary tidak.
•
Foreign key yang berhubungan ditunjukkan dengan garis yang menghubungkan tabel. Kolom yang bukan kunci disebut kolom data pada tabel fakta dan
atribut pada tabel dimensi.
2.7.5 Skema Snowflake Menurut Hoffer (2005, p476) skema snowflake merupakan versi yang diperluas dari sebuah skema bintang dimana tabel dimensi dinormalisasi
27
ke dalam beberapa tabel terkait. Skema snowflake menyerupai suatu segmen ODS atau sumber database terpusat pada tabel transaksi yang dirangkum ke dalam tabel fakta dan semua tabel secara langsung dan tidak langsung yang terkait dengan tabel transaksi. Banyak ahli data warehouse tidak menyarankan penggunaan skema snowflake karena lebih kompleks untuk pengguna dan membutuhkan lebih banyak penggabungan untuk membawa hasil secara bersama-sama ke dalam suatu tabel. Sebuah snowflake mungkin dapat digunakan jika normalisasi menghemat ruang yang berlebihan secara signifikan atau ketika pengguna mungkin menemukan browsing melalui tabel yang telah dinormalisasi itu sendiri. Menurut Vidette (1998, p28) skema snowflake merupakan varian dari skema bintang dimana tabel-tabel dimensi tidak mengandung atau berisi data yang didenormalisasi. Dengan kata lain satu atau lebih tabel dimensi tidak bergabung secara langsung kepada tabel fakta tapi pada tabel dimensi lainnya. Prinsip dasar dari skema ini tidak jauh berbeda dari skema bintang. Penggunaan tabel dimensi sangatlah menonjol , karena itulah perbedaan mendasar dari skema bintang dan skema snowflake . Skema snowflake dibuat berdasarkan OLTP sehingga semua data akan termuat detail dalam setiap tabel fakta dan tabel dimensi. Keuntungan dari skema snowflake adalah kecepatan memindahkan data dari data OLTP ke dalam metadata, sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi di mana dengan tipe seperti ini seluruh struktur dapat digunakan sepenuhnya, dan banyak yang beranggapan lebih nyaman merancang dalam normal ketiga.
28
Kerugian yang didapat adalah memiliki masalah besar dalam hal kinerja, hal ini disebabkan semakin banyaknya join antar tabel-tabel yang dilakukan dalam skema snowflake ini maka semakin lambat kinerja yang dilakukan.
2.8
Denormalisasi Menurut Connolly dan Begg (2002, p507) seringkali rancangan sistem basis data yang ternormalisasi tidak mampu menyediakan pemrosesan yang maksimum sehingga dilakukan denormalisasi untuk mencapai performa yang diinginkan. Ada beberapa faktor yang perlu dipertimbangkan antara lain: 1. Denormalisasi menyebabkan implementasi menjadi lebih kompleks. 2. Denormalisasi seringkali mengurangi fleksibilitas. 3. Denormalisasi dapat mempercepat pengambilan data namun memperlambat update. Denormalisasi untuk mempercepat transaksi yang sering dilakukan atau transaksi kritis dapat diaplikasikan pada situasi berikut: 1. Menggabungkan one to one (1:1) Menguji kembali relasi one to one (1:1); menentukan efek dari kombinasi relasi ke dalam relasi tunggal. Kombinasi seharusnya hanya memperhatikan untuk relasi yang sering direlasi dan yang tidak sedang direlasikan. 2. Menduplikasikan atribut-atribut yang bukan kunci di dalam relasi one to many (1:*) untuk mengurangi join. 3. Menduplikasikan atribut-atribut foreign key di dalam relasi one to many.
