Bab 2 Tinjauan Pustaka
2. 1 Penelitian Terdahulu Perancangan dan Pembangunan Data Warehouse pada PLN Salatiga menggunakan skema snowflake. Perusahaan Listrik Negara merupakan suatu aset berharga dibidang bisnis yang cukup berkembang dengan baik. Karena begitu banyaknya pelanggan PLN di Salatiga, maka pengolahanya cenderung masih terpisah oleh karena itu usulan mengenai penggunaan data warehouse sangatlah cocok untuk studi kasus pada PLN Salatiga. Beberapa hasil analisa yang dapat dipakai untuk kegiatan PLN Salatiga adalah seberapa besar pendapatan dari beberapa dimensi, yang nantinya akan mempengaruhi dalam pengambilan kebijakan (Handoyo, 2008). Pada penelitian tentang data warehouse berbasis OLAP lain yang berjudul Pembuatan data warehouse Pengukuran Kinerja Proses Belajar Manager di
Universitas Kristen Petra, data
warehouse yang digunakan untuk membantu penyediaan data yang dibutuhkan dalam pengukuran kinerja proses belajar mengajar tersebut. Informasi yang dihasilkan pada data warehouse tersebut adalah kinerja dosen, kinerja mahasiswa, tingkat kelulusan mata kuliah dan summary dari nilai tiap mata kuliah. Proses multidimensional query dilakukan dengan menggunakan pivoting table dan chart. Pengguna dapat memanipulasi data yang tampil pada setiap sumbunya seperti yang dapat dilakukan pada pivot table,
7
8
hanya saja informasi yang ditampilalkan akan berbentuk grafik (Handojo dan Rostianingsih, 2004).
2.2
Data Warehouse Data warehouse adalah kumpulan data dari berbagai
resource, yang terintegrasi, teragregrasi dan terstruktur yang disimpan dalam suatu gudang data (repository) dalam kapasitas besar sehingga memungkinkan user untuk memeriksa history data dan mendukung analisa dengan tujuan dapat digunakan untuk proses pengambilan
keputusan
berdasarkan
analisa
yang
dibuat
(Darmawikarta, Djoni 2003).
Gambar 2.1 Arsitektur Data Warehouse [Darmawikarta, Djoni 2003].
Data warehouse merupakan teknologi yang terbangun atas himpunan konsep baru dan perangkat yang digunakan untuk mendukung aktivitas pekerja pengetahuan seperti manager, eksekutif
9
dan analis sistem. Materi produk teknologi ini digunakan untuk perangkat pengambilan keputusan organisasi. Pendekatan mendasar pembangunan data warehouse adalah tersedianya informasi yang berkualitas untuk organisasi dari sumber data internal dan eksternal yang berada dalam bentuk bervariasi mulai dari data dalam bentuk struktur tradisional sampai dengan data dalam bentuk yang tidak terstruktural seperti tipe data tekstual atau multimedia. Dengan bantuan Data Warehouse, pada sistem CV. Apollo Sakti Motor diharapkan dapat melakukan analisa profitabilitas produk ini akan menjadi begitu penting bagi perusahaan pemakainya, selain itu dapat dijelaskan pemakaian data warehouse pada penelitian ini untuk jangka waktu ke depan dengan record hystoris data pada perusahaan yang bertambah lebih banyak dan lebih besar, maka daya tampung data warehouse akan memenuhi kebutuhan sistem sehingga akan menghemat biaya bagi perusahaan apabila ingin mengembangkan aplikasinya. Pentingnya penggunaan data warehouse adalah mengolah historis data yang komplek (dalam jumlah besar) menjadi informasi yang mudah dipahami dalam bentuk grafik, dan akhirnya dapat menunjang kemudahan bagi perusahaan untuk menganalisa pengukuran profitabilitas terhadap produk-produk yang ada dalam suatu perusahaan distributor menjadi kebutuhan terpenting bagi manajemen perusahaan saat ini pada data warehouse yang ada. Pengertian Data Warehouse dapat bermacammacam namun mempunyai inti yang sama, seperti pendapat beberapa ahli berikut ini. Menurut W.H. Inmon dan Richard D.H.
