Bab 2 LANDASAN TEORI
2.1
Dasar–Dasar Data warehouse
2.1.1
Pengertian Sistem Informasi Menurut pendapat Steven Alter (1999, p4), “An information system is a work system that use information technology to capture, transmit, store, retrieve, manipulate or display information”, yang artinya mengatakan bahwa sistem informasi adalah suatu sistem yang bekerja dengan menggunakan teknologi informasi untuk mengambil, mengirimkan, menyimpan, mendapatkan kembali, memanipulasi atau menampilkan informasi.
2.1.2
Pengertian Data Menurut Steven Alter (1999, p166), “Data are facts, images, or sounds that may or may not be pertinent or useful for particular task”, yang artinya data merupakan fakta, gambar, atau suara yang berhubungan atau tidak berhubungan atau tidak dan bermanfaat bagi tugas tertentu. Menurut Mallach (2000, p95), “Data is what the information system department creates, stores, and provides”, yang diartikan bahwa data adalah apa saja yang diciptakan, disimpan dan disediakan oleh departemen informasi. Di sini kita dapat melihat bahwa data merupakan suatu bentuk keterangan-keterangan yang belum diolah atau dimanipulasi, serta data yang
8
9 didapatkan pada suatu perusahaan pada umumnya didapatkan dari hasil kegiatan operasi sehari-hari atau hasil dari transaksi.
2.1.3
Pengertian Database Menurut C. J. Date (2000, p10), “A Database is collection of persistent data that is used by the application system of some given enterprise”, dimana artinya Database merupakan kumpulan dari data yang hampir tidak mengalami perubahan dan digunakan oleh aplikasi sistem pada tahap beberapa perusahaan. Menurut Thomas Connolly dan Carolyn Begg (2002, p14), “Database is a shared collection of logically related data, and a description of this data, designed to meet the information needs if an organization”, artinya database adalah kumpulan data yang saling berhubungan satu sama lain yang digunakan secara bersama-sama dan kumpulan data ini dirancang untuk memenuhi kebutuhan informasi suatu perusahaan. Pendapat Connolly ini didukung oleh Raghu Ramakrishnan (2003, p4).
2.1.4
Pengertian Data warehouse Menurut Vidette Poe (1996, p6), “A Data warehouse is a read-only analytical database that used as the foundation of a decision support system”, dapat diartikan bahwa Data warehouse merupakan database yang bersifat analisis dan hanya dapat dibaca saja yang digunakan sebagai dasar dari sistem penunjang keputusan.
10 Menurut Ramalho (2001, p206), data warehouse adalah sebuah database yang mengandung data yang biasanya mewakili sejarah bisnis dari suatu organisasi. Data historis dari data warehouse digunakan dalam aktivitas analisis yang mendukung keputusan-keputusan bisnis dalam beberapa tingkat. Data di dalam data warehouse diorganisir untuk mendukung analisis, bukan transaksi pemrosesan dalam waktu nyata, seperti pada sistem Online Transaction Processing (OLTP). Menurut Ramalho (2001, p204), data warehouse adalah pendekatan untuk penyimpanan data dimana sumber-sumber data yang heterogen (yang biasa tersebar pada beberapa database OLTP) dimigrasikan untuk penyimpanan data yang homogen dan terpisah. Menurut W.H Inmon (2002, p389), “A data warehouse is a collection of integrated, subject integrated database designed to support the DSS fuction, where each unit of data is relevant to some moment in time” yang artinya Data warehouse adalah koleksi data yang mempunyai sifat berorientasi subyek, terintegrasi, rentang waktu, yang dirancang untuk mendukung sistem pendukung keputusan dimana tiap data berhubungan dengan suatu kejadian pada suatu waktu. Menurut Ralph Kimball, “A data warehouse is a copy of transaction data specifically structured for querying and reporting.” yang artinya data warehouse adalah salinan dari data transaksi yang tersusun untuk laporan dan query. Dari definisi-definisi di atas, dapat disimpulkan bahwa data warehouse adalah database yang saling bereaksi yang dapat digunakan untuk proses query data dan sebagai analisis yang bersifat orientasi subyek (subject oriented), terintegrasi (integrated), tidak dapat berubah (nonvolatile), dan mempunyai variasi
11 waktu tertentu (time variant) bagi para pengambil keputusan manajemen dari suatu perusahaan. Dengan adanya data warehouse, akan dapat mempermudah pembuatan aplikasi-aplikasi DSS (Decision Support System) atau EIS (Executive Information System). Berikut ini beberapa keuntungan data warehouse menurut Thomas Connolly dan Carolyn Begg (2002, p1048) adalah sebagai berikut : a. Modal yang dikeluarkan akan kembali lebih cepat. b. Keuntungan dalam bersaing dengan perusahaan lainnya yang sejenis. c. Meningkatkan produktifitas dalam pengambilan keputusan
2.1.5
Istilah-istilah dalam Data warehouse Beberapa Istilah–istilah yang berhubungan dengan data warehouse antara lain : 1. DSS (Decision Support System) Merupakan suatu sistem yang dapat menganalisis dan mendukung suatu pengambilan keputusan yang baik dan berguna bagi pengguna informasi.
2. Data Mart Menurut Connoly (2002,p1067), “ Data mart is a subset of a data warehouse that support the requirements of a particular department of business function”, yang berarti Data Mart adalah subset dari data warehouse yang mendukung kebutuhan informasi dari suatu departemen atau fungsi bisnis tertentu. Perbedaan antara data mart dengan data warehouse adalah :
12 •
Data Mart hanya berfokus pada kebutuhan user yang berkaitan dengan suatu departemen atau fungsi bisnis.
•
Data Mart tidak mengandung data operasional secara detil, tidak seperti data warehouse.
•
Data yang ada dalam data mart lebih sedikit daripada yang ada dalam data warehouse, data mart juga lebih mudah dimengerti karena lebih sederhana
3. OLAP (On – Line Analytical Processing) Menurut Mallach (2000, p531), OLAP adalah “ A category of software that enables analyst, managers, and executive to gain insight into data through fast,cinsistent, interactive access to a wide variety of possible views of information that has been transformed from raw data to reflect the real dimensionality of the enterprise as understood by the user”, yang berarti OLAP adalah kategori teknologi software yang dapat memungkinkan seorang system analyst, manager, dan eksekutif untuk melihat data yang ada dengan akses yang cepat, konsisten dan interaktif sehingga dapat melihat informasi yang sudah ditranformasi dari data mentah menjadi dimensi keadaan nyata yang dapat dimengerti dengan mudah oleh user.
4. OLTP Merupakan pemrosesan penyimpanan data mengenai kegiatan operasional atau transaksi kegiatan perusahaan sehari-harinya. OLTP dirancang untuk
13 memungkinkan terjadinya pengaksesan secara bersamaan oleh beberapa user terhadap sumber data yang sama dan mengatur proses yang diperlukan
5. Tabel Dimensi Tabel yang berisikan kategori dengan ringkasan data detail yang dapat dilaporkan, seperti laporan keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (bisa perbulan, perkuartal, dan pertahun).