29
4. Menduplikasikan atribut dalam relasi many to many (*:*) untuk mengurangi join. 5. Mempelajari kelompok repetisi. 6. Membuat tabel kutipan 7. Membagi relasi
2.9
Extract, Transform, Load Menurut Turban (2011, p67) ETL merupakan salah satu proses yang penting dalam data warehouse. Tujuan dari ETL ini adalah untuk melengkapi data warehouse dengan data yang telah disaring dan diolah. Data yang digunakan dalam proses ETL dapat berasal dari berbagai sumber, contohnya mainframe application, ERP application, CRM tool, data Excel, atau kumpulan pesan. Proses ETL terdiri dari 3 proses yaitu : 1. Extraction Langkah pertama pada proses ETL adalah mengekstrak data dari sumbersumber data. Kebanyakan proyek data warehouse menggabungkan data dari sumber-sumber yang berbeda. Sistem yang terpisah-pisah ini mungkin saja menggunakan format data yang berbeda sehingga perlu dilakukan ekstraksi. Ekstraksi adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. 2. Transformation Mengubah data menggunakan serangkaian aturan atau fungsi untuk mengekstrak data menjadi bentuk yang diperlukan, sehingga data tersebut dapat
30
diproses dalam data warehouse. Berikut ini hal-hal yang dapat dilakukan dalam tahap transformasi : • Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse • Menterjemahkan nilai-nilai yang berupa kode. • Mengkodekan nilai-nilai ke dalam bentuk bebas (contoh : memetakan “wanita” kedalam “w”). • Melakukan perhitungan nilai-nilai baru (contoh : nilai-qty*harga). • Menggabungkan data dari berbagai sumber. • Membuat ringkasan dari sekumpulan data. • Menentukan nilai surrogate key. • Transposing atau pivoting (mengubah sekumpulan kolom menjadi sekumpulan baris atau sebaliknya). • Memisahkan sebuah kolom menjadi beberapa kolom. • Menggunakan berbagai bentuk validasi data baik yang sederhana maupun kompleks. 3. Load Fase load adalah fase dimana data dimasukkan ke dalam data warehouse. Jangka waktu proses ini tergantung pada kebutuhan perusahaan. Misalnya dalam suatu bagian, menentukan waktu setiap minggu untuk memindahkan data operasional kedalam data warehouse, sedangkan bagian lain bisa saja menentukan waktu setiap jam untuk memasukkan data kedalam data warehouse. Waktu dan jangkauan untuk mengganti atau menambah data
31
tergantung dari perancangan data warehouse pada waktu menganalisis kebutuhan informasi.
Proses pemindahan data ke dalam data warehouse meliputi ekstraksi data dari berbagai sumber yang terkait. Sumber data terdiri dari file dari OLTP, spreadsheet, database pribadi, atau data eksternal. Karena sumber data yang bermacam-macam inilah dapat menimbulkan masalah dalam proses ETL, antara lain : • Platform mesin dan sistem yang berbeda. • Mungkin saja melibatkan data yang disimpan dalam database yang sudah kuno. • Kualitas data yang berbeda-beda. • Nilai data internal yang digunakan mungkin saja sulit dipahami. Dalam sebuah data warehouse terdapat bermacam-macam aturan bisnis yang menjelaskan bagaimana data akan digunakan, aturan ringkasan (summarization rules), standar atribut, dan aturan perhitungan. Semua masalah mengenai kualitas data berkenaan dengan sumber data harus diperiksa sebelum data tersebut masuk ke data warehouse. Salah satu kelebihan dari data warehouse yang dirancang dengan baik adalah aturan-aturan tersebut dapat disimpan dalam metadata dan diterapkan pada data warehouse yang sedang dikembangkan. Proses loading data ke dalam data warehouse dapat dilakukan melalui data transformation tools maupun dengan metode tradisional dengan membuat sebuah program untuk mengakses data warehouse tersebut. Untuk memilih proses mana yang digunakan tidaklah mudah, ada beberapa hal yang menjadi pertimbangan bagi perusahaan dalam memilih proses mana yang akan digunakan : • Data transformation tools cukup mahal
32
• Butuh waktu yang cukup lama untuk mempelajari data transformation tools Dengan menggunakan transformation tool ini dapat membantu pemeliharaan data warehouse sebuah perusahaan. Transformation tools ini juga dapat mendeteksi dan menghapus anomali dalam data. OLAP dan data mining tools sangat bergantung pada kualitas data yang telah ditranformasi. Meskipun programer mungkin saja membuat software untuk ETL, namun proses yang terjadi akan lebih sederhana dan mudah jika menggunakan ETL tools.