10
(1999), data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan manajemen. Karakteristik data warehouse menurut Inmon dan Richard, yaitu: a. Integrated (Terintegrasi) Karakteristik yang pertama adalah Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah ke dalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri. Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara seperti konsisten dalam penamaan variabel, konsisten dalam ukuran variabel, konsisten dalam struktur pengkodean, dan konsisten dalam atribut fisik dari data. b. Subject Oriented (Berorientasi Subyek) Data
warehouse
berorientasi
subject
artinya
data
warehouse didesain untuk menganalisa data berdasarkan subjek subjek tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan di sekitar subjeksubjek utama dari perusahaan yang bergerak di bidang perdagangan
(customers,
diorganisasikan
pada
products
area-area
dan
aplikasi
sales) utama
dan
tidak
(customer
invoicing,stock control dan product sales). Hal ini dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang
11
bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data c. Time-variant (Rentang Waktu) Data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan suatu data warehouse dapat menggunakan beberapa cara antara lain: - Cara yang pertama, dengan menggunakan variasi/perbedaan waktu yang disajikan dalam data warehouse baik implicit maupun explicit, secara explicit dengan unsur waktu dalam hari, minggu, bulan, dan sebagainya. Secara implicit misalnya pada saat data tersebut diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu akan tetap ada secara implicit di dalam data tersebut. - Cara yang kedua,variasi waktu yang disajikan data warehouse melalui serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat read-only. d. Non-Volatile Karakteristik keempat dari data warehouse adalah nonvolatile, maksudnya data pada data warehouse tidak memproses update secara real time tetapi di-refresh dari sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan.
12
Berbeda dengan database operasional yang dapat melakukan update, insert dan delete terhadap data yang mengubah isi dari database sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data) dan akses data (mengakses data warehouse seperti melakukan query atau menampilkan laporan yang dibutuhkan, tidak ada kegiatan updating data). Kebutuhan pemanfaatan data warehouse di sejumlah organisasi didasarkan pada dua pertimbangan, pertama kebutuhan operasional, yang mendukung fungsional kegiatan transaksi bisnis setiap hari, optimasi dengan respon yang cepat pada proses transaksi dan representasi bersifat waktu nyata pada identifikasi status bisnis. Kedua kebutuhan informasi, digunakan untuk pengelolaan dan pengendalian bisnis dalam bentuk analisis data untuk pengambilan keputusan status organisasi di masa sekarang dan masa mendatang (Gatziu dan Athanasios,1999). Fungsi utama data warehouse adalah mengambil (termasuk data dari luar yang dibutuhkan, misalnya daftar kode pos dari kantor pos),
mengumpulkan,
mempersiapkan
(transforming,
seperti
membersihkan, mengintegrasikan, decoding), menyimpan (loading), dan menyediakan data untuk pemakai atau aplikasi yang bersifat query atau reporting (read-only), hanya satu data terpercaya ini yang digunakan oleh semua yang membutuhkan (single version of truth), untuk pelaporan, analisa informasi dan mengambil keputusan (analytical application). Sekali data masuk ke dalam data warehouse, data yang memang dirancang dan ditujukan bukan hanya untuk satu atau sejumlah pemakaian yang sudah diketahui, dapat
13
digunakan untuk aplikasi mendatang dan belum pernah sebelumnya terpikirkan, dibandingkan ini dengan pembangunan aplikasi operasional (Darmawikarta, 2003). Jadi, data warehouse merupakan metode dalam perancangan database, yang menunjang DSS (Decission Support System) dan EIS (Executive Information System). Secara fisik data warehouse adalah database, tapi perancangan data warehouse dan database sangat berbeda. Dalam perancangan database tradisional menggunakan normalisasi, sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik. Konsep dasar OLAP bersumber dari kebutuhan untuk efisiensi. Rangkuman atau agregasi data, penjumlahan, rerata, nilai maksimum dan minimum dikalkulasi dan disimpan dalam data cube yang bersifat multidimensional (Song dan Brown, 2002).
