BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

2.1

Database 2.1.1

Pengertian Database Menurut Connolly dan Begg (2002, p15)¸ database merupakan suatu kumpulan data logikal yang berhubungan satu sama lain dan deskripsi dari suatu data yang dirancang sebagai informasi yang dibutuhkan oleh organisasi, sedangkan menurut McLeod dan Schell (2004, p196), database adalah kumpulan seluruh sumber data berbasis komputer milik organisasi. Database yang dikendalikan oleh sistem manajemen database adalah suatu set catatan data yang berhubungan dan saling menjelaskan. Jadi, database adalah kumpulan data yang saling berhubungan secara logis dan terintegrasi dimana dapat digunakan sebagai sumber kebutuhan sebuah organisasi.

8   

9   

2.1.2 Relational Database Relational database adalah representasi logikal dari data. Data tersebut dapat diakses tanpa ada ketergantungan dengan struktur fisik dari database tersebut. Relational database merupakan sistem database yang paling banyak dipakai saat ini. Salah satu bahasa yang sering dipakai untuk memanipulasi data adalah SQL. Data dalam relational database disimpan di dalam sebuah tabel dimana terdapat kolom dan baris. 2.2

Data Warehouse 2.2.1

Pengertian Data Warehouse Menurut Inmon (2005, p389), data warehouse adalah sekumpulan data yang bersifat subject-oriented, integrated, time-variant dan nonvolatile untuk mendukung proses pengambilan keputusan. Menurut Mcleod dan Schell (2004, p205), data warehouse adalah perkembangan dari konsep database yang menyediakan suatu sumber data, data yang lebih baik bagi para pemakai dan memungkinkan pemakai untuk memanipulasi dan menggunakan data tersebut secara intuitif. Data warehouse berukuran sangat besar, kualitas datanya tinggi, dan sangat mudah diambil datanya. Jadi, data warehouse adalah tempat penyimpanan data historis yang berorientasi subjek untuk keputusan.

mendukung proses pengambilan

10   

2.2.2

Karakteristik Data Warehouse Seperti yang telah dikemukakan terlebih dahulu pada sub bagian pengertian data warehouse, karakteristik yang harus dimiliki dalam sebuah data warehouse antara lain adalah Subject Oriented, Integrated, Time Variant, dan Non Volatile. Berikut ini dijelaskan lebih lanjut mengenai karakteristik ini. •

Subject Oriented Data warehouse berorientasi subjek artinya data warehouse dirancang untuk menganalisis data berdasarkan subjek – subjek tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu.

 

Gambar 2. 1 Subject Orientation Data (Inmon, 2005, p30)

11   

•

Integrated Sumber data berasal dari sistem – sistem aplikasi perusahaan yang berbeda – beda. Sumber data sering tidak konsisten misalnya perbedaan format data. Integrasi sumber data harus dibuat konsisten dalam menampilkan data agar dapat menyatukan pandangan user terhadap data.

 

Gambar 2. 2 Integration (Inmon, 2005, p31)

12   

•

Non volatile Karakteristik ketiga dari data warehouse adalah non volatile, yaitu data pada data warehouse cenderung statis dan berupa data historical yang digunakan untuk analisis. Pada gambar 2.3 ini, Inmon (2005, p31-p32) menjelaskan bahwa “Data operasional pada tiap – tiap record yang ada, umum diakses dan dimanipulasi, perubahan maupun pembaruan data merupakan sebuah hal yang wajar dilakukan pada sistem ini. Namun, data warehouse juga dapat diakses, namun tidak terlalu sering, dan biasanya diambil dalam jumlah besar. Akan tetapi data yang ada tidak diperkenankan untuk diperbaharui maupun diubah, apabila terjadi perubahan atau pembaruan, maka data tersebut akan masuk sebagai data baru. Oleh karena itu, data yang tersimpan pada sebuah data warehouse merupakan data yang bersifat historis”.

 

Gambar 2. 3 Non Volatile (Inmon, 2005, p32)

13   

•

Time Variant Data warehouse dibandingkan dengan data operasional, memiliki perbedaan cakupan pada aspek time variant. Time variant yang membedakan antara data pada data warehouse dengan data operasional menurut Ponniah (2001, p22) adalah “Data yang disimpan pada sistem operasional merupakan keadaan terkini pada perusahaan. Data transaksi lampau juga ada yang disimpan, namun pada intinya sistem operasi dirancang memang untuk mendukung operasi harian dari perusahaan sehingga data yang tersimpan harus mencerminkan keadaan terkini perusahaan. Namun pada data warehouse, data yang digunakan merupakan data untuk analisis dan pengambilan keputusan. Dari tujuan inilah data yang dimiliki oleh sebuah data warehouse haruslah berupa data historis, bukan sekedar keadaan terkini dari perusahaan. Data disimpan sebagai gambaran keadaan perusahaan di masa lampau hingga saat ini.” Masih menurut Ponniah (2001, p23), time variant memiliki keuntungan sebagai berikut: •

Memungkinkan untuk menganalisis hal yang terjadi di masa lampau

•

Menghubungkan informasi yang ada ke masa kini

•

Memungkinkan adanya perkiraan atau ramalan mengenai kondisi masa yang akan datang.

14   

 

Gambar 2. 4 Time Variant (Inmon, 2005, p33)

15   

2.2.3

Kegunaan Data Warehouse Data warehouse yang digunakan selama ini memberikan kemudahan dan keuntungan, karena data warehouse biasanya digunakan untuk melakukan empat tugas berbeda. Menurut Williams dan Sawyer (2007, p533), keempat tugas data warehouse tersebut adalah sebagai berikut: a. Pembuatan laporan Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum. Dengan menggunakan query – query sederhana dalam data warehouse, dapat dihasilkan informasi per tahun, per kuartal, per bulan bahkan per hari. b. Online Analytical Processing (OLAP) Data warehouse digunakan dalam melakukan analisis bisnis untuk mengetahui kecenderungan pasar dan faktor – faktor penyebabnya, karena dengan adanya data warehouse semua informasi baik detil maupun hasil ringkasan yang dibutuhkan dalam proses analisis mudah didapat. Dalam hal ini data warehouse merupakan tool yang handal untuk analisis data yang kompleks. Menurut Connolly dan Begg (2002, p1153), sebuah organisasi menerapkan beberapa sistem OLTP yang berbeda untuk menjalankan proses bisnis seperti kendali inventori, invoicing, dan point-of-sale. Sistem ini menghasilkan data operasional yang mendetil, up-to-date, dan dapat diubah – ubah. Data di dalam OLTP, diorganisir berdasarkan kebutuhan transaksi yang

