BAB 2 LANDASAN TEORI 2.1 Teori Umum Teori umum adalah suatu pernyataan yang dianggap benar secara universal. Teori umum merupakan dasar untuk mengembangkan teori selanjutnya yang lebih khusus (spesifik). Berikut teori umum yang digunakan :
2.1.1 Pengertian Data Inmon (2005, p493) mendefinisikan data sebagai sebuah rekaman fakta, konsep, atau instruksi pada suatu media penyimpanan guna komunikasi, pencarian, dan proses otomatis sehingga dapat dimengerti oleh pemiliknya atau orang lain yang berkepentingan. Sedangkan Turban, Rainer, dan Potter (2006, p52) mengartikan data sebagai deskripsi dasar dari benda, peristiwa, aktivitas, dan transaksi yang direkam, dikelompokkan, dan disimpan, namun tidak diatur guna mengungkapkan makna tertentu. Kemudian Connoly dan Begg (2010, p20), data adalah kompenen yang paling penting dalam database management system, dimana berasal dari sudut pandang end-user dan data bertindak sebagai jembatan yang menghubungkan antara mesin dan user.
2.1.2 Pengertian Informasi Menurut Turban, Rainer, dan Potter (2006, p52), informasi adalah data yang sudah diatur sehingga memiliki arti dan nilai bagi penerima informasi. Sedangkan O’Brien (2010, p34) mendefinisikan informasi sebagai data yang telah diubah menjadi suatu konteks yang memiliki arti dan berguna bagi penerimanya.
2.1.3 Pengertian Database Inmon (2005, p483) mendefinisikan database sebagai suatu koleksi data yang saling berhubungan dan tersimpan (biasanya dengan
7
8
redundansi yang terkendali dan terbatas) berdasarkan suatu skema tertentu. Menurut Connoly dan Begg (2010, p65), database adalah kumpulan data yang saling berhubungan satu sama lain yang digunakan secara bersamaan, dan kumpulan data ini dirancang untuk memenuhi kebutuhan informasi suatu perusahaan. Kemudian O’Brien (2010, p173) mendefinisikan database sebagai kumpulan elemen data yang terintegrasi dan berhubungan secara logis.
2.1.4 Pengertian Data Warehouse Connoly dan Begg (2010, p1197) mengartikan data warehouse sebagai kumpulan data yang berorientasi subjek, terintegrasi, timevariant, dan non-volatile yang mendukung proses pengambilan keputusan manajemen. Sedangkan
O’Brien
(2010,
p191)
mendefiniskan
data
warehouse sebagai kumpulan data yang diekstrak dari database operasional, historis, dan eksternal, yang dibersihkan, diubah, dan dikelompokkan guna identifikasi dan analisis untuk pengambilan keputusan bisnis. Selanjutnya Naoual (2014) menjelaskan data warehouse sebagai database khusus yang mempunyai tugas utama untuk menyediakan akses yang cepat ke data dengan tujuan analisis. Namun dalam beberapa kasus, sangat diperlukan untuk menggunakan sekumpulan data warehouse untuk menghasilkan informasi yang lengkap.
2.1.5 Karakteristik Data Warehouse Karakteristik Data Warehouse
adalah
subject-oriented,
integrated, non-volatile, dan time-variant (Kimball dan Ross, 2010). Keempat karakteristik tersebut saling terkait satu sama lain sehingga semuanya harus diimplementasikan guna menghasilkan suatu data warehouse yang berguna dalam pengambilan keputusan.
9
2.1.5.1
Subject-Oriented Data Warehouse bersifat subject-oriented berarti data warehouse digunakan untuk menganalisa data berdasarkan subjek-subjek tertentu dalam organisasi, bukan berorientasi pada proses atau fungsi aplikasi tertentu, yang dapat mempermudah pengguna dalam pengambilan keputusan.
Gambar 2. 1 Karakteristik Data Warehouse : Subject-Oriented (Sumber : W.H Inmon, 2005, p30) 2.1.5.2 Integrated Data warehouse bersifat integrated artinya data warehouse menyimpan data dari berbagai sumber berbeda yang disimpan ke dalam suatu format yang konsisten dan data tersebut terintegrasi satu sama lain, dimana data-data tersebut merupakan suatu kesatuan sehingga tidak dapat dipisah-pisah. Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara, seperti konsistensi dalam penamaan dan
10
ukuran variabel, konsisten dalam struktur pengkodean, dan konsisten dalam atribut fisik dari data.