Gambar 2.2 Arsitektur OLAP dalam Data Warehouse (Song dan Brown, 2002)
Penjelasan Gambar 2.2 adalah tentang perjalanan data transaksi kemudian diproses menjadi data multidimensional yang
14
diterapkan ke dalam bentuk output visualisai yang kemudian hasilnya langsung dapat dianalisis. Online Analytical Processing atau disingkat OLAP adalah sebuah pendekatan secara cepat menyediakan jawaban-jawaban terhadap query analitik yang multidimensi yang ada. OLAP adalah bagian dari kategori yang lebih global dari pemikiran bisnis, yang juga merangkum hubungan antara pelaporan dan penggalian data. Database yang dikonfigurasikan untuk pelayanan OLAP model data multidimensi, bisa digunakan untuk analisis komplek dan query khusus (ad hoc) dengan suatu laju waktu eksekusi. Mereka meminjam aspek database navigasi dan database hierarki yang lebih cepat daripada yang sefamilinya. Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse adalah database yang saling bereaksi yang dapat digunakan untuk query dan analisis, bersifat orientasi subjek, terintegrasi, time-variant, dan tidak berubah yang digunakan untuk membantu para pengambil keputusan. Data warehouse disertai OLAP dapat menghasilkan output yang dapat digunakan sebagai analisa yang akan sangat membantu perusahaan dalam mengambil keputusan secara tepat dan cepat
15
2.3
Multi Dimensional Database (OLAP) (MDM) atau Multidimensional Modeing merupakan salah
satu pendekatan dari data warehouse yang dibangun berdasarkan metode OLAP (On-Line Analytical Processing) yang memiliki konsep dimensi , hierarki, dan anggota. Agregat dari penerapan konsep tersebut dapat ditampilkan dengan star schema dan snowflake schema design. Dibandingkan dengan konsep database relasional, konsep multidimensional database dapat melakukan analisa dari berbagai sudut dimensi. OLAP menggambarkan sebuah kelas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apabila pada proses transaksi pada umumnya semata-mata adalah pada relational database, OLAP muncul dengan sebuah cara pandang multidimensi data. Cara pandang multidimensi ini didukung oleh teknologi multidimensi database. Cara ini memberikan teknik dasar untuk kalkulasi dan analisa oleh sebuah aplikasi bisnis. OLTP mempunyai karakteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, lagi pula OLTP sangat optimal untuk updating data. OLAP aplikasi digunakan untuk analisa dan mengatur frekuensi level dari agregat (ringkasan jumlah data dalam data warehouse dari yang semula bersifat detail menjadi lebih ringkas agar performa data warehouse lebih cepat). Database biasanya diupdate pada kumpulan data, jarang sekali dari multiple source dan menempatkan kekuatan analisa pada back-end pada operasi aplikasi. Sebab itulah OLAP sangat optimal digunakan untuk analisis.
16
Gambar 2.3 Arsitektur OLAP (Lin dan Donald, 2002)
Pada Gambar 2.3 dijelaskan gambaran OLAP secara visualisasi, yaitu kumpulan dari data-data yang berekstensi berbeda seperti Excel, SQL Server, serta MySQL digabungkan menjadi sebuah kesatuan data warehouse. Data warehouse inilah yang kemudian diolah oleh OLAP data cube menjadi sebuah analisis multidimensional sehingga memudahkan user dalam membaca data untuk proses pengambilan keputusan. Data-data yang terkumpul dari beberapa sumber informasi inilah yang awalnya tersimpan dalam database dan akan lebih berarti apabila disimpan sebagai data warehouse sebagai salah satu cara untuk melakukan pengamatan dan analisis dari beberapa record yang telah tersimpan. Hasil dari analisis data warehouse dapat digunakan oleh pihak manajemen untuk membantu pengambilan keputusan. Dalam jangka panjang, hal ini juga dapat memberikan kontribusi untuk kepentingan Customer Relationship Management. Untuk membantu pengambilan keputusan ini, ada banyak hal yang