16   

berhubungan dengan aplikasi bisnis serta mendukung pengambilan keputusan operasional harian. c. Data mining Penggunaan data warehouse dalam pencarian pola dan hubungan data, dengan tujuan membuat keputusan bisnis bagi para pihak manajemen. Dalam hal ini, perangkat lunak dirancang untuk pola statistik dalam data untuk mengetahui kecenderungan yang ada, misalnya kecenderungan pasar akan suatu produk tertentu. d. Proses Informasi Eksekutif Data warehouse digunakan untuk mencari informasi summary kunci yang penting, dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data yang ada. 2.2.4

Anatomi Data Warehouse Menurut Inmon (2005, p193) anatomi data warehouse adalah data warehouse fungsional, data warehouse terpusat dan data warehouse terdistribusi. •

Data Warehouse Fungsional Data

warehouse

fungsional

menggunakan

pendekatan

kebutuhan dari tiap bagian dari fungsi bisnis yang ada. Misalnya departemen atau divisi, untuk mendefinisikan jenis data yang ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran data masing – masing.

17   

Pendekatan ini banyak digunakan karena sistem memberikan solusi yang mudah untuk dibangun dengan biaya investasi yang relatif rendah dan dapat memberikan kemampuan sistem pengumpulan data yang terbatas kepada kelompok pemakai. Penerapan jenis sistem pengumpulan data seperti ini beresiko kehilangan konsistensi data di luar lingkungan fungsi bisnis yang bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan fungsional menjadi lingkup perusahaan, konsistensi data perusahaan tidak lagi dapat terjamin.

 

Gambar 2. 5 Data Warehouse Fungsional (Prabowo, 1996) •

Data Warehouse Terpusat Data warehouse terpusat adalah pendekatan yang paling baik digunakan. Hal ini dikarenakan oleh keterbiasaan pengguna dengan lingkungan mainframe terpusat. Data diambil dari seluruh sistem

18   

operasional dan disimpan di dalam pusat penyimpanan data. Pengguna kemudian menggunakan data yang telah terkumpul tersebut untuk membangun data warehouse fungsional, masing – masing sesuai dengan kebutuhannya. Keuntungan sistem ini dibanding dengan data warehouse fungsional adalah bahwa data benar – benar terintegrasi. Sistem ini mengharuskan data dikirim tepat pada waktunya, agar tetap konsisten dengan pemasok data lainnya. Di samping itu, pengguna hanya dapat mengambil data dari pusat pengumpulan saja dan tidak dapat berhubungan secara langsung dengan pemasok datanya sendiri.

 

Gambar 2. 6 Data Warehouse Terpusat (Prabowo, 1996) Penerapan sistem ini membutuhkan biaya pemeliharaan yang tinggi atas sistem pengumpulan data yang besar. Selain itu diperlukan waktu yang lama untuk membangun sistem tersebut.

19   

•

Data Warehouse Terdistribusi Data warehouse terdistribusi dikembangkan berdasarkan konsep gateway data warehouse, sehingga memungkinkan pengguna dapat langsung berhubungan dengan sumber data atau pemasok data maupun dengan pusat pengumpul data lainnya. Gambaran pengguna atas data adalah gambaran logika karena data mungkin diambil dari berbagai sumber yang berbeda.

 

Gambar 2. 7 Data Warehouse Terdistribusi (Prabowo, 1996) Pendekatan ini menggunakan teknologi client / server untuk mengambil data dari berbagai sumber, sehingga memungkinkan tiap departemen atau divisi untuk membangun sistem operasionalnya sendiri serta dapat membangun pengumpul data fungsionalnya masing – masing dan menggabungkan bagian – bagian tersebut dengan teknologi client / server. Pendekatan ini akan menjadi sangat efektif

20   

bila data tersedia dalam bentuk yang konsisten dan pengguna dapat menambah data tersebut dengan informasi baru apabila ingin membangun gambaran baru atas informasi. Penerapan data warehouse terdistribusi ini memerlukan biaya yang sangat besar karena setiap pengumpul data fungsional dan sistem operasinya dikelola secara terpisah. Selain itu, agar berguna bagi perusahaan, data yang ada harus disinkronisasikan untuk memelihara keterpaduan data. 2.2.5

Struktur Data Warehouse Inmon (2005, p34) mengutarakan pendapat mengenai struktur dari data warehouse sebagai berikut, “Ada beberapa tingkatan detail pada lingkungan data warehouse. Tingkatan ini dikategorikan menjadi 4, yaitu: Older Detail Level, Current Detail Level, Lightly Summarized Data Level, dan Highly Summarized Data Level. Aliran data awalnya terjadi dari environment operasional menuju environment data warehouse. Pada aliran data inilah proses transformasi terjadi. Aliran data pada data warehouse selanjutnya berada pada tingkatan detail. Seiring berjalannya waktu, data dari Current Detail Level mengalir menuju Older Detail Level. Apabila terjadi summarize, data akan beralih dari Current Detail Level menuju Lightly Summarized Data Level yang kemudian akan menuju Highly Summarized Data Level.

21   

 

Gambar 2. 8 Struktur Data Warehouse (Inmon, 2005, p34)  

 

 

 

2.2.5.1 Current Detail Data Current Detail Data berisi data yang mencerminkan keadaan yang sedang berjalan saat ini dan merupakan level terendah dari data warehouse. Oleh karena itu, data di tingkat ini belum efisien untuk digunakan sekalipun datanya lengkap/ detail. Hal ini dikarenakan terlalu rumit/ kompleks untuk melakukan analisis dengan data yang banyak.

 

 

 

 

2.2.5.2 Older Detail Data Older detail data merupakan data history dari suatu perusahaan yang berupa hasil backup yang disimpan dalam media penyimpanan dengan frekuensi akses yang relatif

22   

rendah. Data pada tingkat ini biasanya berupa backup data dari kurun waktu lama, misalnya dalam ukuran tahunan dan sudah

hampir

tidak

pernah

diakses

lagi.