6. Tabel Fakta Tabel yang pada umumnya mengandung data histori dimana key (kunci) yang dihasilkan sangat unik karena merupakan kumpulan foreign key dan primary key yang ada pada tabel dimensi yang berhubungan atau merupakan tabel terpusat dari skema bintang. Tabel fakta juga menyimpan tipe measure yang berbeda, seperti measure yang secara langsung terhubung dengan tabel dimensi (Additive) dan measure yang tidak berhubungan dengan tabel dimensi (Non-Additive).
2.2
Anatomi Data warehouse Dalam menentukan bentuk data warehouse yang akan digunakan oleh suatu perusahaan, terlebih dahulu kita harus mengetahui kebutuhan yang kita perlukan dalam menjalankan aplikasi yang dirancang. Bentuk umum yang sering digunakan dalam data warehouse adalah data warehouse fungsional, terpusat, dan terdistribusi.
14 2.2.1
Functional Data warehouse (Data warehouse Fungsional) Terlihat pada gambar 2.1 bahwa data warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masing-masing fungsi keuangan (financial), fungsi marketing, fungsi kinerja personalia, dan lain-lainnya. Keuntungan dari bentuk ini adalah dapat dengan mudah dibangun dengan biaya yang relatif murah, sedangkan kerugiannya adalah resiko kehilangan konsistensi dan terbatasnya kemampuan dalam pengumpulan data bagi pengguna.
Functional Data Warehouse
Source
Workstation
Source
Functional Data Warehouse
Source
Workstation
Gambar 2.1 Bentuk Data warehouse Fungsional
2.2.2
Centralized Data warehouse (Data warehouse Terpusat) Terlihat pada gambar 2.2 bahwa bentuk ini mirip seperti bentuk functional data warehouse, namun disini sumber data terlebih dahulu dikumpulkan dan diintegrasikan pada suatu tempat terpusat, kemudian barulah data tersebut dibagi-bagi berdasarkan fungsi-fungsi yang dibutuhkan oleh perusahaan dan bentuk ini paling sering digunakan oleh perusahaan yang belum memiliki jaringan eksternal.
15 Bentuk ini mengharuskan pemasok data harus mengirimkan data tepat pada waktunya agar supaya tetap konsisten dengan pemasok lainnya. Di samping itu, pemakai hanya dapat mengambil data dari bagian pengumpulan saja, dan tidak dapat secara langsung berhubungan dengan pemasok datanya sendiri. Keuntungan dari bentuk ini adalah data benar-benar terpadu karena konsistensinya yang tinggi sedangkan kerugian dari bentuk ini adalah biaya yang dibutuhkan mahal serta perlu waktu yang cukup lama untuk membangun bentuk ini.
Functional Data Warehouse
Source
Workstation
Source
Centralized Data Warehouse
Source Functional Data Warehouse Workstation
Gambar 2.2 Bentuk Data warehouse Terpusat
2.2.3
Distributed Data warehouse (Data warehouse Terdistribusi) Terlihat pada gambar 2.3 bahwa sistem data warehouse menggunakan gateway yang berguna sebagai jembatan antara lokasi data warehouse dengan workstation. Dalam sistem data warehouse, workstation menggunakan sistem yang berbeda–beda, sehingga pada bentuk ini memungkinkan kita untuk mengakses sumber data yang berbeda di luar lokasi perusahaan (eksternal).
16 Keuntungan dari bentuk ini adalah kelebihannya dalam mengakses data dari luar perusahaan yang lebih mengalami sinkronisasi terlebih dahulu dan tetap terjaga konsistensinya. Kerugiannya adalah bentuk ini paling mahal dan kompleks untuk diterapkan karena sistem operasinya dikelola secara terpisah. Source
W orkstation Source
Data W arehouse Gateway
Source W orkstation
Gambar 2.3 Bentuk Data warehouse Terdistribusi
2.3
Karakteristik Data warehouse Menurut Inmon (2000, p467), “A subject-oriented, integrated, nonvolatile, and time-variant collection of data in support of management’s decision.” Berdasarkan definisi menurut William Inmon, data warehouse mempunyai beberapa karakteristik sebagai berikut : berorientasi subyek (subject oriented), terintegrasi (integrated), tidak dapat berubah (nonvolatile), dan mempunyai variasi waktu tertentu (time variant).
2.3.1
Subject Oriented (Berorientasi Subyek) Data warehouse bersifat subject oriented artinya data warehouse didesain untuk menganalisis data berdasarkan fungsi utama dalam bisnis, bukan berdasarkan data transaksi. Secara garis besar perbedaan mendasar antara data operasional dan data warehouse terlihat pada tabel 2.1 :
17 Data Operasional
Data warehouse
Berorientasi hanya pada aplikasi dan
Berorientasi pada subyek-subyek
fungsi tertentu
tertentu (fungsi utama)
Fokus pada desain database dan
Fokus pada pemodelan data dan
proses
desain data
Berisi rincian data atau detail data
Berisi data-data histori yang akan dipakai untuk proses analisis
Relasi antar tabel berdasarkan aturan Banyak aturan bisnis yang tersaji terbaru
antara tabel-tabel
Tabel 2.1 Perbandingan Subject Oriented antara Data warehouse dengan Data Operasional
2.3.2
Integrated (Terintegrasi) Data warehouse bersifat integrated artinya data warehouse harus menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan yang lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan sebuah kesatuan tunggal yang menunjang keseluruhan konsep data warehouse, bukan sebagai kumpulan file yang berbeda dalam pengelompokan atau struktur data. Data warehouse harus dapat memecahkan masalah-masalah seperti konflik penamaan variabel dan inkonsistensi diantara ukuran-ukuran yang dipakai didalamnya dengan cara konsistensi dalam pemberian nama, penentuan
18 ukuran dari tipe variabel, struktur koding, serta penentuan atribut data secara fisik.
2.3.3
Nonvolatile (Tidak Dapat Berubah) Data warehouse bersifat read-only, pengguna tidak dapat mengubah data. Pengguna hanya bisa menambah data baru, sedangkan data yang lama tetap ada dan tidak dihapus. Berbeda dengan sistem database operasional yang bersifat mengumpulkan data (data capture), data warehouse berfungsi untuk mendukung system reporting. Pada sistem database operasional terdapat tiga operasi yaitu insert, update, delete. Sedangkan pada data warehouse terdapat dua operasi yaitu loading data dan akses data (query data).
2.3.4
Time Variant (Variasi Waktu) Data yang ada dalam data warehouse tergantung pada suatu dimensi waktu sehingga perubahan yang terjadi dapat diketahui berdasarkan suatu waktu tertentu. Hal ini bukan berarti merubah data setiap waktu. Data tersebut merupakan hasil summary. Hal ini akan membantu dalam menentukan performa data warehouse query serta dalam membentuk pengertian bisnis.
2.4
Kegiatan Data warehouse Untuk melakukan penganalisaan dan pelaporan informasi bagi pihak-pihak yang mengambil keputusan maka dalam merancang data warehouse terdapat kegiatan-kegiatan yang harus ada didalamnya, kegiatan-kegiatan itu adalah :
19 1.