2.10 OLAP Menurut
Connolly
(2002,
p1101)
OLAP
merupakan
istilah
yang
menggambarkan tentang teknologi yang memanfaatkan data multidimensi untuk menghasilkan akses informasi yang cepat dan tepat sehingga dapat membantu proses analisis. Dengan menggunakan OLAP, pengguna dapat mengetahui dan memahami lebih dalam aspek-aspek perusahaan melalui proses data yang cepat, konsisten, dan interaktif. Selain dapat menjawab pertanyaan “siapa?” dan “apa?”, OLAP juga dibekali dengan kemampuan untuk menjawab pertanyaan “bagaimana jika?” dan “mengapa?”, hal inilah yang memberikan keistimewaan OLAP dari query tools lainnya. OLAP dapat menangani query-query yang lebih kompleks dan dapat membantu dalam pengambilan keputusan. Salah satu tuntutan dalam sebuah aplikasi OLAP adalah kemampuan untuk memberikan pengguna dengan informasi yang diperlukan dalam pengambilan keputusan yang ekfektif mengenai strategi perusahaan. Informasi ini biasanya berupa data berbasis komputer yang hubungan antar datanya kompleks. Berikut ini beberapa fitur utama yang harus ada dari sebuah aplikasi OLAP :
33
a. Multidimensional view of data Kemampuan untuk menggambarkan data yang bersifat multidimensi adalah fitur utama yang diharapkan dari sebuah aplikasi OLAP. Kemudahan dalam mengakses data multidimensi ini merupakan dasar proses analisis. Aplikasi OLAP seharusnya dapat mencegah pengguna untuk berhadapan dengan query yang kompleks dan memberikan waktu respon yang cepat untuk semua query baik yang mudah maupun sulit. b. Mendukung untuk kalkulasi yang kompleks OLAP harus mampu memberikan metode komputasi yang kuat seperti yang dibutuhkan dalam sales forecasting sehingga pengguna dapat bekerja lebih efektif dan efisien. c. Time intelligence Dalam suatu analisis seringkali analis harus mempertimbangkan faktor waktu, misalnya menganalisis data bulan ini dan data satu bulan lalu atau data bulan ini dan data bulan yang sama pada tahun sebelumnya. Untuk itu time intelligence merupakan fitur utama yang harus dimiliki oleh OLAP.
Keuntungan menggunakan OLAP : 1. Meningkatkan produktivitas perusahaan karena mendukung analisis dalam pengambilan keputusan. 2. Mengurangi backlog dari staf IT karena pengguna dapat membuat model mereka sendiri. 3. Control atas integritas data perusahaan sebagai aplikasi OLAP tergantung pada data warehouse dan oltp untuk me-refresh level sumber data mereka.
34
4. Mengurangi kesibukan lalu lintas jaringan pada OLTP atau data warehouse. 5. Meningkatkan potensi pendapatan dan keuntungan karena respon yang lebih cepat pada permintaan pasar. Salah satu masalah dalam pemrosesan data adalah ketika berhadapan dengan bagaimana mengolah database yang semakin besar dan mengandung data-data kompleks tanpa mengurangi waktu respon. Dengan menggunakan OLAP tools, data dalam jumlah sangat besar dapat diolah dalam waktu cepat. Ada tiga kategori OLAP tools yaitu : a. MOLAP-Multi-dimesional OLAP MOLAP tools menggunakan struktur data dan multidimensional database management systems untuk mengatur dan menganalisis data. MOLAP tool memberikan performa yang baik ketika data digunakan dalam desain dan memiliki tujuan utama pada data yang digunakan untuk aplikasi pengambilan keputusan. b. ROLAP-Relational OLAP Merupakan salah satu jenis OLAP yang berkembang sangat pesat. ROLAP memanfaatkan multidimensi.