Namun

penyusunan directory untuk data ini harus mencerminkan umur dari data agar mudah untuk pengaksesan kembali. 2.2.5.3 Lightly Summarized Data Lightly summarized data merupakan data hasil ringkasan atau summary dari current detailed data. Pada tingkat ini, data hasil ringkasan masih belum dapat digunakan dalam proses pengambilan keputusan karena belum bersifat “total summary” dan masih bersifat detail. Lightly summarized data biasanya sering digunakan untuk gambaran dari keadaan yang sedang berlangsung dan sudah berlangsung. 2.2.5.4 Highly Summarized Data Highly summarized data merupakan hasil proses summary yang bersifat “totalitas”. Data pada highly summarized ini sangat mudah diakses. Data pada tingkat inilah yang pada akhirnya dapat digunakan untuk mendukung pengambilan keputusan terutama di kalangan eksekutif perusahaan. Hal ini disebabkan karena data pada tingkat ini dianggap sudah cukup representatif dan ringkas. Akan tetapi data ini tetap dapat merepresentasikan keadaan

23   

data secara keseluruhan. Hal ini tentu saja sangat memudahkan kalangan eksekutif karena tidak perlu lagi membaca dan melakukan analisis data untuk waktu yang cukup lama. 2.2.6

Arsitektur Data Warehouse Dalam melakukan perancangan data warehouse, harus ditentukan terlebih dahulu arsitektur yang paling cocok untuk melakukan pengembangan data warehouse. Connolly dan Begg (2002, p1053) memberikan suatu gambaran typical arsitektur dari data warehouse, yaitu sebagai berikut:

 

Gambar 2.9 Typical Architecture of a Data Warehouse (Connolly dan Beg, 2002, p1053)

24   

Connolly

dan

Begg

(2002,

p1156-1161)

mengidentifikasi

komponen data warehouse yang terdapat pada arsitektur data warehouse, yaitu: 1. Operational Data Data operasional berfokus pada fungsi – fungsi transaksional. Data ini merupakan bagian dari infrastruktur perusahaan, detil, tidak ada redudansi (data tidak berulang – ulang), dapat di-update (diubah – ubah), dan data ini merefleksikan nilai sekarang. 2. Operational Data Source (ODS) ODS adalah tempat penyimpanan sementara dari data operasional saat ini yang terintegrasi yang digunakan untuk analisis. Membangun ODS dapat merupakan tahap yang berguna dalam membangun data warehouse karena sebuah ODS dapat menyuplai data yang sudah diekstrak dari sistem sumber dan dibersihkan. Ini berarti pekerjaan mengintegrasi dan merestrukturisasi data untuk data warehouse menjadi lebih sederhana. 3. Load manager Load manager menampilkan semua operasi yang terkait dengan ekstraksi dan loading data ke dalam data warehouse. Data bisa saja diekstrak secara langsung dari sumber data atau secara umum dari ODS.

25   

4. Warehouse manager Warehouse manager menampilkan semua operasi yang terkait dengan manajemen data dari data warehouse. Operasi yang ditampilkan oleh warehouse manager meliputi: a. Analisis data untuk menjamin konsistensi. b. Transformasi dan penggabungan sumber data dari tempat penyimpanan sementara ke tabel data warehouse. c. Pembuatan indeks dan view pada tabel base. d. Membuat denormalisasi (jika perlu). e. Membuat agregasi (jika perlu). f. Backing-up dan archiving data. 5. Query manager Query manager menampilkan semua operasi yang terkait dengan manajemen query pengguna. Operasi yang ditampilkan oleh komponen ini meliputi mengarahkan query pada tabel yang cocok dan menjadwalkan pelaksanaan query. 6. Detailed data Komponen ini menyimpan semua detail data dalam skema database. Detail data terbagi 2 yaitu: a. Current detail data Data ini berasal langsung dari operasional database dan selalu mengacu pada data perusahaan sekarang. Current detail data diatur sepanjang sisi – sisi subjek seperti data profil pelanggan,

26   

data aktivitas pelanggan, data sales, data demografis, dan lain – lain. b. Old detail data Data ini menampilkan current detail data yang berumur atau histori dari subyek area. Data ini yang dipakai untuk menganalisis trend yang akan dihasilkan. 7. Lightly and highly summarized data Area data warehouse ini menyimpan semua data lightly dan highly summarized yang sudah terdefinisi sebelumnya yang dibuat oleh warehouse manager. Tujuan informasi yang terangkum ini adalah meningkatkan performansi query. 8. Archive / backup data Area warehouse ini menyimpan detail data dan summarized data dengan tujuan mengarsip dan melakukan backup data. 9. Metadata Metadata merupakan data mengenai data yang mendeskripsikan data warehouse. Metadata digunakan untuk membangun, memelihara, mengatur, dan menggunakan data warehouse. Metadata mengandung lokasi dan deskripsi dari komponen – komponen data warehouse; nama, definisi, struktur, dan isi dari data warehouse dan end user view; identifikasi dari pembuat sumber – sumber data (record system); aturan – aturan integrasi dan transformasi yang digunakan untuk mempopulasikan data warehouse; history dari update dan refresh data

27   

warehouse; pola – pola matriks yang digunakan untuk performa menganalisis data warehouse; dan seterusnya. 10. End – user access tool Tool ini mencakup: a. Reporting and query tool Reporting tools meliputi production reporting tools dan report writers. Productions reporting tools

digunakan untuk

menghasilkan laporan operasional yang teratur atau untuk mendukung sejumlah pekerjaan dengan volume yang tinggi seperti pesanan pelanggan dan pembayaran karyawan. Query tool untuk data warehouse

relasional dirancang

untuk dapat menerima SQL atau untuk menghasilkan pernyataan SQL agar dapat melakukan query pada data yang disimpan di dalam warehouse. Query tool sangat populer di antara pengguna bisnis aplikasi. b. Application development tool Kebutuhan – kebutuhan end-users seperti membangun kemampuan untuk membuat laporan dan query tools keduanya sangat tidak memadai karena analisis yang dibutuhkan tidak dapat dijalankan. Dalam situasi seperti ini, pengguna akan membutuhkan application development tools yang dirancang untuk kebutuhan client-server. c. Executive information system (EIS) tool