Memperoleh dan menggabungkan data Mendapatkan data dari berbagai sumber dan melakukan penggabungan pada suatu tempat tertentu, data-data yang digabung adalah data-data yang akan membantu kita dalam pembuatan laporan, karena data tersebut merupakan suatu bentuk kesatuan.
2.
Transformasi data Pengolahan data dari awal ke bentuk data yang telah disepakati dengan mengalami pemrosesan atau pengolahan terlebih dahulu.
3.
Pendistribusian data Data-data yang akan kita gunakan dalam data warehouse berkaitan dengan lingkungan kerja dalam lingkungan perusahaan. Bagi perusahaan yang terhubung dengan jaringan, pemakaian data warehouse mendukung kegiatan ini secara lebih fleksibel dan merata pada masing-masing bagian yang ada dalam perusahaan.
4.
Penggunaan data Data yang telah disaring akan menghasilkan ringkasan-ringkasan yang dapat memudahkan pengguna dalam mengambil suatu keputusan, disini kegiatan pemakaian data akan menjadi lebih sering jika para pengambil keputusan ingin menganalisis produk yang telah dipasarkan di masyarakat.
2.5
Arsitektur dan Infrastruktur Data warehouse
20 2.5.1
Arsitektur Data warehouse Menurut Poe (1996, p24), arsitektur adalah sekumpulan aturan atau struktur yang memberikan kerangka untuk keseluruhan rancangan suatu sistem atau produk. Arsitektur data menyediakan kerangka dengan mengindentifikasikan dan memahami bagaimana data akan pindah melalui sistem dan digunakan dalam perusahaan. Arsitektur data untuk data warehouse mempunyai komponen utama yaitu database yang hanya dapat dibaca. Karakteristik arsitektur data warehouse menurut Poe (1996, p40-41) adalah sebagai berikut : 1.
Data diambil dari sistem asal (sistem informasi yang ada), database, dan file.
2.
Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan kedalam Data Base Management System (DBMS) seperti Oracle, Ms SQL Server, IBM DB2, Sybase, dan masih banyak yang lainnya.
3. Data warehouse adalah jenis database read-only yang diciptakan untuk mengambil keputusan 4. User mengakses data warehouse melalui front-end toll atau aplikasi. Arsitektur dan infrastruktur dari data warehouse sangat erat hubungannya, dan satu dengan yang lainnya saling berkaitan. Keberhasilan pengembangan data warehouse dipengaruhi oleh pengindentifikasian arsitektur mana yang terbaik dan infrastruktur apa yang dibutuhkan. Arsitektur yang sama mungkin akan membutuhkan infrastruktur yang berbeda, tergantung pada lingkungan perusahaan atau organisasi. Ada beberapa macam arsitektur data warehouse, diantaranya adalah :
21 • Arsitektur two-tier • Arsitektur three-tier • Arsitektur bottom-up
2.5.1.1 Arsitektur Two-Tier Seperti terlihat pada gambar 2.4 bahwa pada arsitektur ini, data operasional ditransformasikan dan ditransfer ke data warehouse. Untuk membantu proses transformasi, perlu dibuat sebuah Enterprise Data Model (EDM). Enterprise Data Model ini menjelaskan tentang struktur data warehouse dan berisi metadata yang dibutuhkan untuk menempatkan dan mengakses database yang dihasilkan dan sumber data eksternal. Umumnya arsitektur dengan tipe ini akan menemui kesulitan performance bilamana data warehouse berukuran besar.
22 Operational Database dan External Data Source User T R A N S F O R M A S I
Data Warehouse Server
Summarized Data Data Warehouse
Gambar 2.4 Arsitektur Two-Tier Data warehouse
2.5.1.2 Arsitektur Three-Tier Organisasi yang menemui kesulitan dalam menerapkan arsitektur two-tier umumnya akan beralih ke arsitektur three-tier. Pada umumnya user hanya mengakses sebagian kecil dari data warehouse. Oleh karena itu perlu digunakan data mart. Data mart ini memiliki server yang terpisah dengan data warehouse, yang bertujuan untuk performance dan fault tolerance. Masing-masing departemen bertanggung jawab untuk mengawasi data mart departemennya. Bentuk arsitektur three-tier dapat dilihat pada gambar 2.5.
23 Operational Database dan External Data Source
Data Mart Tier
T R A N S F O R M A S I
User
Data Warehouse Server
Data Mart
User Data Mart Tier
Summarized Data
Data Warehouse
Data Mart
Gambar 2.5 Arsitektur Three-Tier Data warehouse
2.5.1.3 Arsitektur Bottom-Up Terlihat pada gambar 2.6 bahwa pada arsitektur ini, data dimodelkan dalam satu fungsi atau proses pada satu waktu dan disimpan di data mart yang terpisah. Bilamana waktunya tiba, data baru disintesis, disaring, dan di-merge ke dalam data mart yang telah tersedia atau ke data mart yang baru.
24 User
Data Mart Tier
Operational Database dan External Data Source
Data Mart
Data Mart
Proses Transformation
Gambar 2.6 Arsitektur Bottom-Up Data warehouse
2.5.2
Infrastruktur Data warehouse Menurut Vidette Poe (1996, p54), infrastruktur data warehouse merupakan perangkat lunak, perangkat keras, pelatihan, dan komponenkomponen lainnya yang menyediakan dukungan untuk mengimplementasikan arsitektur data warehouse. Infrastruktur teknikal berupa teknologi, platform, database, gateway, dan komponen-komponen yang penting yang mendukung arsitektur data warehouse yang dipilih. Untuk
mengaplikasikan
diimplementasikan
dengan
sebuah
beberapa
arsitektur cara
yaitu
data
warehouse
dengan
bisa
menggunakan
infrastruktur yang berbeda. Arsitektur dan infrastruktur saling berkaitan erat dan
25 satu dengan yang lainnya saling mendukung. Pengaruh dari lingkungan atau organisasi juga otomatis mempengaruhi penentuan suatu infrastruktur yang akan kita pilih.
2.6
Struktur Data warehouse Menurut Poe (1997, p96-97), data warehouse memiliki struktur yang spesifik dan mempunyai perbedaan dalam tingkatan detail data serta perbedaan dalam tingkatan umur data. Gambar 2.7 menunjukkan struktur dari data warehouse menurut Poe. Highly Summarized Data
M e t a d a t a
Lightly Summarized Data
Current Detail Data
Old Detail Data
Gambar 2.7 Struktur Data warehouse
Berdasarkan struktur diatas, data warehouse memiliki beberapa komponen seperti : Current detail data, old detail data, lightly summarized data, highly summarized data, dan metadata.
26 2.6.1
Current Detail Data Current detail data adalah data detail yang sedang aktif saat ini, mencerminkan keadaan yang sedang berjalan saat ini dan merupakan tingkatan terendah dalam data warehouse. Current detail data ini biasanya memerlukan media penyimpanan data yang cukup besar. Alasan perlu diperhatikannya current detail data adalah sebagai berikut : 1.
Menggambarkan kejadian yang baru terjadi dan selalu menjadi perhatian utama.