17
dapat dilakukan. Salah satunya adalah menggunakan OLAP (Online Analitical Processing). OLAP merupakan sistem yang bertugas untuk mengubah data yang disimpan dalam data warehouse dan mentransformasikan data menjadi struktur multidimensi (cube). Hasilnya nanti juga akan dapat dibuat sebagai sebuah summary report yang multidimensi (Ivanova dan Rachev, 2004). Pada data multidimensi, terdapat operasi-operasi dasar yang digunakan untuk analisa agar mendapatkan data yang diinginkan, yaitu (Prasetyo, dkk, 2010) : a. Rotation / Pivoting Rotation / pivoting merupakan operasi pada OLAP untuk merubah berbagai macam sudut pandang data sehingga perubahan perspektif sudut pandang menjadi lebih mudah, dengan kata lain analisa data dengan merubah posisi atau pivot dimensinya. Operasi ini dilakukan dengan melakukan rotasi atau perputaran untuk tiap-tiap dimensi. Misalnya dilakukan proses rotation / pivoting pada dimensi produk yang diwakili oleh sumbu Y, dimensi waktu yang diwakili oleh sumbu X dan dimensi lokasi diwakili oleh sumbu Z, dimana dimensi lokasi di rotasi dengan dimensi waktu sehingga hasil yang tampak seperti pada Gambar 2.4
18
Gambar 2.4 Proses Rotation/Pivoting (Prasetyo, dkk, 2010)
b. Slice dan Dice Operasi Slicing dan Dicing merupakan kemampuan OLAP untuk melakukan pemilahan subset pada data. Operasi Slice adalah proses pemotongan data pada cube berdasarkan nilai pada satu atau beberapa dimensi. Misalnya data dari seluruh penjualan dari 3 buah dimensi yaitu produk, wilayah, dan waktu dilakukan operasi slice, maka data dari dimensi produk dan lokasi akan ditampilkan berdasarkan dimensi waktu, sehingga OLAP akan menampilkan data semua penjualan untuk semua produk dan semua lokasi untuk tahun 2010. Sedangkan proses dice (Gambar 2.5) adalah pemotongan hasil slice menjadi bagian subset data yang lebih kecil. Misalnya menampilkan data dari seluruh penjualan berdasarkan dimensi waktu, kemudian dilakukan proses dice dengan dimensi lokasi wilayah, sehingga data akan menampilkan data semua produk di salatiga pada tahun tertentu.
19
Gambar 2.5 Proses Dicing (Prasetyo, dkk, 2010)
c. Drill Down dan Roll Up Operasi drill down merupakan kemampuan OLAP untuk melihat suatu subset data secara lebih detail. Proses ini melibatkan proses agregasi data. Sebaliknya, operasi roll up untuk melihat data secara global atau rangkuman (agregasi data pada level yang lebih tinggi). Kedua proses ini memanfaatkan hirarki pada dimensi yang membentuk cube. 2010)
(Prasetyo, dkk,
20
Gambar 2.6 Proses Drill Down dan Roll Up (Prasetyo, dkk, 2010)
Sebenarnya, di dalam proses drill down itu dilakukan proses slice dan dice. Di jaman yang sangat maju dengan teknologinya ini kadang OLAP juga disejajarkan dengan suatu Sistem Pendukung Keputusan (Michael, 1991). Dengan istilah Management Decision System. Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan. Untuk memberikan pengertian yang lebih mendalam, akan diuraikan beberapa definisi mengenai SPK yang dikembangkan oleh beberapa ahli, di antaranya memberikan definisi sebagai berikut, SPK
21
merupakan suatu sistem yang interaktif, yang membantu pengambil keputusan melalui penggunaan data dan model-model keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur (Watson, 1998).