28   

Executive Information System sebenarnya dikembangkan untuk mendukung pengambilan keputusan tingkat tinggi. Namun, semakin meluas untuk mendukung semua tingkat pengelolaan. Sekarang ini batasan perbedaan antara EIS dan decision support tools lainnya semakin tidak jelas karena para pengembang EIS menambahkan fasilitas query tambahan dan menyediakan custombuilt application untuk bisnis adalah seperti penjualan, pemasaran, dan keuangan. d. Online analytical processing (OLAP) tool Online Analytical Processing Tools merupakan konsep database

multidimensi

dan

mengijinkan

pengguna

untuk

menganalisis data menggunakan view yang kompleks dan multidimensi. Contoh – contoh bisnis aplikasi OLAP meliputi penilaian keefektifan strategi pemasaran, prediksi penjualan produk, kapasitas perencanaan. e. Data mining tool Data mining adalah proses menemukan korelasi, pola, dan gaya baru yang bermanfaat dengan ‘menggali’ (mining) data dalam jumlah yang banyak dengan menggunakan teknik statistika, matematika, intelejensia semu.

29   

2.2.7

Aliran Data Pada Data Warehouse Data warehouse memfokuskan pada manajemen dari lima aliran data utama yaitu inflow, upflow, downflow, outflow, dan meta-flow. Proses yang berasosiasi dengan setiap aliran data (Connolly dan Begg, 2005, p1161), yaitu: a. Inflow: Proses yang berhubungan dengan pengekstrakan (extraction), pembersihan (cleansing), dan pemuatan (loading) data dari sistem – sistem sumber ke dalam data warehouse. b. Upflow: Proses yang berhubungan dengan penambahan nilai dari data dalam

data

warehouse

melalui

peringkasan

(summarizing),

pengemasan (packaging), dan pendistribusian data. c. Downflow: Proses yang berhubungan dengan pengarsipan (archiving) dan pembuatan cadangan (back-up) data dalam data warehouse. d. Outflow: Proses yang berhubungan dengan pengadaan data agar tersedia bagi end-user. e. Meta-flow: Proses yang berhubungan dengan manajemen dari metadata.

30   

2.2.8 Tahapan Perancangan Data Warehouse Menurut Kimball dan Ross (2010, p210), diperlukan sembilan tahapan dalam membangun data warehouse. Sembilan langkah (Nine-Step Methodology) tersebut, yaitu: •

Choosing the process Memilih proses (fungsi) bisnis yang merujuk pada subyek masalah atau kebutuhan bisnis dan menganalisa data yang tersedia pada perusahaan.

•

Choosing the grain Memilih grain memilih secara tepat apa yang direpresentasikan oleh record tabel fakta. Grain adalah setiap baris item individual yang ada di dalam tabel fakta. Ketika grain telah dipilih, pemilihan dimensi sesuai proses bisnis dapat dilakukan.

•

Identifying and conforming the dimensions Tabel dimensi menyiapkan konteks untuk menanyakan pertanyaan tentang fakta yang ada di dalam tabel fakta. Kumpulan dimensi yang dibuat dengan baik akan mempermudah dalam pemahaman serta menggunakan data mart. Kemudian mengidentifikasikan detail dimensi yang secukupnya untuk menggambarkan klien dan properti pada grain yang tepat.

•

Choosing the facts Grain dari tabel fakta menentukan fakta mana yang bisa dipakai dalam proses bisnis yang ditentukan. Semua fakta harus dinyatakan secara

31   

pasti oleh grain. Dengan kata lain, jika grain merupakan setiap baris item individual pada tabel fakta, maka fakta adalah numerik yang mengacu pada baris item tertentu. •

Storing pre-calculations in the fact table Setelah fakta-fakta yang telah dipilih masing-masing harus dikaji ulang untuk menentukan apakah ada peluang untuk menggunakan precalculations. Sebuah contoh umum dari kebutuhan untuk menyimpan pre-calculations terjadi ketika fakta – fakta terdiri dari keuntungan dan kekurangan.

•

Rounding out the dimension tables Pada tahap ini, kita kembali ke dalam tabel dimensi dan menambahkan deskripsi pada tabel dimensi sebanyak – banyaknya. Deskirpsi harus jelas dan mudah dimengerti.

•

Choosing the duration of database Memilih durasi database adalah mengukur seberapa lama tabel fakta tersebut disimpan. Sebagian besar perusahaan, mempunyai kebutuhan untuk melihat data pada periode tertentu dalam jangka waktu satu atau dua tahun. Untuk tipe perusahaan lainnya, seperti asuransi, mungkin membutuhkan data yang periodenya lebih lama yaitu sekitar lima atau lebih dari lima tahun.

•

Tracking slowly changing dimensions Perubahan dimensi dapat terjadi dengan seiring berjalannya waktu pada tabel dimensi. Perubahan yang dimaksud adalah penambahan

32   

data (insert) ataupun perubahan data (update). Untuk mengatasinya ada tiga tipe Slowly Changing Dimension (SCD) yaitu : 1. Menulis ulang semua atribut dimensi yang berubah. 2. Menambah atribut dimensi yang berubah menyebabkan record dimensi baru dibuat. 3. Perubahan atribut dimensi menyebabkan atribut alternatif dibentuk sehingga baik nilai yang lama dan yang baru dapat di akses secara bersamaan pada tabel dimensi yang sama. •

Deciding the query priorities and the query modes Dalam langkah ini, memperkirakan untuk membuat rancangan fisikal. Yang paling penting dalam rancangan fisikal yang mempengaruhi persepsi data mart end-user’s adalah urutan dari perintah fisikal yang ada dalam tabel dan ketersediaan ringkasan. Dibalik semua ini ada tambahan rancangan fisikal yang mempengaruhi administration, backup, indexing performance, dan security.

