BAB II LANDASAN TEORI
I.1. TEORI DASAR I.1.1.OLAP I.1.1.1.
SEPUTAR OLAP Online Analytical Processing (OLAP) merupakan suatu
metode pendekatan untuk menyajikan jawaban dari permintaan proses analisis yang bersifat dimensional secara cepat, yaitu desain dari aplikasi dan teknologi yang dapat mengoleksi, menyimpan, memanipulasi suatu data multidimensi untuk tujuan analisis. (Jensen, Christian
S.,
Pedersen,
Torben
Bach.
and
Thomsen,
Christian.
Multidimensional Database and Data Warehousing: Morgan and Claypool, 2010, hal. 2)
OLAP (Online Analytical Processing) adalah teknologi yang memproses
data
di
dalam
data
warehouse
dalam
struktur
multidimensi, menyediakan jawaban yang cepat untuk query analisis yang kompleks (Janus, Philo and Fouche, Guy. Pro SQL Server 2008 Analysis Services: Apress, 2010, hal. 1).
Teknik OLAP itu dapat dirangkum menjadi 5 garis besar yaitu Fast Analysis of Shared Multidimensional Information atau disingkat menjadi FASMI yang masing-masing berarti sebagai berikut. (Jensen, Christian S., Pedersen, Torben Bach and Thomsen, Christian. Multidimensional Database and Data Warehousing: Morgan and Claypool, 2010, hal. 2):
•
FAST, berarti sistem ditargetkan untuk memberikan response terhadap user dengan secepat mungkin, sesuai dengan analisis yang dilakukan.
5
•
ANALYSIS, berarti sistem dapat mengatasi berbagai logika bisnis dan analisis statistik yang relevan dengan aplikasi dan user, dan mudah.
•
SHARED, berarti sistem melaksanakan seluruh kebutuhan pengamanan data, jika dibutuhkan banyak akses penulisan terhadap data, disesuaikan dengan level dari user. Tidak semua aplikasi membutuhkan user untuk menulis data kembali. Sistem harus dapat meng-handle multiple update dalam satu waktu secara aman.
•
MULTIDIMENSIONAL, berarti sistem harus menghasilkan conceptual view dari data secara multidimensional, meliputi full support untuk hierarki dan mutiple hierarki. Hal ini merupakan cara yang logic untuk menganalisis bisnis dan organisasi.
•
INFORMATION, Sadalah semua data dan informasi yang dibutuhkan dan relevan untuk aplikasi. Kapasitas produk OLAP berbeda untuk menghandle input data tergantung beberapa pertimbangan meliputi duplikasi data, RAM yang dibutuhkan, penggunaan disk space, performance, integrasi dengan data warehouse, dan lainnya.
Karakteristik OLAP dapat di-identifikasi sebagai berikut: •
Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada data warehouse
•
Memfasilitasi query yang komplek dan analisa bagi user
•
Mengijinkan user melakukan drill down untuk menampilkan data pada level yang lebih detil atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi
•
Menyediakan proses kalkulasi dan perbandingan data
•
Menampilkan hasil dalam bentuk number termasuk dalam tabel dan grafik. 6
Sebagai contoh ada 3 model penyimpanan data dalam cube yang difasilitasi oleh Microsoft SQL Server. Ketiga model penyimpanan data tersebut adalah (Mundy, Joy. Thornthwaite , Warren. with Kimball, Ralph. The Microsoft Data Warehouse Toolkit with SQL Server 2008 R2 and the Microsoft Business Intelligence Toolset Second Edition: Willey Publishing, Inc., 2011, hal 553):
•
MOLAP (Multidimensional Online Analitycal Processing) menyimpan data dan agregasi pada struktur data multidimensi. Struktur MOLAP ini tidak tersimpan pada data warehouse tapi tersimpan pada OLAP server. Sehingga performa query yang dihasilkan olehnya sangat bagus. Model penyimpanan ini sesuai untuk database dengan ukuran kecil sampai sedang.
•
ROLAP
(Relational
Online
Analitycal
Processing)
menggunakan tabel pada database relasional data warehouse untuk menyimpan detil data dan agregasi kubus. Berbeda dengan MOLAP, ROLAP tidak menyimpan salinan database, ia mengakses langsung pada tabel fact ketika membutuhkan jawaban sebuah query. Sehingga query pada ROLAP mempunyai response time yang lebih lambat dibandingkan ROLAP maupun HOLAP. Karakteristik model ini digunakan untuk menyimpan data yang besar dan jarang dilakukannya proses query. Misalkan, data histori dalam jumlah besar dari beberapa tahun yang sebelumnya. •
Gabungan model MOLAP dan ROLAP dapat kita peroleh dari HOLAP (Hybrid Online Analitycal Processing). Detil data tersimpan pada tabel relasional tapi aggregasi data disimpan dalam format multidimensi.