2.
Hampir selalu disimpan di media penyimpanan karena cepat diakses tetapi mahal dan kompleks dalam pengaturannya.
3.
Dapat digunakan dalam membuat rekapitulasi sehingga current detail data harus akurat.
4.
2.6.2
Jumlahnya sangat banyak dan disimpan pada tingkat penyimpanan terendah.
Old Detail Data Old Detail Data merupakan data historis, dapat berupa hasil back-up yang dapat disimpan dalam media penyimpanan yang terpisah dan dapat diakses kembali pada saat tertentu. Data ini jarang diakses sehingga disimpan dalam media penyimpanan alternatif sepeerti tape desk. Penyusunan direktori untuk data ini harus menggambarkan umur dari data agar memudahkan pengaksesan kembali.
27 2.6.3
Lightly Summarized Data Lightly Summarized Data merupakan ringkasan dari detail data, tapi belum bersifat total summary. Data ini memiliki tingkatan detail yang lebih tinggi dan mendukung kebutuhan data warehouse pada tingkatan departemen. Tingkatan ini disebut juga data mart. Akses terhadap data ini banyak digunakan untuk view dari suatu kondisi yang sedang dan sudah berjalan.
2.6.4
Highly Summarized Data Highly Summarized Data merupakan hasil proses ringkasan yang bersifat total, solid, dan mudah diakses. Dilakukan untuk melakukan analisis perbandingan data berdasarkan urutan waktu dan analisis yang menggunakan database multi-dimensi. Database multi-dimensi adalah suatu teknologi software komputer yang dirancang untuk meningkatkan efesiensi dalam mencari tabel (query), sehingga menjadi media penyimpanan yang lebih baik, serta mempermudah pengambilan data dalam jumlah yang besar.
2.6.5
Metadata Metadata bukanlah merupakan hasil kegiatan operasional seperti keempat jenis data diatas. Metadata berisi informasi yang penting tentang data dalam data warehouse yang berfungsi sebagai :
28 1.
Direktori yang akan dipakai user dalam mencari lokasi dalam data warehouse.
2.
Merupakan penuntun pemetaan (Mapping) dalam proses transformasi dari operasional ke data warehouse.
3.
Suatu panduan untuk proses summary data dari detail data menjadi lightly summarized dan kemudian menjadi highly summarized data. Metadata merupakan bentuk suatu jaringan yang sangat penting bagi
pengguna data warehouse. Data yang tersedia harus dapat digunakan oleh user dengan istilah yang sesuai dengan cara user dalam melakukan pekerjaannya. Karena data warehouse melakukan banyak fungsi, maka metadata penting untuk menjawab kebutuhan dari suatu fungsi tertentu. Karena setiap departemen biasanya menggambarkan setiap struktur data yang spesifik meskipun asal datanya sama. Metadata berisi struktur fisik setiap tabel dan kolom yang berhubungan dan terdokumentasi secara keseluruhan.
2.7
Kegunaan Data warehouse Data warehouse yang digunakan selama ini memberikan kemudahan dan keuntungan karena data warehouse biasanya digunakan untuk melakukan tiga tugas yang berbeda. Ketiga tugas data warehouse tersebut adalah untuk pembuatan laporan, OLAP, dan proses informasi eksekutif.
29 2.7.1 Pembuatan Laporan Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum. Dengan menggunakan query sederhana dalam data warehouse dapat dihasilkan informasi berdasarkan dimensi waktu, seperti pertahun, perbulan, dan bahkan perhari.
2.7.2
OLAP (On line Analytical Processing) Data warehouse digunakan dalam melakukan analisis bisnis untuk mengetahui kecenderungan pasar dan faktor-faktor penyebabnya. Dengan adanya data warehouse, semua informasi baik detil maupun hasil summary yang dibutuhkan dalam proses analisis mudah didapat. Dalam hal ini data warehouse merupakan tool yang handal untuk melakukan analisis data yang kompleks. OLAP mendayagunakan konsep data multi-dimensi dan memungkinkan pemakai untuk menganalisis data sampai mendetail, tanpa perlu mengetikkan perintah SQL. Dengan demikian maka data berupa fakta dapat dilihat dengan menggunakan dimensi yang berbeda. Fasilitas lain yang ada pada tool perangkat lunak OLAP adalah fasilitas drill-down dan roll-up. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi yang ditampilkan, sedangkan roll-up merupakan kebalikan dari fasilitas drill-down.
30 2.7.3
Proses Informasi Eksekutif Data warehouse digunakan untuk mencapai ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse, segala laporan telah diringkas dan dapat pula diketahui rinciannya secara lengkap sehingga memudahkan proses pengambilan keputusan. Informasi dan data pada laporan data warehouse menjadi target informatif bagi user, yang dalam hal ini adalah pihak eksekutif.
2.8
Primary key dan Foreign key Menurut Kristanto (2002, p20), primary key merupakan suatu atribut atau satu set minimal atribut yang tidak hanya mengindentifikasikan secara unik suatu kejadian spesifik, tapi juga dapat mewakili setiap kejadian dari suatu entity. Menurut Kristanto (2002, p21), foreign key adalah suatu atribut atau satu set atribut yang melengkapi suatu relationship (hubungan) yang menunjuk ke induknya. Ketika database dibuat, perintah-perintah SQL digunakan untuk membuat tabel yang akan merancang kolom-kolom dan membentuk primary key dan foreign key.
31 2.9
Nine-Step Methodology Nine-Step Methodology merupakan salah satu metode dalam merancang data warehouse. Metode ini dikembangkan oleh Kimball. Tahapan-tahapan dalam Nine-Step Methodology adalah : 1.
Choosing the process Menentukan proses berarti menentukan subyek utama. Subyek utama merujuk pada suatu kegiatan bisnis perusahaan yang terpenting.
2.
Choosing the grain Menentukan grain maksudnya menentukan apa yang direpresentasikan oleh suatu tabel fakta. Setelah menentukan grain dari tabel fakta maka untuk selanjutnya dapat ditentukan tabel-tabel dimensi yang berhubungan dengan tabel fakta tersebut. Penentuan grain dari suatu tabel fakta berarti juga menentukan grain dari setiap tabel dimensi.
3.
Identifying and conforming the dimensions Tahap selanjutnya adalah mengidentifikasi dan menghubungkan dimensi tersebut dengan tabel fakta. Dimensi merupakan kumpulan sudut pandang mengenai suatu fakta yang terdapat pada tabel fakta.
4.
Choosing the facts Grain dari suatu tabel fakta menentukan fakta-fakta yang bisa ditampilkan. Pada tahap ini, hal yang dilakukan adalah menentukan measure (ukuran) yang dibutuhkan pada tabel fakta.
32 5.
Storing pre-calculations in the fact table Umumnya hasil perhitungan dari atribut di database tidak disimpan pada suatu atribut khusus pada database tersebut, namun pada tahap ini, perlu dipertimbangkan kembali penyimpanan hasil perhitungan pada suatu atribut tersendiri di database dengan alasan mengurangi resiko kesalahan pada program setiap kali melakukan perhitungan pada atribut-atribut tersebut.