2.3

Tabel Fakta Fakta adalah sebuah ukuran dari kinerja bisnis, biasanya berupa angka – angka dan penjumlahan (Kimball dan Ross, 2002, p402). Menurut Kimball dan Ross, tabel fakta pada sebuah skema bintang ialah tabel pusat dengan pengukuran performa bisnis dalam bentuk angka yang memiliki karakteristik yang berupa composite key, yang tiap - tiap elemennya adalah foreign key yang didapat dari tabel dimensi. Sedangkan menurut Inmon

33   

(2005, p497) tabel fakta adalah pusat dari tabel star join dimana data dengan banyak kepentingan disimpan. 2.4

Tabel Dimensi Dimensi adalah sebuah entitas independent pada sebuah model dimensional yang berfungsi sebagai pintu masuk atau mekanisme untuk memecah – mecah pengukuran tambahan yang ada pada tabel fakta dari model dimensional (Kimball dan Ross, 2002, p399). Pengertian tabel dimensi menurut Kimball dan Ross adalah sebuah tabel pada model dimensional yang memiliki sebuah primary key tunggal dan kolom dengan atribut deskriptif. Pengertian lain dari tabel dimensi adalah tempat dimana data tambahan yang berhubungan dengan tabel fakta ditempatkan pada sebuah tabel multidimensional (Inmon, 2005, p495).

2.5

Skema Bintang Menurut Connolly dan Begg (2005, p1183) skema bintang adalah struktur logis fakta yang memiliki tabel yang berisi data faktual di tengah, dikelilingi oleh dimensi tabel yang berisi data atau referensi yang dapat di-denormalized. Menurut Poe (1996, p33), skema bintang adalah metode perancangan yang dilakukan dengan struktur yang sederhana dengan menggunakan beberapa tabel dan jalur yang terhubung dengan baik dan jelas. Dengan menggunakan skema bintang ini akan menghasilkan waktu respon yang lebih cepat dalam query dan dibanding dengan proses transaksional yang menggunakan struktur normalisasi. Selain itu, skema bintang memudahkan end user untuk memahami struktur database pada data warehouse yang dirancang.

34   

Dalam skema bintang terdapat dua tipe tabel yaitu tabel fakta dan tabel dimensi. Tabel fakta disebut juga tabel mayor terdiri dari data kuantitatif atau data fakta mengenai bisnis, informasi yang di-query. Informasi ini sering diukur secara numerik dan dapat mengandung banyak kolom dan baris. Tabel dimensi disebut juga tabel minor karena lebih kecil dan mencerminkan dimensi bisnis. 2.5.1

Perancangan Skema Bintang Menurut Poe (1996, p121-122), skema bintang terdiri dari dua jenis tabel, yaitu tabel fakta (fact table) dan tabel dimensi (dimension table). Tabel fakta terdiri dari data kuantitatif atau data fakta mengenai bisnis,

informasi

yang

akan

di-query.

Informasi

sering

berupa

pengumpulan numerik dan terdiri dari banyak kolom dan jutaan baris sedangkan tabel dimensi lebih kecil dan menunjang data deskriptif yang mencerminkan dimensi dari baris. Query SQL kemudian digunakan untuk pendefinisian awal dan digunakan sebagai jalur penghubung antara tabel fakta dan tabel dimensi, dengan bantuan pada data untuk mengembalikan informasi yang terpilih. 2.5.2

Jenis – Jenis Skema Bintang 2.5.2.1 Skema Bintang Sederhana Pada skema bintang sederhana, setiap tabel harus mempunyai primary key yang terdiri atas satu kolom atau lebih. Primary key dari tabel fakta terdiri dari satu atau lebih foreign key.

35   

 

Gambar 2. 10 Skema Bintang Sederhana Pada gambar di atas terlihat hubungan antara tabel fakta dan tabel dimensi. Terdapat satu tabel fakta dan tiga tabel dimensi. Tabel fakta memiliki primary key yang terdiri dari tiga foreign key yaitu key-1, key-2, key-3, yang masing – masing merupakan primary key pada ketiga tabel dimensi yang ada. Terjadi hubungan many to one antara foreign key pada tabel fakta dengan primary key pada tabel dimensi. 2.5.2.2 Skema Bintang dengan Beberapa Tabel Fakta Skema bintang juga dapat terdiri dari beberapa tabel fakta. Hal ini terjadi karena pada tabel fakta berisi kenyataan yang tidak saling berhubungan atau dikarenakan perbedaan waktu pemuatan data. Skema bintang juga dapat meningkatkan kinerja (performance), terutama jika data tersebut dalam jumlah yang besar. Skema bintang dengan banyak tabel fakta terlihat seperti pada gambar di bawah ini:

36   

 

Gambar 2. 11 Skema Bintang dengan Beberapa Tabel Fakta 2.6

Skema Snowflake Menurut Connolly dan Begg (2002, p1080), skema snowflake adalah bentuk lain dari skema bintang, tabel dimensi tidak berisi data yang didenormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya. Ciri – ciri snowflake adalah : 1. Tabel dimensi dinormalisasi dengan dekomposisi pada level atribut. 2. Setiap dimensi mempunyai satu key untuk setiap level pada hirarki dimensi. 3. Kunci level terendah menghubungkan tabel dimensi dengan tabel fakta dan tabel atribut berlevel rendah.

37   

 

Gambar 2. 12 Skema Snowflakes 2.7

Denormalisasi Berdasarkan Poe (1996, p137),  denormalisasi adalah proses penggabungan tabel agar meningkatkan performance yang ada. Ini merupakan sebuah proses yang melanggar aturan bentuk normal dalam proses normalisasi. Alasan melakukan denormalisasi: •

Mengurangi jumlah dari hubungan yang terjadi antara tabel – tabel, yang menyebabkan harus mengalami proses pada waktu dilakukan pencarian.

•

Untuk membuat struktur fisik dari database semakin mendekati model dimensi dari pemakai.

•

Membuat struktur tabel sesuai dengan yang ingin dinyatakan oleh pemakai, memungkinkan terjadinya akses langsung. Sedangkan kelemahan yang timbul bila memakai konsep denormalisasi

tentunya memerlukan memory space (tempat penyimpanan) yang besar sehingga hal ini secara tidak langsung akan membuat redudansi data.

38   

2.8

OLAP (On-line Analytical Processing) Menurut Connoly dan Begg (2005, p1205) OLAP (On-line Analytical Processing) adalah perpaduan dinamis, analisis, dan konsolidasi dari data multidimensional yang besar. Menurut Inmon (2005, p533) OLAP merupakan departemen pengolahan untuk mart dan lingkupan. Menurut Ponniah (2001, p352) karakteristik OLAP adalah: a.