Gambar 2. 2 Karakteristik Data Warehouse : Integrated (Sumber : W.H Inmon, 2005, p31) 2.1.5.3 Non-Volatile Data warehouse bersifat non-volatile artinya data di dalam data warehouse tidak dapat diubah. Pengguna (user) tidak dapat mengubah data warehouse yang telah ada. Berbeda dengan database operasional ynag memiliki tiga kegiatan operasi, seperti insert, update, dan delete, data warehose hanya memiliki dua kegiatan yaitu loading dan akses data.
11
Gambar 2. 3 Karakteristik Data Warehouse : Non-Volatile (Sumber : W.H Inmon, 2005, p32) 2.1.5.4 Time-Variant Data warehouse bersifat time-variant artinya data di dalam data warehouse selalu akurat dalam periode tertentu. Karakteristik dasar data dalam data warehouse sangat berbeda dengan data dalam Online Transaction Processing (OLTP), dimana data hanya akurat sesaat setelah
data
diakses.
Sedangkan
data
pada
data
warehouse, data akurat selama periode waktu tertentu, makan dikatakan memiliki varian waktu (time-variant). Aspek yang menunjukkan karakteristik time-variant dalam data warehouse adalah sebagai berikut :
Gambar 2. 4 Karakteristik Data Warehouse : Time-Variant (Sumber : W.H Inmon, 2005, p35)
12
2.1.6 Arsitektur Data Warehouse Menurut Connoly dan Begg (2010, p1204), arsitektur data warehouse digambarkan sebagai berikut :
Gambar 2. 5 Typical Architecture of Data Warehouse (Sumber Connoly dan Begg, 2010, p1204) 2.1.6.1 Operational Data Sumber data untuk data warehouse berasal dari (Connoly dan Begg, 2010, p1203) : • Mainframe operasional data yang memegang kendali di hierarki generasi pertama dan di database jaringan. • Departemental
data
yang
memegang
kendali
di
kepemilikan sistem file seperti VSAM, RMS, dan relational DBMS. • Private data yang memegang kendali di workstation dan private server. • External system seperti internet, database komersial yang tersedia atau database yang berhubungan dengan organisasi pelanggan.
13
2.1.6.2 Operational Data Store (ODS) Operational Data Store (ODS) adalah suatu media penyimpanan untuk data operasional saat ini yang terintegrasi
dan
digunakan
untuk
analisis.
ODS
menyediakan data dengan cara yang sama seperti data warehouse, tetapi sesungguhnya bertindak secara sederhana sebagai tempat penampungan data sementara untuk dipindahkan ke data warehouse. ODS diciptakan ketika sistem operasional tidak mampu mencapai kebutuhan sistem pelaporan. ODS menyediakan manfaat yang berguna dari suatu relasional database dalam mengambil keputusan yang mendukung fungsi data warehouse.
2.1.6.3 Load Manager Load Manager melakukan semua operasi yang berhubungan dengan extract dan load data ke dalam data warehouse. Data dapat di-extract secara langsung dari sumber data atau lebih umumnya berasal dari ODS.
2.1.6.4 Warehouse Manager Warehouse Manager melakukan semua operasi yang berhubungan dengan pengelolaan data di dalam warehouse. Operasi yang dilakukan oleh warehouse manager antara lain : • Analisa terhadap data untuk memastikan konsistensi. • Transformasi dan penggabungan sumber data dari tempat penyimpanan
sementara
menjadi
tebel-tabel
data
warehouse. • Pembuatan index dan view berdasarkan tabel-tabel dasar. • Menghasilkan denormalisasi (jika diperlukan) • Menghasilkan agregasi (jika diperlukan) • Backup dan archieve data.
14
2.1.6.5 Query Manager Query manager
melakukan
operasi
yang
berhubungan dengan manajemen dari pengguna query. Operasi yang dilakukan oleh query manager seperti pengarahan query pada tabel yang sesuai dan penjadwalan pelaksanaan query. Dalam beberapa kasus, query manager juga menghasilkan profil query yang memungkinkan warehouse manager menentukan kesusuaian indeks dan agregasi.
2.1.6.6 Detailed Data Area ini menyimpan semua data detil di dalam skema database, yang bertujuan untuk melengkapkan kumpulan data untuk data warehouse. Dalam banyak kasus, data yang terperinci tidaklah disimpan secara online tetapi dapat disediakan melalui agregasi data pada tingkatan detil berikutnya.