2.4 Skema Data Warehouse 2.4.1 Snowflake Schema
Struktur basis data ini lebih kompleks dari pada star schema, dengan menormalisasi tabel-tabel dimensi yang berukuran besar dengan satu atau lebih kolom yang memiliki duplikasi data. Misal jika tabel dimensi Product dinormalisasi maka akan menghasilkan struktur seperti pada Gambar 2.7
Gambar 2.7 Snowflake Schema [Malinowski, & Zimanyi. 2005]
Tabel dimensi dinormalisasi untuk mengurangi redudansi data (duplikasi),sehingga struktur tabelnya akan lebih ramping. Dengan pengelompokan ini, data akan lebih mudah dibaca dan membantu pengembang aplikasi untuk menata desain antarmuka sistem dan filtering data. Struktur ini akan menghemat kapasitas storage, namun waktu eksekusi data akan lebih lama mengingat jumlah
tabel
dimensi
yang
direlasikan
lebih
banyak
dan
22
membutuhkan tambahan relasi foreign key. Kueri yang terbentuk lebih kompleks, yang mengakibatkan kinerja kueri menurun. Pada penerapan yang lebih umum, tabel dimensi tidak diturunkan dengan lebih banyak tabel dimensi lain atau pengelompokan data diatur secara hard-coded di kode program aplikasinya. Fokus penggunaan data warehouse adalah kecepatan akses dan eksekusi data, bukanlah ukuran data yang lebih kecil atau struktur basis data yang lebih ramping. Sehingga bijaksana dalam menetapkan struktur data star maupun snowflake schema akan menentukan kinerja layanan data warehouse yang dimiliki 2.4.2 Star Schema
Dalam data warehouse, data-datanya akan disimpan dalam tabel fakta dan tabel dimensi. Tabel fakta akan menyimpan data-data utama sementara tabel dimensi mendeskripsikan setiap nilai dari suatu dimensi dan dapat direlasikan ke tabel fakta jika diperlukan. Data fakta merupakan data yang terukur. Untuk lebih menjelaskan data fakta, maka kondisi saat data tersebut diukur turut disampaikan. Data kondisi inilah yang dipetakan dalam bentuk data dimensi. Kondisi yang dipetakan dalam dimensi umumnya berupa kondisi waktu,kondisi
produk
atau
item,
dan
kondisi
geografinya.
Mendesain struktur star schema, dimulai dengan menentukan data apa yang ingin dilihat oleh pengguna (besarannya) dan bagaimana pengguna melihat data tersebut (kondisi atau dimensinya). Tabel dimensi memiliki primary key sederhana yang mengandung hanya satu atau dua kolom saja. Namun, tabel fakta akan memiliki sekumpulan foreign key yang disusun dari primary key komposit dan merupakan gabungan kolom-kolom tabel dimensi
23
yang berelasi. Untuk lebih jelasnya,berikut contoh struktur star schema.
Gambar 2.8 Star Schema [Malinowski, & Zimanyi. 2005]
Untuk struktur star schema seperti pada Gambar 2.8 dalam tabel fakta yang diukur adalah hasil penjualan (dalam mata uang) berdasarkan dimensi atau kondisi produk yang dijual (product) serta waktu penjualan (time). Misalkan dimensi produk, yang menyimpan informasi-informasi
seputar
produk.
Produk
ini
dapat
dikelompokkan ke dalam kategori, dan di dalam kategori inipun bisa ditemukan sub-kategori. Untuk lebih mengelompokkan produk tersebut, dapat pula dibuatkan sub-kategori berikutnya. Namun kunci dari informasi produk tersebut tersimpan dalam kolom di tabel dimensi, dan tidak dibutuhkan tabel lain untuk menjelaskan detil produk.
Semakin
beragam
jenis
kondisi
data
yang
ingin
diamati,maka akan semakin besar ukuran tabel fakta yang dimuat. Dalam star schema, kueri yang terbentuk antara tabel fakta dan sejumlah tabel dimensi dinamakan star query. Setiap tabel dimensi direlasikan dengan tabel fakta berdasarkan kolom primary key dan foreign key, namun diantara masing-masing tabel dimensi tidak ada yang saling berelasi (tidak ada hubungan data). Kueri yang terbentuk menyebabkan proses eksekusi yang lebih optimal,karena
24
rencana eksekusi kueri dalam Database Management System akan lebih cepat dengan setiap tabel hanya berelasi dengan satu tabel yang lain. Ada kalanya tabel dimensi mengandung data yang duplikat pada satu atau lebih kolom. Jika mengikuti azas normalisasi, maka struktur basis data yang terbentuk bukan lagi star schema namun akan menjadi snowflake schema.