Pengguna memiliki multidimensional dan logical view dari data di dalam data warehouse.

b.

Memfasilitasi query yang interaktif dan analisis yang kompleks kepada pengguna .

c.

Memungkinkan pengguna untuk menelusuri detail yang lebih baik atau untuk menelusuri agregasi dari matriks sepanjang dimensi bisnis tunggal atau di beberapa kumpulan dimensi.

d.

Menyediakan kemampuan untuk melakukan perhitungan rumit dan perbandingan.

e.

Menyajikan hasil dalam beberapa cara, seperti chart atau grafik. Jadi, OLAP adalah analisis data multidimensional yang besar yang

digunakan untuk mengolah mart serta lingkupannya secara dinamis.

39   

2.9

ETL (Extract, Transform, Loading) Menurut Inmon (2005, p497) Extract, Transform, Loading (ETL) adalah “the process of finding data, integrating it, and placing it in a data warehouse”. Proses ETL mengambil data dari source systems menggunakan query. ETL berkoneksi dengan source system database dan mengambil data dengan query. Setelah data hasil query diambil langkah selanjutnya dilakukan eksekusi proses ETL dan mengirimkannya ke database data warehouse. ETL (Extract, Transform, and Load) adalah proses – proses dalam data warehouse yang meliputi: a. Mengekstrak data dari sumber – sumber eksternal. b. Mentransformasikan data ke bentuk yang sesuai dengan keperluan. c. 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 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 yang historis, terpadu, terangkum, statis, dan memiliki struktur yang dirancang untuk keperluan proses analisis.

40   

2.9.1

Extract Langkah pertama pada proses ETL adalah mengekstrak data dari sumber

–

sumber

data.

Kebanyakan

proyek

data

warehouse

menggabungkan data dari sumber – sumber yang berbeda. Sistem – sistem yang terpisah sangat mungkin menggunakan format data yang berbeda. Ekstraksi adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. Pada hakekatnya proses ekstraksi adalah proses penguraian dari data yang diekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka data tidak dimasukkan ke dalam data warehouse. 2.9.2

Transform Tahapan transformasi menggunakan serangkaian aturan – aturan atau fungsi – fungsi ke dalam data yang telah diekstraksi, yang akan menentukan bagaimana data akan digunakan untuk analisis dan dapat melibatkan transformasi seperti penjumlahan data, data encoding, penggabungan data, pemisahan data, kalkulasi data, dan pembuatan surrogate key. Data akan disimpan dalam bentuk detail dan ringkasan untuk menyediakan fleksibilitas dalam memenuhi kebutuhan informasi yang beragam pada pengguna. Data tersebut kemudian dihubungkan dengan surrogate key (sebuah key yang menghubungkan struktur data warehouse

41   

dan terpisah dari sistem sumber) dan diagregasi untuk mempercepat proses analisis. Output dari transformasi adalah data yang telah bersih dan konsisten dengan data yang tersimpan pada warehouse, dan lebih jauh lagi adalah dalam bentuk yang telah siap untuk dianalisis oleh pengguna dari data warehouse. 2.9.3

Loading Loading data ke dalam data warehouse dapat terjadi setelah semua transformasi dilakukan atau sebagai bagian dari proses transformasi. Ketika data dimasukkan ke dalam data warehouse, batasan – batasan tambahan yang didefinisikan di dalam skema database dan trigger diaktivasi ketika loading data akan dilakukan, yang juga akan memberikan kontribusi pada keseluruhan kualitas performa dari proses ETL. Jangka waktu proses loading bergantung pada kebutuhan organisasi. Jadi, ETL adalah proses – proses dalam data warehouse yang bertujuan

untuk

mengumpulkan,

menyaring,

mengolah,

dan

menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse dengan menggunakan query.

42   

2.10

Metadata Metadata adalah data dari data. Menurut Inmon (2005, p102) metadata adalah sebuah komponen penting dalam data warehouse, yang telah menjadi bagian dari pengolahan informasi selama ada program dan data. Di dalam dunia data warehouse, metadata berada dalam level yang penting, yaitu mempengaruhi tujuan paling efektif dalam data warehouse. Dengan bantuan metadata, end user dapat dengan cepat menuju data yang penting atau menentukan bahwa data tersebut tidak ada. Metadata

juga bertindak seperti indeks dari sebuah data

warehouse. Menurut Connoly dan Begg (2005, p1159) metadata juga bisa digunakan untuk hal-hal berikut ini: a. Proses pengambilan dan pemuatan data (metadata digunakan untuk memetakan sumber data ke dalam suatu view data di dalam warehouse). b. Proses manajemen warehouse (metadata digunakan untuk otomatisasi produksi dari tabel rangkuman). c. Sebagai bagian dari proses manajemen query (metadata digunakan untuk mengarahkan sebuah query ke sumber data yang paling tepat). 2.11

Data Mart Menurut Connolly dan Begg (2005, p1171) data mart adalah subyek dari data warehouse yang mendukung kebutuhan suatu departemen atau fungsi bisnis. Sedangkan menurut Inmon (2005, p370) data mart adalah struktur data yang didedikasikan untuk memenuhi kebutuhan analisis sekelompok orang, seperti departemen akuntansi atau departemen keuangan.

43   

Menurut Inmon (2005, p371) data mart terdiri dari dua tipe yaitu independent data mart dan dependent data mart. Independent data mart adalah data mart yang dibangun langsung dari aplikasi turunannya. Sedangkan dependent data mart adalah suatu data mart yang dibangun dari data yang berasal dari data warehouse. 2.12

Granularity Menurut Inmon (2005, p41) granularity adalah masalah desain paling penting dalam data warehouse. Karena mempengaruhi volume data yang berada di dalam data warehouse berbanding terbalik dengan level detail dari sebuah query. Semakin kecil level dari granularity, semakin fleksibel data yang dikeluarkan. Semakin tinggi level granularity, data yang dikeluarkan malah semakin tidak tetap.