2.1.6.7 Lightly and Highly Summarized Data Area ini menyimpan semua lightly dan highly summarized data yang dihasilkan oleh warehouse manager. Area ini adalah tempat penampungan sementara sebelum dilakukan perubahan secara berkelanjutan untuk merespon perubahan profil query. Tujuan ringkasan informasi ini adalah untuk mempercepat penyampaian query.
2.1.6.8
Achieve / Backup Data Area warehouse yang menyimpan data detil dan ringkasan data dengan tujuan sebagai arsip dan backup data. Data ditransfer ke penyimpanan arsip seperti magnetic tape atau optical disk.
2.1.6.9 Metadata Area warehouse ini menyimpan semua definisi metadata (data mengenai data) menggunakan semua proses
15
yang ada pada data warehouse. Metadata digunakan untuk beberapa tujuan : • Proses ekstraksi dan loading Metadata digunakan untuk memetakan data source menjadi bentuk data yang lebih umum dalam warehouse. • Proses manajemen warehouse Metadata digunakan untuk mengotomatisasi produksi dari tabel ringkasan. • Bagian dari proses manajemen query Metadata digunakan untuk query secara langsung pada sumber data yang paling sesuai.
2.1.6.10 End-User Access Tools Pengguna akan berinteraksi dengan data warehouse guna mendukung pengambilan keputusan melalui end-user access tool. Lima kelompok utama dari end-user access tool adalah : • Reporting dan Query Tools Reporting tool meliputi production reporting tool dan report writer. Production reporting tool digunakan untuk menghasilkan laporan operasional regular. Report writer adalah desktop tool yang dirancang untuk end-user. Query tool untuk data warehouse dirancang untuk menerima SQL atau menghasilkan pernyataan SQL untuk proses query data yang tersimpan dalam warehouse. • Application Development Tools Aplikasi yang dapat digunakan user yaitu graphical data access yang dirancang untuk client server. Beberapa application development tools terintegrasi dengan OLAP tools dan mengakses semua sistem database utama.
16
• Executive Information System (EIS) Tools Executive Information System mendukung pengambilan keputusan semua tingkat menajemen. EIS tools yang terhubung dengan mainframe memungkinkan pengguna membuat aplikasi pendukung pengambilan keputusan untuk menyediakan overview data organisasi dan mengakses sumber data eksternal. • Online Analytical Processing (OLAP) Tools OLAP tools berbasis pada konsep multidimensional database
dan
memperbolehkan
pengguna
untuk
menganalisis data dengan menggunakan view yang kompleks
dan
mengasumsikan
multidimensional bahwa
data
view.
diatur
Tool
dalam
ini
model
multidimensi yang didukung oleh multidimensional database (MDDB) atau oleh relational database yang dirancang untuk mendapatkan multidimensional queries. • Data Mining Tools Data mining adalah proses menemukan korelasi, pola, dan arah baru yang mempunyai arti dengan mining sejumlah besar data dengan menggunakan teknik statistic, matematika, dan Artificial Intelligence (AI). Data
mining
memiliki
potensi
untuk
mengganti
kemampuan dari OLAP tools.
2.1.7 Struktur Data Warehouse Dalam struktur data warehouse terdapat older level of detail, current level of detail, level of summarized data (level data mart), dan level of highly summarized data. Aliran data pada data warehouse berasal dari lingkungan operasional. Biasanya transformasi yang signifikan terjadi dari data yang ada di level operasional menuju ke level data warehouse. (Kimball dan Ross, 2010)
17
Gambar 2. 6 Struktur Data Warehouse (Sumber Kimball dan Ross, 2010) 2.1.7.1
Older Detail Data Older detail data merupakan data back-up yang jarang diakses. Data back-up seperti ini biasanya disimpan pada media penyimpanan yang berbeda. Penyusunan direktori dilakukan berdasarkan urutan umur data sehingga data dapat tersusun rapi dan mempermudah melakukan akses selanjutnya.