6.
Rounding out the dimension tables Dari dimensi-dimensi yang telah diidentifikasi, pada tahap ini dibuat deskripsi dari tabel-tabel dimensi yang memuat informasi terstruktur mengenai atributatribut pada tabel dimensi.
7.
Choosing the duration of the database Pada tahap ini ditentukan durasi atau periode waktu dari data-data yang akan dimasukkan ke data warehouse.
8.
Tracking slowly changing dimensions Dimensi dapat berubah, untuk mengantisipasinya ada 3 cara untuk mengubah data di dimensi, yaitu : 1.
Menulis ulang atribut yang berubah
2.
Membuat record baru pada dimensi
3.
Membuat suatu atribut alternatif untuk menampung nilai yang baru, sehingga nilai lama dan nilai baru dari atribut tersebut bisa diakses secara bersamaan.
33 9.
Deciding the query priorities and the query models Pada tahap terakhir ini, pertimbangan yang dilakukan lebih berupa perancangan fisik dari data warehouse.
2.10
Alat Perancangan Data warehouse Menurut Poe (1996, p120), alat yang digunakan untuk merancang data warehouse adalah skema bintang (star schema). Skema bintang mempunyai struktur yang sederhana dengan tabel yang relatif sedikit dan hubungan antar tabel yang terlihat jelas. Rancangan ini dapat melakukan query dengan cepat serta mudah dimengerti oleh analis dan pengguna akhir.
2.10.1 Skema Bintang Menurut Poe (1996, p33), metode yang digunakan untuk merancang data warehouse adalah dengan menggunakan skema bintang, yaitu metode perancangan yang dilakukan dengan struktur yang sederhana dengan menggunakan beberapa tabel dan jalur yang terhubung dengan baik dan jelas. Menurut Connoly (2002, p1079), “star schema is a logical structure that has a fact table containing factual data in the center, surrounded by dimension tables containing reference data (which can be denormalized).”, yang berarti skema bintang adalah struktur logikal yang memiliki tabel fakta yang berisi data factual, dikelilingi oleh tabel dimensi yang berisi data referensi (dimana dapat didenormalisasikan). Teori Connolly ini didukung oleh A. Silberschatz., Korth, H. F. Sudarshan, S. (2003) dan Ralph Kimball (1996).
34 Dengan menggunakan skema bintang ini akan menghasilkan waktu respon yang lebih cepat dalam query data dibanding dengan proses transaksional yang menggunakan struktur normalisasi. Selain itu skema bintang memudahkan end user untuk memahami struktur database pada data warehouse yang dirancang.
2.10.2 Tipe Tabel Skema Bintang Dalam skema bintang ada dua tipe tabel, yaitu tabel fakta dan tabel dimensi. Tabel fakta dapat disebut juga sebagai tabel mayor, terdiri dari data kuantitatif atau data fakta mengenai bisnis, informasi yang di-query. Infomasi ini selalu diukur secara statistik dan dapat mengandung banyak kolom dan baris. Tabel dimensi disebut juga sebagai tabel minor, karena lebih kecil dan mencerminkan dimensi bisnis.
2.10.3 Jenis Skema Bintang 2.10.3.1 Skema Bintang Sederhana Dalam skema bintang sederhana, setiap tabel mempunyai primary key yang terdiri dari sebuah kolom atau lebih. Primary key akan membuat setiap baris menjadi unik. Primary key tersebut pada tabel fakta akan menjadi foreign key. Primary key pada tabel fakta, terdiri dari satu atau lebih foreign key.
35 Tabel Dimensi 1 Kunci 1 Atribut Atribut ... Atribut
Tabel Fakta Kunci 1
Tabel Dimensi 3
Kunci 2
Kunci 3
Kunci 3 Tabel Dimensi 2 Kunci 2 Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Gambar 2.8 Skema Bintang Sederhana
Gambar 2.8 diatas menunjukkan hubungan antara satu tabel fakta dan tiga tabel dimensi. Tabel utama terdapat primary key yang terdiri dari tiga foreign key, yaitu kunci-1, kunci-2 dan kunci-3, yang masing – masing merupakan primary key di tabel masing-masing. Dalam sebuah skema bintang, dapat juga memiliki lebih dari satu tabel fakta, karena adanya fakta yang tidak saling berhubungan. Tabel semacam ini umumnya digunakan untuk jumlah data yang besar dan untuk berbagai macam tingkatan data yang teragregasi seperti terlihat pada gambar 2.9. Tabel Dimensi 1
Tabel Fakta 1
Kunci 1
Kunci 1
Atribut Atribut ... Atribut
Kunci 2 Kunci 3 Atribut Atribut ... Atribut
Tabel Dimensi 3 Kunci 3
Tabel Fakta 2 Kunci 1 Kunci 2 Kunci 3 Atribut Atribut ... Atribut
Tabel Dimensi 2 Kunci 2
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Gambar 2.9 Skema Bintang Dengan Beberapa Tabel Fakta
36 Pada gambar 2.9 terdapat dua tabel fakta dan tiga tabel dimensi yang memperlihatkan hubungan many-to-one antara foreign key pada kedua tabel fakta tersebut dengan primary key pada masing masing tabel dimensi. Tabel fakta juga dapat digunakan untuk menggambarkan hubungan many-to-many antara berbagai tabel dimensi yang sudah jelas dalam bisnis. Jenis skema bintang ini dikenal dengan tabel asosiasi. Tabel asosiasi berguna untuk menyelaraskan hubungan many-to-many diantara dimensi yang berbeda. Gambar skema bintang dengan tabel asosiasi dapat dilihat pada gambar 2.10. Tabel Dimensi 1 Kunci 1 Atribut Atribut ... Atribut
Tabel Fakta 1 Kunci 1
Tabel Dimensi 2
Tabel Fakta 2
Kunci 2
Kunci 2
Kunci 2
Kunci 3 Tabel Dimensi 3
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Kunci 3 Atribut Atribut ... Atribut
Kunci 4
Tabel Fakta 2 Kunci 4 Atribut
Gambar 2.10 Skema Bintang Dengan Tabel Asosiasi
Tabel
dimensi
juga
mungkin
mengandung
foreign
key
yang
mereferensikan primary key di tabel dimensi yang lain. Tabel dimensi yang direferensikan ini dinamakan outboard atau secondary dimension table. Pada gambar 2.11 terlihat bahwa tabel dimensi 3 mempunyai dua outboard table yaitu tabel dimensi 4 dan tabel dimensi 5.