7
Misalkan proses drill down dilakukan pada sebuah tabel fakta, maka retrive data akan dilakukan dari tabel database relasional sehingga query tidak secepat MOLAP. Kubus HOLAP lebih kecil daripada kubus MOLAP tapi response time query masih lebih cepat jika dibandingkan dengan ROLAP. Model penyimpanan HOLAP ini biasanya sesuai untuk kubus yang membutuhkan performa query yang bagus dengan jumlah data yang besar.
Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut : o Meringkas dan mengumpulkan sejumlah besar data Melakukan filtering, pengurutan, dan memberikan peringkat (rangking) o Membandingkan beberapa set dari data o Membuat sketsa/bagan/diagram o Menganalisis dan menemukan pola dari data o Menganalisis kecenderungan data
I.1.1.2.
OLTP vs. OLAP
(Anonymous, OLAP vs OLTP, http://datawarehouse4u.info/OLTP-vsOLAP.html) OLTP Source of data
Purpose of data
What the data
OLAP
Data Operasional, OLTP
Data
Konsolidasi,
merupakan sumber data
OLAP
asli
berbagai database OLTP
Untuk melakukan control
Untuk
dan menjalankan aktifitas
penyelesaian masalah dan
bisnis dasar
pengambilan keputusan
Menampilkan data proses
Multidimensional
bisnis berjalan
perspektif dari beragam
berasal
dari
perencanaan,
aktifitas bisnis
8
data
Inserts and Updates
Queries
Insert dan Update data
Refresh
data
secara
cepat, bisa dilakukan oleh
periodik
dan
relatif
end user
memakan waktu lama
Standard
dan
simple,
records yang ditampilkan
Query sangat kompleks dan banyak fungsi agregat
relatif sedikit Processing speed
Sangat cepat
Tergantung dari jumlah data, semakin banyak dan kompleks, bisa memakan waktu hingga berjam-jam
Space Requirements
Relatif kecil untuk backup
Lebih besar karena banyak
riwayat data
struktur
agregat
riwayat
dan data;
membutuhkan index yang lebih banyak disbanding OLTP Database Design
Sudah dengan
ternormalisasi baik
meliputi
banyak table
Umumnya
belum
normalisasi
dan
terkait
sedikit
table;
dengan
menggunakan bintang
dan
ter-
skema /
atau
snowflake Backup and Recovery
Backup secara rutin, data
Bisa dibackup rutin. Jika
OLTP
hilang
sangat
penting
untuk menjalankan bisnis. Data hilang berarti resiko yang besar berpengaruh kepada
keberlangsungan
bisnis Table 1: OLAP vs OLTP
9
bisa
di-ambil
kembali dari data OLTP
I.1.2.ALGORITMA PEMROSESAN OLAP
START
Raw Data (OLTP)
Facts?
Aggregation
Data Partition
Data Compile
Multidimensional Data
End
Gambar 1: Algoritma Pemrosesan OLAP
Penjelasan: Data mentah dipisahkan antara data yang bisa menjadi fakta dengan data yang bisa menjadi partisi atau dimensi. Data mentah bisa berasal dari data OLTP atau format raw data lainnya, misalkan text file.
10
Data fakta akan diolah menjadi data agregat, sedangkan data partisi dipisahkan berdasar keperluannya, misal data partisi berbasis waktu dipisah dengan data partisi berbasis karakter. Data fakta maupun data partisi yang sudah dikategorikan, dikompilasi kembali, yakni digabung antara data fakta sesuai partisi. Hasil dari kompilasi tersebut menjadi data multidimensional yang siap diakses untuk dianalisa.
I.1.3.SKEMA BINTANG Dalam dunia komputerisasi, skema bintang yang juga sering disebut sebagai multi-dimensional skema adalah skema paling simple dari data warehouse. Skema bintang terdiri atas satu atau lebih table fakta yang ber-relasi dengan table dimensi (Cameron, Scott and Hitachi Consulting. SQL Server 2008 Analysis Services Step by Step: Microsoft Press, 2009, hal. 19).
I.1.4.SKEMA SNOWFLAKE Skema snowflake merupakan pengembangan dari skema bintang dengan table dimensi yang memiliki sub table dan relasi yang lebih kompleks dibanding skema bintang (Cameron, Scott and Hitachi Consulting. SQL Server 2008 Analysis Services Step by Step: Microsoft Press, 2009, hal. 20).
I.1.5.TABEL FAKTA Merupakan nilai yang direkam untuk kondisi tertentu. Tabel fakta harus merepresentasikan data detail terkecil dari suatu kegiatan. Umumnya table fakta berupa data transaction (fakta mengenai kegiatan tertentu), snapshot (fakta yang direkam pada saat tertentu, misal: Rincian data keuangan saat akhir bulan) dan akumulasi table snapshot, misal: nilai penjualan dari awal tahun hingga pertengahan tahun 2012 (Cameron, Scott and Hitachi Consulting. SQL Server 2008 Analysis Services Step by Step: Microsoft Press, 2009, hal. 20).
11
I.1.6.TABEL DIMENSI Table yang berisi atribut-atribut yang menjelaskan data table fakta.