2.1.7.2 Current Detail Data Current Detail Data menggambarkan detil data yang aktif pada saat ini dan keadaan yang sedang berjalan. Data jenis ini memerlukan media penyimpanan yang besar dan merupakan data yang sering diakses. Current Detail Data cepat
diakses,
pemeliharaanya.
tetapi
mahal
dan
kompleks
dalam
18
2.1.7.3 Lightly Summarized Data Lightly summarized data merupakan ringkasan data dari current detail data. Di dalam tahap ini, data belum dapat digunakan untuk pengambilan keputusan karena data masih belum bersifat total summary, yang artinya data masih bersifat detil. Akses terhadap data jenis ini biasanya digunakan untuk memantau kondisi yang sedang dan sudah berjalan.
2.1.7.4 Highly Summarized Data Highly summarized data merupakan data yang bersifat total summary. Pada level ini, data sangat mudah diakses terutama untuk melakukan analisis perbandingan data
berdasarkan
urutan
waktu
dan
analisis
yang
menggunakan data multidimensi. Data multidimensi adalah suatu teknologi software komputer yang dirancang untuk meningkatkan efisiensi dalam query data sehingga menjadi media penyimpanan yang lebih baik, serta memudahkan pengambilan data dalam jumlah besar.
2.1.7.5 Metadata Menurut Kimbal dan Ross (2004, p393), metadata adalah data mengenai deskripsi dari struktur, isi, kunci, indeks,
dan
lain-lain
mengenai
data.
Syarat-syarat
pembuatan metadata adalah : • Struktur data yang dikenal programmer • Struktur data yang dikenal analis DSS • Sumber data yang membantu data warehouse • Transformasi data ketika dilewatkan ke data warehouse • Model data • Hubungan antara model data dan data warehouse • History dari extracts.
19
2.1.8 Kimball Lifecycle Kimball dan Ross (2010, p97) menjelaskan mengenai Kimball Lifecycle atau yang dikenal dengan Business Dimensional Lifecycle.
2.1.8.1 Choose the Process Memilih proses berarti menentukan subjek utama. Subjek utama
merujuk pada
suatu kegiatan bisnis
perusahaan yang dapat menjawab semua pertanyaan bisnis yang penting serta memiliki ciri-ciri tertentu.
2.1.8.2 Choose the Grain Memilih grain berarti menentukan apa yang akan diwakili atau dipresentasikan oleh sebuah tabel fakta. Setelah menentukan grain dari tabel fakta, selanjutnya dapat ditentukan tabel-tabel dimensi yang berhubungan dengan tabel fakta tersebut. Grain pada tabel fakta juga menentukan grain tabel dimensi.
2.1.8.3 Identify and Conform the Dimensions Mengidentifikasi dan menghubungkan tabel dimensi dengan tabel fakta. Dimensi merupakan kumpulan sudut pandang yang penting untuk menggambarkan fakta-fakta yang terdapat pada tabel fakta.
2.1.8.4 Choose the Facts Grain dari suatu tabel fakta menentukan fakta-fakta yang bisa digunakan. Pada tahap ini, tentukan measure yang dibutuhkan pada tabel fakta.
2.1.8.5 Store Precalculations in the Fact Table Pada tahap ini, hasil perhitungan pada suatu atribut perlu dipertimbangkan untuk disimpan di database. Hal ini untuk mengurangi risiko kesalahan pada program setiap kali melakukan perhitungan pada atribut-atribut tersebut.
20
2.1.8.6 Round Out the Dimension Tables Dari dimensi-dimensi yang telah diidentifikasi, dibuat deskripsi yang memuat informasi terstruktur mengenai atribut-atribut pada tabel dimensi. Tabel dimensi tersebut harus diberi keterangan secara lengkap dan mudah dipahami oleh pengguna.
2.1.8.7 Choose the Durations of the Database Durasi waktu dari data-data yang akan dimasukkan ke dalam data warehouse akan ditentukan pada tahap ini. Misalnya, data perusahaan dua tahun lalu atau lebih diambil dan dimasukkan ke dalam tabel fakta.
2.1.8.8 Determine the Need to Track Slowly Changing Dimensions Dimensi dapat berubah dengan lambat dan menjadi sebuah masalah. Terdapat tiga tipe dasar dari perubahan dimensi yang lambat, yaitu : • Menulis ulang atribut yang berubah • Membuat record baru pada dimensi • Membuat suatu atribut alternatif untuk menampung nilai yang baru.
2.1.8.9 Decide the Physical Design Pada tahap ini, dilakukan perancangan fisik dari data warehouse. Selain itu, penentuan masalah-masalah yang mungkin ada pada perancangan fisik.