37 Tabel Dimensi 1 Kunci 1 Tabel Dimensi 4
Atribut Atribut ... Atribut
Tabel Fakta
Kunci 4
Kunci 1
Tabel Dimensi 3
Kunci 2
Kunci 3
Kunci 3 Tabel Dimensi 2
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Kunci 2 Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Kunci 4 Kunci 5
Tabel Dimensi 5 Kunci 5 Atribut Atribut ... Atribut
Gambar 2.11 Skema Bintang Dengan Tabel Dimensi Tambahan
2.10.3.2 Skema Bintang Majemuk Tabel Dimensi 1
Tabel Fakta
Kunci 1
FKey 1
Atribut Atribut ... Atribut
FKey 2
Tabel Dimensi 3
FKey 3
Kunci 3
Kunci 1 Kunci 2
Tabel Dimensi 2 Kunci 2 Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Gambar 2.12 Skema Bintang Majemuk
Pada gambar 2.12 terlihat bahwa tabel fakta dalam skema bintang majemuk memiliki dua kumpulan foreign key. Foreign key yang pertama mengandung suatu referensi dengan tabel dimensi sedangkan sisanya adalah primary key yang merupakan gabungan dari satu atau lebih kolom yang menghasilkan suatu indentifikasi unik untuk setiap barisnya. Perbedaan antara
38 skema bintang majemuk dengan skema bintang sederhana adalah saling tidak identiknya primary key dan foreign key dalam skema bintang majemuk.
2.10.3.3 Skema Snowflake Menurut Connoly (2002, p1080), “snowflake schema is a variant of the star schema where dimension table do not contain denormalized data.”, dapat diartikan bahwa skema snowflake adalah bentuk lain dari skema bintang dimana tabel dimensi tidak berisi data yang didenormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya seperti terlihat pada gambar 2.13. 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 Tabel Dimensi 1 Kunci 1 Tabel Atribut 5
Atribut 4 Atribut 5 Atribut 6
Atribut 5
Tabel Dimensi 2 Kunci 2 Tabel Dimensi 6
Atribut 7
Kunci 6
Kunci 6
Atribut Atribut ... Atribut
Tabel Dimensi 4 Kunci 4
Tabel Fakta Kunci 1
Tabel Dimensi 3
Kunci 2
Kunci 3
Kunci 3
Atribut 1 Atribut 2 Atribut 3
Atribut Atribut ... Atribut
Atribut Atribut ... Atribut
Kunci 4 Kunci 5 Tabel Dimensi 5
Atribut 8
Kunci 5 Atribut Atribut ... Atribut
Tabel Atribut 8 Atribut 8
Gambar 2.13 Skema Snowflake
39 2.10.4 Keuntungan Skema Bintang Keuntungan dengan menggunakan skema bintang dan snowflake menurut Connoly adalah sebagai berikut : •
Efisiensi, struktur database yang konsisten sehingga lebih efisien dalam mengakses data dengan menggunakan alat / tool untuk menampilkan data termasuk laporan tertulis dan query.
•
Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang dapat beradaptasi terhadap perubahan kebutuhan pengguna, karena semua tabel dimensi memiliki kesamaan dalam hal menyediakan akses ke tabel fakta. Artinya bahwa desain skema sebaiknya mampu mendukung ad hoc query dari pengguna.
•
Extensibility, model dimensional dapat dikembangkan. Seperti menambah tabel fakta selama data masih konsisten, menambah tabel dimensi selama ada nilai tunggal di tabel dimensi tersebut yang mendefinisikan setiap record tabel fakta yang ada, menambahakan attribut tabel dimensi, dan memecah record tabel dimensi yang ada menjadi level yang lebih rendah dari level sebelumnya.
•
Kemampuan
untuk
menggambarkan
situasi
bisnis
pada
umumnya,
pendekatan standar untuk menangani situasi umum di dunia bisnis terus bertambah. •
Proses query yang bisa diprediksi, aplikasi data warehouse yang mencari data dari level yang dibawahnya akan dengan mudah menambah jumlah atribut pada tabel dimensi dari sebuah skema bintang. Aplikasi yang mencari data dari
40 level yang setara akan menghubungkan tabel fakta yang terpisah melalui tabel dimensi yang dapat diakses bersama.
2.10.5 Agregasi Agregasi adalah proses perhitungan data fakta terhadap atribut-atribut yang telah didefinisikan. Sebagai contoh, agregasi dapat dibuat dari jumlah mahasiswa berdasarkan jurusan dan program studi dengan menghitung jumlah mahasiswa dari data transaksi yang terjadi. Agregasi dapat dibuat selama proses transformasi dan pemuatan data kedalam data warehouse. Menurut Poe (1996, p136), fakor yang mendorong pembuatan agregasi adalah : 1.
Meningkatkan performa pencarian data (searching).
2.
Mengurangi jumlah penggunaan kode produk universal.
Suatu agregasi yang baik dapat dibuat untuk digunakan oleh tiga ratus user dalam satu hari, karena akan lebih bermanfaat jika dibandingkan dengan membuat agregasi yang membutuhkan waktu dua jam tetapi hanya digunakan sekali dalam setahun oleh satu user saja. Salah satu teknik yang harus dicatat adalah saat permuatan data warehouse, kita tetap membutuhkan teknik database klasik seperti partisi tabel secara fisik. Hal ini akan menjadi penting ketika kapasitas data warehouse mencapai gigabyte data.
41 2.11
Normalisasi dan Denormalisasi
2.11.1 Normalisasi Menurut
Thomas
Connolly
dan
Carolyn
Begg
(2002,
p376),
“Normalisasi is a technique for producing a set of relation with desirable properties, given the data requirements of an enterprise”, diartikan Normalisasi adalah suatu teknik untuk menghasilkan sekumpulan hubungan dengan properti yang diinginkan, memberikan kebutuhan data dari sebuah perusahaan. Menurut Dianne Siebold (2003, p165), Normalisasi adalah serangkaian panduan yang diterapkan pada rancangan database untuk memisahkan data. Sesungguhnya ada lima tingkatan normalisasi, tetapi yang paling sering digunakan dalam melakukan normalisasi adalah tiga tingkat pertama dalam normalisasi, sedangkan tingkatan lainnya dapat terjadi tergantung pada data yang ada. Tingkat pertama dalam normalisasi disebut dengan First Normal Form (1NF), tingkat kedua disebut dengan Second Normal Form (2NF), dan Third Normal Form (3NF), ketiga tingkat normalisasi tersebut berdasarkan pada functional dependency antar atribut pada suatu hubungan. Tingkatan selanjutnya adalah Fourth Normal Form (4NF) dan Fifth Normal Form (5NF), dimana tingkatan pada normalisasi ini sangat jarang terjadi. First Normal Form (1NF) menyatakan bahwa tabel tidak bisa memuat nilai yang berulang, atau kolom multi-nilai. Second Normal Form (2NF) menyebutkan bahwa tabel harus berisi entitas tunggal dan setiap kolom nonprimary key bergantung pada seluruh primary key. Third Normal Form (3NF) menyatakan bahwa semua kolom non-primary key independen, dengan kata lain,
42 sebuah kolom non-primary key bisa saja tidak bergantung pada kolom nonprimary key lainnya. Langkah pertama dalam normalisasi database adalah memastikan setiap tabel memiliki sebuah kunci utama. Saat menerapkan normalisasi dalam sebuah database jumlah tabel dan kolom bertambah, yang juga menambah jumlah dan kompleksitas penyertaan (join) yang dibutuhkan untuk mengambil data dari database. Normalisasi meningkatkan efisiensi dan integritas database, khususnya untuk meng-update data.