Gambar 2: Dimensi dan Fakta
I.1.7.SQL SERVER DATA TYPE (Petkovic, Dusan. Microsoft SQL Server 2008 A Beginner’s Guide: The McGrawHill Companies, 2008, hal. 71)
Tipe Data Integer
Penjelasan Nilai bulat dapat disimpan dalam ukuran 4 bytes. Rentang nilai yang dapat disimpan adalah: –2,147,483,648 sampai 2,147,483,647
Smallint
Nilai bulat yang dapat disimpan dalam ukuran 2 bytes. Rentang nilai yang dapat disimpan adalah: –32768 sampai 32767
Tinyint
Nilai bulat positif, yang dapat disimpan dalam ukuran 1 byte. Rentang nilai antara 0 sampai 255
BigInt
Nilai bulat yang dapat disimpan dalam ukuran 8 bytes. Rentang nilai yang dapat disimpan adalah: -263 sampai 263 -1
Decimal (p, s)
Nilai desimal (fixed point values), argument p berarti total
12
digit yang dapat ditampilkan, sedangkan s berarti total digit pecahan. Nilai desimal disimpan berdasarkan argument p antara 5 sampai 7 bytes. Numeric (p, s)
Sama seperti type data decimal.
Real
Merupakan floating point. Rentang nilai positif kira-kira 2.23E – 308 to 1.79E + 308. Sedangkan nilai negatif kirakira –1.18E – 38 to –1.18E + 38
Float (p)
Merupakan floating point, seperti Real. Argument p merupakan presisi angka jika diisi lebih kecil dari 25 maka float menjadi presisi tunggal. Jika p lebih besar dari 25 maka float menjadi presisi ganda.
Money
Digunakan untuk data keuangan. Money merupakan nilai 8 byte desimal dan dibulatkan 4 digit setelah titik pecahan desimal.
Smallmoney
Sama seperti Money, namun berukuran 4 byte desimal.
Char (n)
Merupakan karakter dengan ukuran 1 byte yang memiliki rentang data fix (tetap). Nilai argumen n maksimal 8000. Jika n tidak diisi, dianggap 1.
Varchar (n)
Kebalikan data Char, Varchar memiliki rentang data sesuai dengan isi data aktual. Meski n diisi 200 jika aktualnya hanya dipakai 50, maka hanya 50 byte saja ruang yang dibutuhkan. Ukuran varchar per-karakter-nya sama dengan Char, 1 byte. Rentang data antara 1 – 8000 byte(s).
NChar (n)
Merupakan karakter Unicode yang memiliki rentang fix. Berbeda dengan char, nchar memiliki ukuran 2 byte, itulah mengapa nilai argumen n maksimal adalah 4000.
NVarchar (n)
Merupakan karakter Unicode yang memiliki rentang variable (sesuai n). Berbeda dengan varchar, nvarchar memiliki ukuran 2 byte, sehingga nilai argumen n maksimal adalah 4000. Table 2: SQL Server Data Type
13
I.2. TEORI KHUSUS I.2.1.SAGE ERP ACCPAC Sage ERP ACCPAC adalah salah satu produk ERP (Enterprise Resource Planning) ternama yang memfokuskan dukungannya untuk perusahaan dengan skala kecil sampai menengah. Sage ERP ACCPAC diproduksi oleh Sage Group sejak diambil alih kepemilikannya tahun 2004. Sage ERP ACCPAC merupakan produk ERP yang berbasis Windows, untuk meningkatkan segmen pasar, saat ini juga sedang mengembangkan versi multi platform disamping secara bisnis juga mengembangkan
produk
ERP
untuk
perusahaan
berskala
besar.
(Anonymous, ACCPAC Products Description, http://sageerpaccpac6.com)
Modul ACCPAC dan add on-nya meliputi:
Inventory Control
Order Entry (Sales)
Account Receivable
Account Payable
General Ledger
Purchase Order
Human Resources and Payroll
Manufacturing
Inventory Planning
Service Manager
CRM
Purchasing Workflow
ACCPAC Alert
Cashbook
Dan masih banyak modul tambahan lain yang disupport oleh puluhan third party vendor.
14
I.2.2.HOME APPLIANCES Home appliances adalah semua peralatan yang bersifat elektrik atau mekanik, yang digunakan dalam aktifitas rumah tangga. Home appliances bisa diklasifikasikan menjadi dua kelompok:
o Major appliances, atau White goods, contoh: AC, Freezer, Mesin Cuci, Microwave, Pengering Pakaian, Water Heater, Kulkas o Small appliances / Consumer electronics, atau Brown goods / Shiny goods, contoh: TV, CD / DVD Player, Video Game, Telepon, Home Theatre, Jam, Kamera (Anonymous, Home Appliances, http://en.wikipedia.org/wiki/Home_appliance)
Untuk membedakan, white goods dengan brown goods, paling mudah adalah dari pengembangan teknologi. Brown goods teknologi-nya paling cepat berubah dan dinamis dibanding dengan White goods.
15