2.1.9
Granularity Menurut Inmon (2005, p41), granularity adalah suatu tingkat yang menunjukkan seberapa detail unit data di dalam data warehouse. Semakin detail suatu unit data, maka akan semakin rendah tingkat granularity-nya. Semakin ringkas suatu unit data, maka akan semakin tinggi tingkat granularity-nya.
21
Granularity merupakan permasalahan utama dalam desain lingkungan data warehouse karena berpengaruh besar pada volume data yang terletak di dalam data warehouse.
Gambar 2. 7 Level Granularity dalam Data Warehouse (Sumber Inmon, 2005, p44) 2.1.10
Keuntungan Data Warehouse Menurut Connoly dan Begg (2010, p1198), implementasi data warehouse yang tepat dapat memberikan keuntungan-keuntungan antara lain : •
Potensi nilai kembali yang besar pada investasi Organisasi harus mengeluarkan uang dan sumber daya dalam jumlah yang besar untuk memastikan bahwa data warehouse telah diimplementasikan dengan baik. Biaya yang dikeluarkan tergantung dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse digunakan, kemungkinan didapatkan ROI (Return on Investment) akan relatif lebih besar.
22
•
Keuntungan kompetitif Keuntungan kompetitif didapatkan apabila pengambil keputusan mengakses data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui atau tidak tersedia.
•
Meningkatkan
produktifitas
para
pengambil
keputusan
perusahaan Data warehouse dapat meningkatkan produktifitas pengambil keputusan perusahaan dengan menciptakan sebuah database yang terintegrasi secara konsisten, berorientasi pada subjek, dan data historis. Data warehouse akan mengintegrasikan data dari beberapa sumber yang tidak kompetibel ke dalam bentuk yang dapat menyediakan satu pandangan yang konsisten dari organisasi sehingga pengambil keputusan dapan melakukan analisa secara akurat.
2.1.11
Star Schema Menurut Connoly dan Begg (2010, p1227), star schema atau yang dalam Bahasa Indonesia berarti skema bintang adalah data model dimensional yang memiliki tabel fakta di tengah-tengah dan dikelilingi oleh tabel dimensi yang berisi referensi data. Sedangkan Inmon (2005, p389) mendefinisikan skema bintang merupakan sebuah struktur data dimana data tersebut didenormalisasi untuk memaksimalkan tingkat akses sebuah data. Selanjutnya Singh (2015) mendefinisikan star schema sebagai design data warehouse paling sederhana. Bentuk dari star schema adalah fact table di tengah dan dimension table di sekelilingnya.
23
Gambar 2. 8 Star Schema (Sumber Connolly dan Begg, 2010, p1228 ) 2.1.12
Snowflake Schema Menurut Connoly dan Begg (2010, p1229), snowflake schema adalah sebuah model data dimensional yang terdiri dari tabel fakta yang diletakkan di tengah-tengah dan dikelilingi oleh tabel dimensi yang sudah mengalami normalisasi. Pada snowflake schema, sebuah tabel dimensi dapat mempunyai tabel dimensi lainnya. Selanjutnya Srivastava (2014) menjelaskan snowflake schema sebagai jenis dari teknik data modelling. Snowflake schema adalah perkembangan dari star schema. Snowflake schema digambarkan dengan satu tabel fakta yang dikelilingi oleh tabel dimensi dan tabel dimensi dapat berkolerasi dengan tabel dimensi lainnya.
24
Gambar 2. 9 Snowflake Schema (Sumber Connolly dan Begg, 2010, p1229 ) 2.1.13
Starflake Schema Starflake schema menurut Connoly dan Begg (2010, p1230) adalah sebuah struktur hybrid yang berisi gabungan dari star schema dan snowflake schema. Beberapa tabel dimensi dapat disajikan dalam bentuk star schema maupun snowflake schema untuk memenuhi kebutuhan query yang berbeda-beda.
Gambar 2. 10 Starflake Schema (Sumber Connolly dan Begg, 2010)
25
2.1.14
ETL (Extract, Transform, Load) Process Menurut Kimball dan Ross (2002, p401), ETL adalah kumpulan proses untuk menyampaikan data dan sumber operasional untuk
data
warehouse.
Proses
ini
terdiri
dari
extraction,
transformation, load, dan beberapa proses yang dilakukan sebelum dipublikasikan ke dalam data warehouse.
2.1.14.1 Extraction Menurut
Connoly
dan
Begg
(2010,
p1208),
extraction adalah tahapan dimana mengambil data dari sumber data bagi environment data warehouse, sumber ini biasanya terdiri dari database OLTP dan juga bisa terdapat beberapa sumber lainnya.