metadata Untuk
sehingga
meningkatkan
tidak
memerlukan
performanya
struktur
ROLAP
tools
data ini
menggunakan SQL engine untuk memproses analisis yang kompleks, atau dapat juga menggunakan database yang telah di denormalisasi, contohnya star schema atau skema bintang. c. MQE-Managed Query Environment MQE atau dapat disebut juga HOLAP (Hybrid OLAP) merupakan kategori OLAP yang baru saja berkembang. Kemampuan analisis dari MQE ini terbatas
35
hanya dengan RDBMA atau server MOLAP. MQE tools menyajikan data langsung dari DBMS atau dari MOLAP server kepada server lokal berupa datacube yang disimpan, dianalisis, dan diolah secara lokal.
2.11 Metodologi Data Warehouse Menurut Kimball (2010,p210) metodologi perancangan data warehouse yaitu Nine-Step Methodology terdiri dari : 1. Pemilihan proses Sebuah proses yang mengarah pada permasalahan utama yang dihadapi dalam suatu data mart. Melalui entity relationship model yang ada, dapat diidentifikasi masalah utama dari setiap proses bisnis yang ada. 2. Pemilihan grain Grain merupakan data dari calon fakta yang akan dianalisis. Pemilihan grain dilakukan untuk memutuskan apa yang direpresentasikan oleh record dalam tabel fakta. Grain dari sebuah tabel fakta juga merupakan grain dari dimensi yang terhubung dengan fakta tersebut. 3. Identifikasi dan memeriksa kesesuaian dimensi Dimensi menjawab semua pertanyaan yang terkait dengan tabel fakta. Dengan menentukan dimensi yang sesuai, maka data mart yang dibentuk dapat dipahami dan digunakan dengan mudah. Jika sebuah dimensi terdapat dalam dua fakta, dimensi pada masing-masing fakta harus sama atau merupakan bagian dari dimensi yang lain.
36
4. Pemilihan fakta Grain dari sebuah tabel fakta menentukan fakta mana yang digunakan dalam data mart. Masing-masing fakta memiliki data yang dapat dihitung dan dapat ditampilkan ke dalam bentuk laporan atau grafik.
Gambar 2.16 Contoh Fakta yang Baik 5. Penyimpanan pre-calculation dalam tabel fakta Setiap fakta yang telah dipilih harus diperiksa kembali untuk menentukan apakah terdapat kalkulasi dalam data tersebut. Contoh yang paling umum adalah perhitungan untung dan rugi dalam suatu fakta. 6. Pengelompokkan dimensi Pada tahap ini, kita melengkapi tabel-tabel dimensi dengan deskripsi yang detail sehingga dapat dipahami oleh pengguna. 7. Penentuan durasi database Durasi dari database yang digunakan oleh masing-masing perusahaan berbeda-beda, tergantung pada kebutuhan perusahaan. Semakin lama durasi data yang digunakan maka semakin mudah menimbulkan masalah. Ada dua
37
masalah utama yang sering muncul, yaitu pertama kesulitan dalam mengambil data yang sudah lama. Semakin lama data, semakin sulit dalam membaca dan menginterpretasikan data tersebut. Kedua, akan timbul masalah jika data yang akan digunakan adalah data pada dimensi yang sebelumnya, bukan dimensi yang terbaru. Situasi ini dikenal sebagai masalah slowly changing dimension. 8. Tracking slowly changing dimension Masalah ini muncul ketika harus menggunakan data yang sudah lama. Ada tiga tipe dasar dari slowly changing dimension ini, yaitu : a.
Mengganti secara langsung data yang ingin diganti.
b.
Membentuk record baru untuk setiap perubahan yang dibuat.
c.
Membentuk atribut baru untuk data yang ingin diubah tanpa menghapus atribut yang lama, sehingga kedua atribut masih dapat diakses.