2.11.2 Denormalisasi Normalisasi memang dapat meningkatkan efisiensi dan integritas suatu database, namun ada saat-saat tertentu perlu dilakukan denormalisasi untuk meningkatkan kinerja query. Denormalisasi dibutuhkan ketika jumlah penyertaan (join) relasional yang diperlukan untuk mengambil informasi memerlukan waktu yang banyak. Dalam melakukan denormalisasi penyimpanan data dalam database akan melanggar ketentuan dalam normalisasi terutama Third Normal Form (3NF) yang bertujuan untuk menghilangkan redudansi data. Namun jika normalisasi menghabiskan waktu dalam memberikan suatu informasi dari tabel yang diinginkan akan lebih efisien jika disimpan dalam sebuah tabel. Keuntungan melakukan denormalisasi adalah : 1.
Mengurangi jumlah relasi yang terjadi antar tabel sehingga akan meningkatkan kecepatan proses query data.
43 2.
Membuat struktur fisik database agar mudah dimengerti menurut model dimensi dari pemakai. Struktur tabel yang dibuat sesuai keinginan pemakai memungkinkan terjadinya akses langsung yang akan meningkatkan kinerja. Kelemahan dalam melakukan proses denormalisasi adalah :
1.
Proses denormalisasi secara tidak langsung akan membuat redudansi data
2.
Proses denormalisasi memerlukan alokasi memory dan storage (tempat penyimpanan) yang besar.
2.12
Fase Pengembangan Piranti Lunak Menurut
Roger
S.
Pressman
(2001,
p22),
dalam
usaha
untuk
mengembangkan piranti lunak, terbagi dalam tiga fase umum dengan tanpa mempedulikan area aplikasi, ukuran, proyek, atau kompleksitasnya. Berikut ini adalah fase-fase dalam pengembangan piranti lunak : •
Fase definisi (Definition Phase), pada tahap ini pengembang harus mengidentifikasikan informasi yang akan diproses, fungsi dan petunjuk kerja yang dibutuhkan, tingkah laku sistem yang diharapkan, bentuk interface yang diharapkan, batasan desain yang ada, serta kriteria validasi yang dibutuhkan.
•
Fase pengembangan (Development Phase), pada tahap ini pengembang harus mendefinisikan konstruksi dari data, mengimplementasikan fungsi-fungsi serta detail prosedur sebagai sebuah arsitektur perangkat lunak, merancang interface (tampilan antar muka pemakai), menterjemahkan rancangan kedalam bahasa pemrograman, dan melakukan pengujian.
44 •
Fase pemeliharaan (Maintenance Phase), tahap ini berfokus pada perubahan setelah melakukan koreksi kesalahan, penyesuaian yang dibutuhkan ketika perangkat lunak berkembang, serta perubahan karena adanya perubahan kebutuhan.
2.13
Metode Pengembangan Software Pendukung Salah satu metode pengembangan software yang paling baik menurut Roger S. Pressman adalah dengan menggunakan prototyping model. Tahapantahapan dalam metode ini adalah : •
Listen to customer Pada tahap ini, pihak pengembang dengan user saling bertemu untuk mengumpulkan user requirements.
•
Build / revise mock-up Pada tahap ini, pihak pengembang akan membuat quick design yang berfokus pada representasi dari kebutuhan user. Kemudian dari quick design tersebut, dibentuk sebuah prototipe.
•
Customer test drives mock-up Prototipe yang telah dibentuk kemudian dievaluasi oleh user. Tujuan dari evaluasi prototipe ini adalah untuk memuaskan kebutuhan user, dan juga untuk mencari tahu kebutuhan user selanjutnya.
Ketiga tahap diatas akan diulang terus-menerus hingga seluruh kebutuhan user telah terpenuhi.
45 Umumnya setelah seluruh kebutuhan user diketahui, prototipe yang telah dibentuk akan dibuang dan kemudian membangun sebuah software baru yang memenuhi standar kualitas dan keseluruhan kebutuhan user tersebut.
2.14
Kamus Data Menurut McLeod Jr (2001, p582), kamus data adalah suatu penjelasan tertulis mengenai data yang berada didalam database. Menurut Silberschatz, Korth dan Sudarshan (2002, p17) “Data dictionary, which stores metadata about the structure of the database, in particular the schema of the database.”, yang diartikan Kamus data, dimana menyimpan metadata tentang struktur dari database, dalam hubungan skema dari database.
2.15
Teknik Fact-Finding Menurut Thomas Connolly dan Carolyn Begg (2002, p302), “Factfinding is the formal process of using techniques such as interviews and questionnaires to collect facts about systems, requirements, and preferences.”, dapat diartikan bahwa fact-finding merupakan proses formal yang menggunakan teknik seperti wawancara dan kuesioner untuk mengumpulkan fakta mengenai sistem, kebutuhan, dan preferensi. Teknik fact-finding mutlak diperlukan pada tahap awal perancangan data warehouse untuk memperoleh berbagai informasi dari user. Kemudian dari informasi tersebut, dapat dilakukan tahap analisis untuk menentukan definisi sistem dan kebutuhan dari user. Menurut Thomas Connolly dan Carolyn Begg
46 (2002, p305), ada lima teknik fact-finding yaitu : examine documentation (pemeriksaan dokumentasi), interview (wawancara), observation (pengamatan), research (penelitian), questionnaires (kuesioner).
2.15.1 Examine Documentation Teknik ini amat berguna untuk mencari informasi seputar permasalahan dan sistem yang ada. Dengan memeriksa dokumen-dokumen, laporan, dan file yang bersangkutan maka kita akan dapat dengan mudah memahami permasalahan yang ada atau sistem yang sedang berjalan. Terlihat pada tabel 2.2 bahwa beberapa tipe dokumen yang perlu diperiksa adalah memo internal, e-mail, dokumen, laporan, dan flowchart. Tujuan dari Pemeriksaan 1. Menguraikan
masalah
Sumber Data yang Berguna dan
kebutuhan data warehouse
1. Memo internal, e-mails, dokumen-dokumen, laporan perkembangan
2. Menguraikan sistem yang ada
2. Flowcharts, berbagai tipe diagram yang berhubungan dengan sistem, kamus data, dokumentasi program, user manual
Tabel 2.2 Tipe Dokumentasi yang Perlu Diperiksa
47 2.15.2 Interview Diantara keseluruhan teknik fact-finding, teknik ini yang paling sering digunakan untuk memperoleh informasi. Ada dua jenis wawancara yaitu : wawancara terstruktur dan wawancara tak terstruktur. Wawancara terstruktur berarti pihak yang melakukan wawancara telah menyiapkan beberapa pertanyaan yang akan diajukan, sebaliknya dengan wawancara tak terstruktur. Pada wawancara seperti ini, pertanyaan yang diajukan bebas dan tergantung pada situasi ketika wawancara. Dilihat dari jenis pertanyaan yang diajukan, wawancara dapat dibagi menjadi dua, yaitu : open-ended questions dan closedended questions. Open-ended berarti pihak diwawancara bebas menjawab sesuai dengan pertanyaan yang diajukan. Sedangkan close-ended berarti pertanyaan yang diajukan berupa pilihan yang spesifik dan membutuhkan jawaban langsung. Beberapa keuntungan dan kerugian menggunakan interview (wawancara) dapat dilihat pada tabel 2.3 :
48 Keuntungan 1. Pihak yang diwawancara dapat menjawab pertanyaan secara bebas dan terbuka 2. Pihak yang diwawancara dapat merasa sebagai bagian dari proyek
Kerugian 1. Membutuhkan waktu lama dan biaya yang cukup banyak 2. Keberhasilan wawancara tergantung pada kemampuan komunikasi dari pewawancara 3. Keberhasilan wawancara
3. Pewawancara bebas memberikan
tergantung dari keseriusan pihak
pertanyaan seputar komentar
diwawancara untuk
menarik dari pihak diwawancara
berpartisipasi selama proses
4. Pewawancara bebas untuk
wawancara berlangsung
mengadaptasi atau mengulangi pertanyaan selama wawancara 5. Pewawancara bisa mengamati bahasa tubuh dari pihak yang diwawancara
Tabel 2.3 Keuntungan dan Kerugian Interview
2.15.3 Observation Pengamatan secara langsung pada kegiatan operasional perusahaan merupakan salah satu teknik fact-finding yang paling efektif untuk memahami sistem yang berjalan. Diperlukan persiapan yang matang supaya proses observasi dapat berjalan lancar dan mencapai hasil yang maksimal.