2.1.14.2 Transformation Connoly dan Begg (2010, p1208) mendefinisikan transformation
sebagai tahapan yang menggunakan
beberapa peraturan atau fungsi dari data yang sudah diambil dan mengukur bagaimana data tersebut dapat digunakan untuk analisis dan dapat meliputi transformasi.
2.1.14.3 Load Connoly dan Begg (2010, p1209) mengartikan loading sebagai tahap untuk memasukkan data yang sudah mengalami proses transformasi ke dalam data warehouse.
2.1.15
Online Transaction Processing (OLTP) Menurut Kimball dan Ross (2002, p408), OLTP adalah deskripsi awal dari setiap aktivitas dan sistem yang berhubungan dengan proses input data ke dalam database. Sedangkan Connoly dan Begg (2010, p1196) mendefinisikan OLTP sebagai suatu sistem yang dirancang untuk menangani transaksi dengan jumlah yang tinggi, dengan transaksi yang pada umumnya membuat perubahan kecil bagi data operasional organisasi, yaitu data
26
yang membutuhkan organisasi untuk menangani operasinya seharihari. Kemudian Inmon (2005, p500) mengartikan OLTP sebagai lingkungan pemrosesan transaksi yang memiliki performa tinggi.
2.1.16
Online Analytical Processing (OLAP) Menurut Kimball dan Ross (2002, p408), OLAP adalah kumpulan aturan yang menyediakan kerangka dimensional yang dapat mendukung sebuah keputusan. Kemudian Connoly dan Begg (2010, p1250) mendeskripsikan OLAP sebagai sebuah teknologi yang menggunakan gambaran multidimensi sejumlah data untuk menyediakan akses yang lebih cepat untuk keperluan analisis lanjutan. Sementara Vercellis (2009, p60), dalam beberapa kasus, analisis OLAP didasarkan pada konsep hierarki untuk menyatukan data dan untuk membuat logical view sepanjang dimensi data warehouse. Sebuah konsep hierarki menjelaskan sebuah kumpulan data dari tingkat konsep yang rendah ke tingkat konsep yang tinggi.
2.1.16.1 Roll-Up Operasi roll-up atau dikenal juga dengan drill-up terdiri dari sebuah kesatuan data dalam cube, dimana cube tersebut dapat didapatkan dengan dua cara : •
Bergerak menuju ke tingkat di atasnya melalui dimensi tunggal yang didefinisikan melalui satu konsep hierarki. Sebagai contoh, untuk dimensi {lokasi}, user dapat berpindah dari tingkat {kota} menuju tingkat {provinsi} dan menjumlahkan datadata {kota} yang terletak pada {provinsi} yang sama dengan menggunakan group-by query.
27
Gambar 2. 11 Ilustrasi roll-up (Sumber Vercellis, 2009) •
Mengurangi satu dimensi. Misalnya, penghapusan dimensi {waktu} mengarah ke penggabungan data dari seluruh periode {waktu} di dalam sebuah cube.
2.1.16.2
Drill-Down Operasi drill-down atau bisa disebut juga roll-down merupakan operasi yang berlawanan dengan roll-up. Drilldown memungkinkan navigasi dari sebuah cube dari informasi yang digabungkan dan disatukan menjadi informasi yang lebih rinci. Sebuah operasi drill-down dapat dihasilkan dengan dua cara : •
Berpindah menuju tingkat yang lebih rendah melalui sebuah hierarki dimensi tunggal. Misalnya, dalam kasus dimensi {lokal}, user bisa berpindah dari tingkat {provinsi} menuju tingkat {kota} dan memisahkan data-data {kota} dimana berdasarkan {provinsi} yang sama.
•
Menambahkan satu dimensi. Sebagai contoh, penambahan dimensi {waktu} mengarah kepada pemisahan data berdasarkan waktu-waktu yang tersedia dalam sebuah cube.
28
2.1.16.3 Slice and Dice Melalui operasi slice, nilai dari sebuah atribut dipilih dan ditetapkan dalam sebuah dimensi. Kemudian, operasi dice akan mengambil sebuah cube dengan memilih beberapa dimensi secara bersamaan.
2.1.16.4 Pivot Operasi pivot atau disebut juga dengan rotation menghasilkan sebuah rotasi sumbu; menukar beberapa dimensi untuk mendapatkan sudut pandang yang berbeda dari sebuah cube.