2.4.3 Perbedaan Snowflake Schema dan Star Schema.
Kedua Skema Tersebut berbeda, di dalam perbedaan skema masing-masing skema mempunyai kelebihan dan mempunyai kelemahan yaitu, Snowflake schema : Kelebihan adalah
data atau hasil report lebih akurat, disebut
dengan struktur yang baik, struktur mendukung phsycal data. Kelemahan adalah struktur rumit, proses kerja yang lebih banyak, lebih sulit dimengerti. Star schema : Kelebihan adalah bentuk simple, akses cepat, mudah diolah lebih dalam. Kelemahannya yaitu data atau hasil report kurang akura, radudancy data struktur physical data kurang mendukung.
2.5
Data Mart Data marts adalah subyek spesifik atau aplikasi spesifik dari
data warehouse yang berisi data untuk satu line bisnis tertentu seperti penjualan atau pemasaran. Ruang lingkup data mart lebih
25
kecil, data didapatkan dari sumber yang lebih sedikit, dan waktu implementasinya juga lebih pendek. Tipe data marts : 1. Sumber informasi untuk data mart yang bersifat dependent adalah data warehouse itu sendiri. 2. Sedangkan data mart bersifat independent jika tidak terdapat data warehouse, dan data diekstrak secara langsung dari sistem operasional.
2.6 Teori Penjualan. Penjualan
adalah
suatu
usaha
yang
terpadu
untuk
mengembangkan rencana-rencana strategis yang di arahkan pada usaha pemuasan kebutuhan dan keinginan pembeli, guna mendapatkan
penjualan
yang
menghasilkan
laba.
Pada
umumnya, penjualan dapat dilakukan dengan 2 (dua) cara, antara lain : penjualan tunai yang dilakukan secara tunai dan secara kredit. Penjualan tunai dilakukan apabila transaksi atau pembayaran barang yang dijual oleh penjual langsung dilakukan pada saat transaksi terjadi. Cara penjualan yang demikian dianggap sebagai penjualan yang biasa atau lazim dilakukan. Sedangkan penjualan yang dilakukan secara kredit merupakan cara penjualan dimana transaksi, dalam hal ini pembayaran yang dilakukan oleh pembeli, dilakukan secara berkala atau periodik, sesuai dengan tagihan yang timbul dari transaksi barang atau jasa tersebut, Penjualan kredit dianggap pula sebagai komponen
26
besar dalam aktiva lancar. Adapun kegunaan dari penjualan itu antara lain: Untuk menentukan kebijakan dalam persoalan penyusunaan anggaran (budgeting) yang meliputi anggaran penjualan, anggaran pengerjaan (manufacturing budget) dan lain sebagainya. Untuk pengawasan dalam persedian (inventory control). Hal ini karena jika persediaan yang ada terlalu kecil, maka akan mempengaruhi kelancaran dari pada kegiatan produksi. Oleh karena itu, agar supaya persediaan jangan terlalu besar atau kekurangan, maka penjualan dapat dipergunakan sebagai pedoman terutama dalam melayani produksi. Untuk membentuk kegiatan pengawasan produksi. Dengan adanya penjualan maka perusahaan dapat mengetahui kemungkinan kegiatanya
di
kemudian
mengusahakan
perbaikan
hari, dalam
sehingga
manajer
penggunaan
dapat
peralatan
produksinya agar efisien. Data Penjualan berkaitan dengan persediaan (inventory control) dan memperlancar proses produksi atau distribusi barang. Hal ini disebabkan data penjualan dapat dijadikan referensi atau data yang bermanfaat dalam menentukan jumlah persediaan serta proses produksi. Dengan analisis data penjualan yang tepat dapat membantu pembuat keputusan dalam menentukan beberapa kinerja perusahaan agar lebih efektif dan efisien. Dengan demikian dari data penjualan tersebut, jika dilakukan kegiatan analisis berdasarkan dengan metode dan teknik tertentu, akan didapatkan suatu informasi yang berguna untuk mendapatkan strategi-strategi bisnis di tingkat manajer perusahaan.