2.13

Business Intelligence 2.13.1 Definisi Business Intelligence Menurut Turban, et. al (2007, p24), business intelligence adalah kerangka kerja konseptual untuk mendukung keputusan bisnis. Business intelligence menggabungkan arsitektur, basis data atau data warehouse, analytical tools dan aplikasi. Menurut

Forrester

Research,

business

intelligence

adalah

serangkaian metodologi, proses, arsitektur, dan teknologi yang mengubah data mentah menjadi informasi yang bermakna dan berguna untuk

44   

menambah wawasan tactical dan operasional serta untuk pengambilan keputusan. (http://en.wikipedia.org/wiki/Business_intelligence). Jadi, business intelligence adalah serangkaian metodologi, arsitektur, dan teknologi yang mengubah data menjadi informasi yang berguna untuk mendukung keputusan bisnis perusahaan. 2.13.2 Arsitektur Business Intelligence Menurut Vercellis (2009, p9), arsitektur dari sebuah business intelligence system, terdiri dari enam komponen utama yaitu: 1. Data sources Pada tahap pertama, diperlukan suatu proses untuk mengumpulkan dan mengintegrasikan data yang disimpan dalam berbagai sumber yang bervariasi, yang mana saling berbeda baik itu asal maupun jenisnya. Sumber ini kebanyakan berasal dari data yang terdapat pada operational systems, tetapi bisa juga berasal dari dokumen yang tidak terstruktur seperti email dan data yang dikirimkan oleh pihak luar. 2. Data warehouse dan data marts Dengan menggunakan extraction dan transformation tool yang dikenal sebagai ETL (extract, transform, load), data yang berasal dari berbagai sumber yang berbeda disimpan ke dalam database yang ditujukan untuk mendukung analisis business intelligence. Database inilah yang biasanya dikenal dengan sebutan data warehouse dan data marts.

45   

3. Data exploration Pada level ketiga ini, tool yang berfungsi untuk keperluan analisis business intelligence pasif digunakan. Tool ini terdiri dari query dan reporting systems, serta statistical methods. Metodologi ini bersifat pasif karena para pengambil keputusan harus mengambil keputusan berdasarkan hipotesis mereka sendiri atau mendefinisikan kriteria dari data extraction, kemudian menggunakan

tools

analisis

untuk

menemukan

jawaban

dan

mencocokkannya dengan hipotesa awal mereka. 4. Data mining Level keempat ini terdiri dari sejumlah metodologi business intelligence yang bersifat aktif yang tujuannya adalah untuk mengekstrak informasi dan pengetahuan dari data. Metodologi ini berisi sejumlah model matematika untuk pengenalan pola, pembelajaran mesin, dan teknik data mining. Tidak seperti tool yang digunakan pada level sebelumnya, model dari business intelligence yang bersifat aktif ini tidak mengharuskan para pengambil keputusan untuk mengeluarkan hipotesis apapun. 5. Optimization Pada level ini, solusi terbaik harus dipilih dari sekian alternatif yang ada, biasanya sangat banyak dan beragam. 6. Decisions Pada level terakhir ini yang menjadi persoalan utama adalah bagaimana menentukan keputusan akhir yang akan diambil yang dikenal sebagai

46   

decision making process. Walaupun metodologi business intelligence berhasil diterapkan, pilihan untuk mengambil sebuah keputusan ada pada para pengambil keputusan. Pertimbangan untuk mengambil keputusan ini biasanya diambil juga dari informasi yang tidak terstruktur serta tidak formal dan memodifikasi rekomendasi serta kesimpulan yang dicapai melalui penggunaan model matematika. 2.13.3 Jenis – Jenis Business Intelligence Menurut Turban, et. al (2007, p257), business intelligence terbagi ke dalam lima jenis yaitu: 1. Enterprise reporting Enterprise reporting digunakan untuk menghasilkan laporan – laporan statis yang didistribusikan ke banyak orang. Jenis laporan ini sangat sesuai untuk laporan operasional dan dashboard. 2. Cube analysis Tools cube yang berbasis pada business intelligence digunakan untuk menyediakan analisis OLTP 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

pada

tingkat

paling

dasar

dari

informasi

transaksional. Query ini berfungsi untuk mengeksplor informasi yang dilakukan oleh user.

47   

4. Statistical analysis and data mining Tools statistic, matematis, dan data mining digunakan untuk melakukan analisis prediksi atau menentukan korelasi sebab akibat diantara dua matrik. Analisis keuangan serta ramalan juga dilakukan pada jenis ini. 5. Report delivery and alerting Mesin distribusi laporan digunakan secara proaktif untuk mengirimkan laporan secara lengkap atau memberikan peringatan kepada populasi user yang besar (internal dan eksternal). Distribusi ini berdasarkan pada jadwal dan event yang disimpan dalam database. 2.13.4 Siklus Hidup Business Intelligence Menurut

www.athena-solutions.com,

siklus

hidup

untuk

pengembangan dan implementasi untuk business intelligence, data warehousing, dan coorporate performance management yaitu: 1. Perancangan proyek, organisasi dan manajemen. 2. Bekerja dengan bisnis untuk mengumpulkan dan menemukan kebutuhan bisnisnya, membuat model data berdasarkan pada kebutuhannya dan mendesain fungsional business intelligence dari kebutuhan yang telah ditemukan. 3. Mendesain model data dan basis data untuk mengimplementasikan model ini.

48   

4. Mengintegrasikan data dari aplikasi yang lain seperti CRM (Customer Relationship Management), ERP (Enterprise Resource Planning), dan Web. 5. Memilih dan menggunakan tools ETL (Extract, Transform, and Load) kepada database yang dibutuhkan. 6. Memilih dan menggunakan tools Business Intelligence dan OLAP (Online Analytical Processing) untuk menyediakan fungsi bisnis yang berguna bagi perusahaan. 2.13.5 Manfaat Business Intelligence Menurut Williams, et. al (2007, p38), business intelligence dapat digunakan untuk memberikan manfaat bagi sebuah bisnis secara umum serta menghasilkan contoh - contoh nyata yang berhubungan dengan fungsi bisnis tersebut. Manfaat tersebut yaitu: 1. Efisiensi transaksi Efisiensi transaksi ini dapat dicapai karena dapat mengubah proses - proses yang tidak terstruktur menjadi proses yang terstruktur dan berulang - ulang. Contohnya adalah model optimisasi pendapatan yang digunakan pada industri hotel dan penerbangan, model optimasi jaringan logistic dan rantai suplai yang digunakan pada industri penyaluran dan jasa.