9. Deciding the query priorities and the query modes Tahap ini mencakup pembuatan desain fisikal. Urutan dari fakta yang ada dan ketersediaan data sangat mempengaruhi pemahaman pengguna.
2.12 Business Intelligence Seperti yang telah dibahas oleh Turban (2011, p28) konsep decision support telah banyak diimplementasikan di perusahaan. Dengan konsep ini, manager dapat mengakses laporan dengan mudah sehingga dapat membantu mereka dalam membuat keputusan. Konsep yang lebih dikenal dengan EIS (Executive Information System) ini kemudian menawarkan fasilitas tambahan seperti visualization, alert dan performance measurement capabilities yang saat ini dikenal dengan BI (business intelligence).
38
Business Intelligence merupakan kerangka kerja yang menggabungkan database, arsitektur, peralatan analisis, aplikasi, dan metodologi untuk mendukung dalam pengambilan keputusan. Tujuan utama dari business intelligence adalah untuk memungkinkan akses data yang interaktif, memungkinkan untuk manipulasi data, memberikan fasilitas pada manajer dan analis untuk menganalisis dengan baik. Dengan menganalisis data history dan data sekarang, situasi, serta performa, maka para pengambil keputusan dapat menghasilkan keputusan yang lebih baik lagi. Proses utama dari business intelligence ini adalah mengubah data menjadi informasi, informasi menjadi sebuah keputusan, dan keputusan menjadi sebuah aksi. Salah satu cara untuk membangun sebuah business intelligence adalah dengan data mining. Teknik data mining ini digunakan oleh perusahaan untuk lebih memahami pelanggan mereka, memahami operasi yang berjalan di perusahaan dan untuk menyelesaikan masalah perusahaan yang kompleks. Data mining merupakan istilah yang digunakan untuk menemukan atau menggali informasi dari data dalam jumlah besar. Secara teknik, data mining didefinisikan sebagai proses menggali informasi yang berguna yang memanfaatkan pola teknik statistika, matematika, dan kecerdasan buatan. Pola ini dapat berupa aturan bisnis, afinitas bisnis, korelasi, tren, dan model prediksi. Berikut ini beberapa karakteristik dan tujuan dari data mining : a. Data perusahaan biasanya terdapat dalam database yang sangat besar, yang terkadang terdiri dari data beberapa tahun lalu. Dengan data mining, data ini akan di bersihkan dalam data warehouse. b. Environment dari data mining biasanya menggunakan arsitektur client/server atau web-based information system architecture.
39
c. Karena data yang digunakan sangat besar, maka diperlukan proses data mining secara paralel. d. Data mining tools biasanya sudah dikombinasikan atau digabungkan dengan spreadsheet atau software lainnya sehingga data dapat dianalisis dan digunakan dengan mudah dan cepat. Teknik dan operasi data mining : a. Predictive modeling Operasi ini digunakan untuk menganalisis database dan menentukan karakteristik atau model dari data dalam database tersebut. Model dikembangkan dengan fase training dan testing. Pada fase training, model dikembangkan dengan memanfaatkan data history. Pada fase testing, model yang telah dibuat diuji untuk mengetahui performa dan ketepatan dari model tersebut. Contoh aplikasi dari predictive modeling adalah customer retention management, credit approval, direct marketing. b. Database segmentation Tujuan database segmentation adalah untuk membagi database menjadi beberapa segmen yang berisi data homogen. c. Link analysis Link analysis bertujuan untuk membentuk hubungan antara satu data dengan data lainnya. d. Deviation detection Deviation detection mendeteksi kelainan atau masalah yang timbul karena pengaruh dari luar.