2.2
Teori Khusus Teori khusus merupakan teori yang berkaitan dengan sejumlah faktafakta yang bersifat particular dan menjelaskan fakta-fakta dalam hubungannya satu dengan lainnya. Dengan kata lain, teori khusus akan berhubungan dengan topik yang dibahas. Berikut adalah teori khusus yang digunakan :
2.2.1
Use Case Diagram Use case menurut Satzinger et al., (2010, p242) merupakan suatu aktivitas yang dilakukan sistem, biasanya merupakan sebuah respon untuk permintaan dari pengguna sistem. Ranjini (2011) mendefinisikan use case sebagai kumpulan skenario yang menggambarkan interaksi antara user dan sistem. Sebuah use case diagram menggambarkan hubungan antara aktor dan use case. Dua komponen utama dari use case diagram adalah use case dan aktor. Satzinger et al., (2010, p243) menjelaskan bahwa aktor tidak selalu sama dengan sumber dari peristiwa di event table karena aktor di use case merupakan orang yang berinteraksi dengan sistem yang mana sistem harus meresponnya.
29
2.2.2
Entity Relationship Diagram (ERD) Hoffer, Prescot, dan McFadden (2002, p93) mendefinisikan ERD sebagai representasi grafis dari entity relationship model. Relationship model adalah representasi logikal dari data untuk sebuah organisasi atau untuk sebuah area bisnis. Sedangkan Whitten (2004, p295) mengartikan ERD sebagai model
data
yang
menggunakan
beberapa
notasi
untuk
menggambarkan data dalam hubungan antar entitas dan relationship yang digambarkan data tersebut. Kemudian
Al-Btoush
(2015)
mendefinisikan
Entity
Relationship Diagram sebagai langkah awal untuk membangun database dan merupakan langkah yang sangat penting bagi database designer, user, analyst, manager, dan software engineering.
2.2.3
5 Why’s Analysis / Why Why Analysis Why Why Analysis merupakan salah satu metode yang dapat digunakan dalam root cause analysis. Jing (2008) mendefinisikan 5 Why’s Analysis sebagai alat analisis sederhana yang memungkinkan untuk menginvestigasi suatu masalah secara mendalam hingga ke akar penyebab masalah. Why-Why Analysis atau 5 Why’s Analysis menggunakan teknik iterasi dengan bertanya mengapa (why) dan diulang beberapa kali sampai menemukan akar masalahnya.
2.2.4
Pengertian Order Menurut Kamus Besar Bahasa Indonesia (2001, p866), order yang dalam Bahasa Indonesia berarti pemesanan adalah proses, pembuatan, cara memesan (tempat, barang, dan sebagainya).
2.2.5
Pengertian Purchasing Menurut Kamus Besar Bahasa Indonesia (2001, p127), purchasing yang dalam Bahasa Indonesia berarti pembelian adalah proses, cara, perbuatan membeli.
30
Menurut Stevenson (2009, p518), pembelian adalah proses mendapatkan material, bagian-bagian, persediaan, dan layanan yang diperlukan untuk memproduksi sebuah produk atau menyediakan sebuah layanan. Kemudian Render (2011, p414) mendefinisikan pembelian sebagai perolehan barang dan jasa. Definisi pembelian secara umum adalah suatu usaha pengadaan barang atau jasa dengan tujuan untuk digunakan sendiri, kepentingan proses produksi, maupun untuk dijual kembali.
2.2.6
Pengertian Delivery Menurut Kamus Besar Bahasa Indonesia (2001, p572), delivery yang dalam Bahasa Indonesia berarti pengiriman adalah proses, cara, perbuatan mengirimkan.
2.2.7
Pengertian Quality Control Menurut Purnomo (2004), quality control yang dalam Bahasa Indonesia berarti pengendalian kualitas adalah aktivitas pengendalian proses untuk mengukur ciri-ciri kualitas produk, membandingkannya
dengan
spesifikasi
atau
persyaratan,
dan
mengambil tindakan penyehatan yang sesuai apabila ada perbedaan antara penampilan yang sebenarnya dan yang standar. Menurut Reza Nasrullah (1996), pengendalian kualitas merupakan suatu kegiatan untuk memastikan apakah kebijakan dalam hal mutu atau ukuran seberapa dekat sebuah barang atau jasa memiliki kesesuaian dengan standar-standar yang dicantumkan yang dapat tercermin dalam hasil akhir atau pengendalian kualitas dapat dikatakan juga sebagai usaha untuk mempertahankan mutu dan kualitas dari barang yang dihasilkan agar sesuai dengan spesifikasi produk yang telah ditetapkan berdasarkan kebijakan-kebijakan perusahaan.