49   

2. Otomatisasi proses manual Proses – proses yang tadinya dilakukan secara manual dapat dibuat menjadi otomatis karena keberadaan manusia dapat dihilangkan atau digantikan dalam sebuah proses. Contohnya adalah perencanaan operasi dan penjualan, segmentasi pelanggan, perancangan anggaran, analisis perubahan, laporan kinerja, analisis produktivitas. 3. Penerapan teknik analisis Sejumlah mode analisis yang kompleks dapat diintegrasikan ke dalam proses - proses yang ada. Metode analisis ini memiliki kemampuan analisis yang dapat dipercaya untuk dapat digunakan oleh user dengan hanya membutuhkan kurva pembelajaran yang singkat. Contohnya adalah dashboard dan scorecard eksekutif, aplikasi pendeteksi kecurangan dan penilaian kredit, analisis pengaturan kampanye penjualan, ramalan penjualan, segmentasi pelanggan. 4. Pengiriman informasi Business intelligence dapat mengirimkan rincian informasi dalam jumlah yang besar ke dalam sebuah proses. Kumpulan informasi transaksional yang ada pada perusahaan dapat dimanfaatkan untuk mendeteksi penjualan serta mengurangi biaya. Contohnya adalah pengenalan pola dan data mining, analisis rantai suplai, analisis operasi, analisis tren pendapatan, aplikasi manajemen retail.

50   

5. Pelacakan Business intelligence memberikan kebebasan untuk melacak status, input, dan output dari sebuah pekerjaan atau secara terperinci. Sistem pelacakan yang dilakukan secara manual berdasarkan pada lembar kerja dapat digantikan oleh sistem yang bersifat otomatis. Contohnya adalah dashboard, scorecard pemasok, inventori. 2.14

Teori Pendukung 2.14.1 Retailing Menurut Berman dan Joel (2006, p4), retailing adalah aktivitas bisnis yang meliputi penjualan barang – barang dan jasa kepada konsumen untuk kebutuhan pribadi mereka, keluarga, ataupun kebutuhan rumah tangga. Sedangkan menurut Ronald dan Ricky (2009, p169) retailers adalah mereka yang menjual produk secara langsung kepada pelanggan. 2.14.2 Pembelian Menurut Mulyadi (2001, p299), sistem pembelian digunakan dalam perusahaan untuk pengadaan barang yang diperlukan oleh perusahaan. Transaksi pembelian digolongkan menjadi dua yaitu pembelian lokal dan impor. Pembelian lokal adalah pembelian dari pemasok dalam negeri sedangkan pembelian impor adalah pembelian dari pemasok luar negeri. Fungsi yang terkait dalam sistem pembelian adalah:

51   

1. Fungsi Gudang: bertanggung jawab untuk mengajukan permintaan pembelian sesuai dengan posisi persediaan yang ada di gudang dan untuk menyimpan barang yang telah diterima oleh fungsi penerimaan. 2. Fungsi Pembelian: bertanggung jawab untuk memperoleh informasi mengenai harga barang, menentukan pemasok yang dipilih dalam pengadaan barang, dan mengeluarkan order pembelian kepada pemasok yang dipilih. 3. Fungsi Penerimaan: bertanggung jawab untuk memeriksa mutu, jenis, dan kuantitas barang yang diterima dari pemasok guna menentukan dapat tidaknya barang tersebut diterima oleh perusahaan, dan untuk menerima barang dari pembeli yang berasal dari transaksi retur penjualan. Menurut Mulyadi (2001, p301), di dalam prosedur order pembelian, fungsi pembelian mengirim surat order pembelian kepada pemasok yang dipilih dan memberitahukan kepada unit – unit organisasi lain dalam perusahaan (misalnya fungsi penerimaan, fungsi yang meminta barang) mengenai order pembelian yang sudah dikeluarkan oleh perusahaan. Sedangkan dalam prosedur penerimaan barang, fungsi penerimaan melakukan pemeriksaan mengenai jenis, kuantitas, dan mutu barang yang diterima untuk menyatakan penerimaan barang dari pemasok tersebut.

52   

Menurut Mulyadi (2001, p335), retur pembelian adalah barang yang sudah diterima dari pemasok adakalanya tidak sesuai dengan barang yang dipesan menurut surat order pembelian. Hal tersebut terjadi kemungkinan karena barang yang diterima tidak cocok dengan spesifikasi yang tercantum dalam surat order pembelian, barang mengalami kerusakan dalam pengiriman, atau barang diterima melewati tanggal pengiriman yang dijanjikan oleh pemasok. Sistem retur pembelian digunakan dalam perusahaan untuk pengembalian barang yang sudah dibeli kepada pemasoknya. 2.14.3 Service Level Agreement Menurut Hurwitz, et. al (2009, p152), negosiasi SLA (service level agreement) merupakan perpaduan antara teknologi informasi dan bisnis. Beberapa service-level adalah non-negotiable. Teknologi informasi dan bisnis harus bekerja sama untuk membangun SLA tersebut. Tipe SLA meliputi: 1. Lama respon. 2. Ketersediaan pada hari – hari yang ditentukan. 3. Perfect Order. 4. Adanya persetujuan terhadap suatu prosedur apabila terjadi penurunan tingkat layanan yang telah disetujui. 2.14.4 Service Metrics Menurut Ayers dan Odegaard (2008, p137) kebutuhan akan service metrics didorong oleh keinginan untuk men-deliver dan menghasilkan

53   

kualitas pelayanan yang tinggi. Service metrics merepresentasikan indikator – indikator. Indikator – indikator yang digunakan adalah: 1. Order fill rate Order fill rate adalah persentase pemenuhan kuantitas pemesanan barang oleh supplier. Order fill rate merupakan salah satu komponen yang menentukan perfect order. 2. On-time delivery On-time delivery adalah pemenuhan ketepatan pengiriman barang oleh supplier. On-time delivery juga merupakan salah satu komponen dari perfect order 3. Perfect order Perfect order berarti semua barang yang dipesan, dikirim tepat waktu dan dokumen pemesanan yang terkait dilaksanakan dengan sempurna. Perfect order tergantung pada order fill rate dan on-time delivery