40
2.13 Jenis-jenis Business Intelligence Menurut Turban (2007, p257), business intelligence terbagi ke dalam lima jenis yaitu : 1. Enterprise reporting Enterprise reporting digunakan untuk menghasilkan laporan statis yang didistribusikan ke banyak orang. Jenis laporan seperti ini sangat sesuai untuk laporan operasional. 2. Cube analysis Tools cube yang berbasis pada business intelligence digunakan untuk menyediakan analisis OLAP multidimensional yang ditujukan untuk manajer bisnis dalam lingkungan yang terbatas. 3. Ad hoc querying and analysis Tools relational OLAP digunakan untuk memberikan akses kepada user agar dapat melakukan query pada database, dan menggali informasi sampai tingkat paling dasar dari informasi transaksional. Query ini berfungsi untuk mengeksplor informasi yang dilakukan pengguna. 4. Statistical analysis and data mining Tool statistic, matematis, dan data mining digunakan untuk melakukan analisis prediksi atau untuk menentukan korelasi sebab akibat antara dua matrik. Analisis keungan serta prediksi juga dilakukan pada jenis ini. 5. Report delivery and alerting Mesin distribusi laporan digunakan untuk mengirimkan laporan secara lengkap atau memberikan peringatan kepada populasi pengguna yang besar. Distribusi ini berdasarkan pada jadwal dan event yang disimpan dalam database.
41
2.14 Teori Khusus 2.14.1 Pentingnya Tranportasi Menurut UNDP (2008, p2) transportasi merupakan penghubung utama antara supplier dan customer, dan tujuan utama dari transportasi ini adalah barang dapat diterima oleh customer dalam keadaan baik dimanapun dan kapanpun. Transportasi memiliki kaitan erat dengan staf pengadaan barang, supplier dan pengirim barang. Transportasi yang dapat dilakukan melalui jalur darat, laut maupun udara ini juga dapat menimbulkan beberapa masalah. Masalah ini dapat diatasi dengan meningkatkan metode pengiriman barang, menggunakan jasa asuransi, menerapkan metode pengemasan barang sesuai jenis barang, serta meningkatkan tanggung jawab atas barang yang akan dikirim. 2.14.2 Metode Transportasi 1. Sea Freight Merupakan jasa pengangkutan barang melalui laut. Barang-barang yang akan dikirim dimasukkan dalam sebuah peti kemas atau kontainer yang kemudian barang-barang tersebut diangkut menggunakan kapal. Pengiriman barang melaui laut ini dibagi menjadi dua, yaitu : • FCL (Full Container Load) FCL menggunakan konsep “door to door” dimana barang akan dikirim sampai ke tempat tujuan. FCL ini menawarkan kamanan barang yang tinggi, tetapi kurang baik dalam penanganan barang. • LCL (Less than a Container Load)
42
LCL menggunakan konsep “terminal to terminal”. Ketika pengirim barang tersebut tidak memiliki barang yang cukup untuk mengisi penuh kontainer yang dimiliki, pengirim barang (shipper) tersebut dapat bekerja sama dengan pengirim barang lain untuk menggabungkan barang mereka menjadi sebuah kontainer yang penuh. Metode ini dapat mengurangi resiko keterlambatan dalam pembongkaran barang, tetapi memiliki tingkat keamanan yang kurang karena sering dilakukan pembongkaran barang. Sebelum menentukan metode mana yang akan digunakan, pelanggan harus mengerti apa saja kemungkinan resiko yang akan dihadapi dan berapa biaya yang harus dikeluarkan. 2. Air Freight Air freight digunakan untuk barang yang bernilai tinggi. Metode yang digunakan adalah pengiriman barang menggunakan pesawat terbang. Jika barang yang akan dikirim dalam jumlah besar, maka dapat menyewa sebuah kapal terbang. Keuntungan menggunakan air freight antara lain : • Pengiriman yang lebih cepat. • Tingkat keamanan yang lebih tinggi. • Less packaging . • Biaya asuransi yang lebih rendah. 3. Overland / Truck Pengiriman menggunakan truk atau melalui jalur darat merupakan salah satu metode yang digunakan untuk mengangkut barang dalam
43
jumlah besar. Biasanya pengiriman jalur darat digunakan jika jarak pengiriman barang kurang dari 1000km, dan metode jalur darat lebih kompetitif dari kereta api atau jalur udara. Biaya yang dibebankan biasanya belum termasuk biaya bongkar dan muat barang. Pengiriman menggunakan jalur darat ini memiliki banyak resiko antara lain pencurian dan perusakan barang, sehingga barang harus dikemas sebaik mungkin,
misalnya
dengan
peti
kayu.