31
2.2.8
Pengertian Payment Menurut Kamus Besar Bahasa Indonesia (2001, p117), payment yang dalam Bahasa Indonesia berarti pembayaran adalah proses, cara, perbuatan membayar. Menurut Soemarso (2004, p160), pembayaran adalah pembelian akan diikuti pembayaran, kapan suatu pembelian harus dibayar tergantung pada syarat jual beli yang ditetapkan. Disamping pembelian barang dan jasa, pembayaran dapat dilakukan untuk keperluan
lain,
misalnya
mengembalikan
pinjaman
atau
mengembalikan laba kepada pemilik. Sedangkan
Hasibuan
(2001,
p117)
mendefinisikan
pembayaran sebagai berpindahnya hak pemilikan atas sejumlah uang atau dan dari pemabayar kepada penerimanya, baik langsung ataupun melalui media jasa-jasa perbankan.
2.3
Kerangka Berpikir Kerangka berpikir menggambarkan konsep pemecahan sementara dari permasalahan yang telah dirumuskan atau diidentifikasi. Kriteria utama suatu kerangka berpikir adalah alur-alur pikiran yang logis dalam membangun suatu kerangka berfikir yang membuahkan kesimpulan. Kerangka berpikir terdiri dari dua, yaitu kerangka berpikir penelitian dan kerangka berpikir pengembangan data warehouse.
2.3.1 Kerangka Berpikir Penelitian Kerangka berpikir penelitian menjelaskan secara garis besar alur berjalannya
sebuah
penelitian.
digambarkan sebagai berikut :
Kerangka
berpikir
penelitian
32
Topic:
Data warehouse
Problems:
Questions:
Objectives:
Kebutuhan informasi manager untuk mendapatkan informasi operasional
Bagaimana cara menampilkan informasi operasional?
Manager mendapatkan informasi operasional melalui multidimensional data model
Kebutuhan informasi manager untuk menganalisa informasi dari beberapa dimensi
Bagaimana rancangan dimensi yang diinginkan?
Mendapatkan informasi yang dapat dianalisa dari beberapa dimensi dengan merancang star schema
Banyaknya data operasional sehingga dibutuhkan waktu untuk melakukan integrasi
Bagaimana cara menggabungkan data operasional yang banyak menjadi satu?
Melakukan proses ETL untuk mengintegrasikan data operasional
Gambar 2. 12 Kerangka Berpikir Penelitian
33
2.3.2 Kerangka Berpikir Pengembangan Data Warehouse Kerangka berpikir pengembangan data
warehouse
menggambarkan proses pembangunan data warehouse. Kerangka berpikir pengembangan data warehouse digambarkan sebagai berikut :
Gambar 2. 13 Kerangka Berpikir Pengembangan Data Warehouse
Pada kerangka berpikir pengembangan data warehouse di atas, terdapat beberapa tahap yang harus dilalui agar data warehouse terbangun. Tahap-tahap tersebut antara lain : 1.
Tahap pengumpulan data Pada tahap ini, dilakukan pengumpulan data yang berkaitan dengan kegiatan pembelian pada PT.Medion Farma Jaya.
2.
ETL Tahap 1 •
Tahap Ekstraksi Data (Data Extraction) ETL Tahap 1 dimulai dari extraction (ekstraksi) dimana data diambil atau diekstrak dari sistem operasional.
•
Tahap Transformasi Data (Data Transformation) Tahap transformasi adalah ketika data mentah hasil ekstraksi disaring dan diubah sesuai kebutuhan bisnis.
34
3.
Tahap data warehouse design •
Tahap data modelling Tahapan ini merancang model data yang akan digunakan sebagai
tempat
penyimpanan
data
yang
sudah
ditransformasi. •
Tahap Data Loading ETL Tahap 2 yaitu Data Loading. Data loading memasukkan data ke dalam data warehouse dan dapat menggunakan sebuah user interface yang dibangun dengan bahasa pemrograman.
4.
OLAP OLAP memungkinkan user untuk dapat melihat data secara multidimensi.