Pengirim
juga
dapat
menggunakan kendaraan sendiri, tetapi harus menganalisis faktor-faktor seperti pengemudi, jalur yang digunakan, cuaca, bea cukai, dan keamanan. 4. Post Metode ini menggunakan jasa pos untuk mengirimkan barang yang relatif kecil dan biayanya lebih murah. Jika kita menggunakan jasa pos, sebaiknya menggunakan pos yang sudah terdaftar dan terjamin. 5. Multimodal Transportation Merupakan metode tranportasi yang mengirimkan satu unit barang dari asal sampai tujuan dengan menggunakan beberapa metode transportasi yang memiliki satu dokumen. Kontainer yang dikirimkan harus dapat dikirim sampai ke tujuan tanpa membuka atau membongkar barang tersebut selama perjalanan. Keuntungan penggunaan metode ini adalah dokumen yang diperlukan hanya satu sehingga mempermudah pengiriman.
44
2.14.3 Pemilihan Metode Transportasi Menurut UNDP (2008, p7) ada beberapa faktor yang harus diperhatikan dalam memilih metode transportasi yang akan digunakan, antara lain : a. Jenis barang Ada banyak jenis barang yang dapat dikirim, tetapi ada beberapa jenis barang yang harus dikirim menggunakan metode transportasi tertentu. Misalnya jenis barang hidup (perishable) yang harus dikirm menggunakan metode air freight, atau jenis barang yang berbahaya (pupuk, insektisida) harus dikirm menggunakan sea freight. b. Faktor geografis Jarak
pengiriman
barang
dari
asal
sampai
tujuan
juga
mempengaruhi jenis transportasi yang akan digunakan. Faktor-faktor yang termasuk faktor geografis antara lain cuaca, keamanan, keselamatan, dan infrastruktur transportasi. c. Waktu Ketika waktu bukan menjadi prioritas utama, pengiriman barang seharusnya diusahakan menggunakan jenis transportasi yang paling ekonomis. Sebaiknya menghindari pengiriman yang terburu-buru karena akan menyebabkan biaya pengiriman menjadi lebih mahal. d. Biaya Tidak ada aturan untuk mengindikasikan persentase biaya transportasi jika dibandingkan dengan kebutuhan barang tersebut. Kecuali jika jenis transportasi yang dapat digunakan hanya transportasi darat dan udara, otomatis transportasi darat akan dibandingkan dengan
45
transportasi udara. Pengirim juga harus mempertimbangkan ukuran dari barang yang akan dikirim. Sebaiknya pengiriman barang yang bersifat kecil dikelompokkan untuk mengurangi biaya, karena pengiriman barang berkali-kali akan menambah biaya, terutama jika ada biaya bea cukai. e. Keamanan Barang yang mudah rusak atau pecah sebaiknya dikirim melalui tranportasi udara. Untuk menghindari barang yang dikirim dengan transportasi laut tercecer, sebaiknya barang tersebut dimasukkan dalam sebuah container. Barang tersebut contohnya obat-obatan, alat-alat mesin, suku cadang otomotif. 2.14.4 Packing, Marking, dan Addressing Menurut UNDP (2008, p8), idealnya pada saat mengirim barang, pelanggan harus memperhatikan kebutuhan dari segi packing dan marking ke supplier. 2.14.4.1 Packing Packing dari sebuah barang tergantung pada barang yang akan dikirim, jenis transportasi yang dipakai, dan kondisi pada tujuan akhir. Pelanggan perlu membayar lebih untuk packing yang bagus, sehingga barang tersebut akan aman dalam jangka waktu yang lama.
46
Packing tersebut dapat dilihat dari segi: • Bentuk dari produk Barang seperti mesin-mesin atau barang berat lainnya harus menggunakan peti, wadah khusus seperti semen, plastik atau kontainer untuk cairan, kotak kayu untuk barang-barang kecil seperti paku, dan bales untuk kain katun. Beberapa barang seperti printer, peralatan rumah tangga dapat disimpan dengan karton yang berkualitas baik. Barang yang berbeda jenisnya tidak boleh digabungkan. Perhatikan juga
barang
tersebut
dapat
bergerak-gerak
di
tempat
penyimpanan pada saat shipping. Jadi, sangatlah penting untuk memberikan instruksi kepada supplier untuk memberitahukan deskripsi dari barang yang akan dibawa. • Transportasi Secara umum, lewat udara memerlukan less packing dari pada lewat air atau darat guna menghindari kerusakan. • Rute dan tujuan akhir Di area tertentu terkadang banyak kejadian-kejadian yang mungkin terjadi, seperti pencurian, kerusakan barang lebih besar sehingga membutuhkan packing yang lebih kuat.
47
• Kondisi cuaca Sebelum dikirim sebaiknya barang tersebut dibungkus atau dikemas dengan kertas, lilin dan foil untuk melindungi barang dari tingkat kelembapan yang tinggi. 2.14.4.2 Marking Diketahui bahwa “shipping mark” terkadang diperlukan. Tujuan utama dari marking adalah mengidentifikasikan tanda tersebut kepada carrier sehingga memberikan keamanan apabila barang tersebut akan dipindahkan dari satu tempat ke tempat lain. Contoh marking adalah sebagai berikut:
Gambar 2.17 Contoh Marking Keterangan dari gambar tersebut adalah “Keep away from heat” maksudnya adalah jauhkan barang tersebut dari cahaya / panas. Sedangkan “keep dry” maksudnya adalah jagalah barang tersebut supaya tetap kering. Pada umumnya, marking diletakan di atas packing agar mudah terlihat oleh pihak carrier.
48
2.14.4.3 Addressing Alamat harus ditulis dengan jelas dan maksimum empat atau lima baris. Pada alamat tersebut harus dicantumkan nama dari perusahaan dan kepada siapa dokumen tersebut dituju. 2.14.5 Pihak yang Terlibat dalam Rantai Transportasi 1. Carrier Carrier adalah mereka yang menangani kontrak dengan supplier, membawa barang yang akan dikirim sampai ke tujuan (gudang, bandara, pelabuhan). Carrier dibagi menjadi dua yaitu inland carrier yang menangani transportasi darat (truk, kereta api) dan overseas carrier yang menangani transportasi udara dan shipping. 2. Forwarding agents Forwarding agents juga dikenal sebagai freight forwarders, freight brokers, dan lain-lain. Mereka juga berperan sebagai customs brokers atau pedagang perantara bea cukai. Forwarding agents ini membantu pelanggan untuk memproses pengiriman barang, biaya bea cukai, serta memantau proses pengiriman barang. Setelah membuat kontrak dengan carriers, forwarder ini menghubungi carriers untuk mengirim barang ke tujuan, menerima dan menyimpan barang yang dibawa carriers, membayar biaya pengiriman barang, mempersiapkan dokumen yang diperlukan, dan terakhir mendistribusi dokumentasi. 3. Customs authorities Kargo tidak dapat diekspor atau diimpor tanpa control bea cukai. Beberapa dokumen perlu diperiksa dan diproses di kantor bea cukai, dan
49
juga barang yang akan dikirim akan diperiksa untuk mengkonfirmasi barang sesuai dokumen. Dari sisi ekspor, pihak bea cukai juga akan mensertifikasi dokumen untuk membuktikan kargo ang akan dikirim, sehingga memungkinkan perusahaan terbebas dari pembayaran pajak internal atau mendapatkan pengembalian uang. Dari sisi impor, pihak bea cukai juga memiliki wewenang yang sama. 4. Insurens Perusahaan asuransi akan menjamin semua barang yang dikirim dari bahaya yang mungkin terjadi pada saat barang dikirim.