49 Beberapa keuntungan dan kerugian dari penggunaan teknik observation dapat dilihat pada tabel 2.4 : Keuntungan 1. Memungkinkan validasi data dan fakta untuk diperiksa 2. Pengamat dapat melihat secara langsung apa yang telah dikerjakan
Kerugian 1. Setiap orang bisa menampilkan hasil yang berbeda bila melakukan observasi 2. Kemungkinan adanya kekurangan observasi tugas pada
3. Pengamat dapat juga memperoleh data yang menjelaskan lingkungan fisikal dari tugas
level yang berbeda 3. Beberapa tugas tidak selalu bisa dilakukan dengan cara observasi 4. Susah untuk dipraktekkan
4. Relatif lebih murah 5. Pengamat dapat mengukur
Tabel 2.4 Keuntungan dan Kerugian Observation
2.15.4 Research Teknik fact-finding yang berguna adalah dengan melakukan penelitian terhadap masalah dan aplikasi. Sumber informasi yang bagus untuk proses penelitian adalah jurnal komputer, internet, dan buku referensi. Beberapa keuntungan dan kerugian dari penggunaan teknik research dapat dilihat pada tabel 2.5 :
50 Keuntungan
Kerugian
1. Dapat menghemat waktu bila solusi dari masalah telah
1. Boros waktu 2. Membutuhkan akses ke sumber
tersedia
informasi
2. Peneliti dapat melihat adanya
3. Kemungkinan masalah tidak
kesamaan masalah dan
akan terselesaikan apabila
bagaimana pemecahannya
masalah yang ada belum pernah
3. Penelitian bersifat up-to-date
didokumentasi.
Tabel 2.5 Keuntungan dan Kerugian Research
2.15.5 Questionnaires Teknik fact-finding ini amat berguna untuk mencari informasi dari banyak orang. Ada dua tipe pertanyaan yang dapat diajukan melalui kuesioner, yaitu : free-format questions dan fixed-format questions. Free-format questions berarti memberikan kebebasan pada responden untuk menjawab pertanyaan. Sedangkan
fixed-format
questions
berarti
pertanyaan
yang
diajukan
membutuhkan respon yang spesifik, contoh : pilihan jawaban yang telah disediakan untuk setiap pertanyaan. Beberapa keuntungan dan kerugian dari penggunaan teknik ini dapat dilihat pada tabel 2.6 :
51 Keuntungan 1. Responden
dapat
Kerugian menjawab
kuesioner secara lengkap
kemungkinan hanya sekitar 5%-
2. Murah untuk pencarian data dari banyak orang 3. Umumnya memberikan
10% 2. Jawaban yang diberikan bisa
responden
akan
jawaban
yang
jujur
tidak lengkap 3. Responden bisa salah tafsir pertanyaan
4. Mudah untuk dianalisis dan ditabulasi
1. Jumlah responden sedikit,
4. Tidak bisa menganalisis bahasa tubuh responden 5. Memakan waktu ketika menyiapkan pertanyaan
Tabel 2.6 Keuntungan dan Kerugian Questionnaires
2.16
Analisis SWOT (Strengthen, Weakness, Opportunities, Threats) Menurut Freddy Rangkuti (2004, p18), analisis SWOT adalah identifikasi berbagai faktor secara sistematis untuk merumuskan strategi perusahaan. Analisis ini didasarkan pada logika yang dapat memaksimalkan kekuatan (Strengths), dan peluang (Opportunities), namun secara bersamaan dapat meminimalkan kelemahan (Weaknesses) dan ancaman (Threats). Proses pengambilan keputusan strategis selalu berkaitan dengan pengembangan misi, tujuan, strategi dan kebijakan perusahaan. Dengan demikian perencana strategi (strategic planner) harus menganalisis faktor-faktor strategis perusahaan
52 (kekuatan, kelemahan, peluang dan ancaman) dalam kondisi yang ada saat ini. Hal ini disebut dengan analisis situasi. Model yang paling populer untuk analisis situasi adalah Analisis SWOT. Penelitian menunjukkan bahwa kinerja perusahaan dapat ditentukan oleh kombinasi faktor internal dan eksternal. Kedua faktor tersebut harus dipertimbangkan dalam analisis SWOT. SWOT adalah singkatan dari lingkungan Internal Strengths dan Weakness serta lingkungan eksternal Opportunities dan Ancaman (threats) yang dihadapi dunia bisnis. Analisis SWOT membandingkan antara faktor eksternal Peluang (opportunities) dan Ancaman (threats) dengan faktor internal Kekuatan (strengths) dan Kelemahan (weaknesses), seperti terlihat pada gambar 2.14.
BERBAGAI PELUANG
3. Mendukung strategi turn-around
1. Mendukung strategi agresif
KELEMAHAN INTERNAL
KEKUATAN INTERNAL 4. Mendukung strategi defensif
2. Mendukung strategi diversifikasi
BERBAGAI ANCAMAN
Gambar 2.14 Diagram Analisis SWOT
53 Kuadran 1 : Ini merupakan situasi yang sangat menguntungkan. Perusahaan tersebut
memiliki
peluang
dan
kekuatan
sehingga
dapat
memanfaatkan peluang yang ada. Strategi yang harus diterapkan dalam kondisi ini adalah mendukung kebijakan pertumbuhan yang agresif (Growth oriented strategy).
Kuadran 2 : Meskipun menghadapi berbagai ancaman, perusahaan ini masih memiliki kekuatan dari segi internal. Strategi yang harus diterapkan adalah menggunakan kekuatan untuk memanfaatkan peluang jangka panjang dengan cara strategi diversifikasi (produk/pasar).
Kuadran 3 : Perusahaan menghadapi peluang pasar yang sangat besar, tetapi di lain
pihak,
perusahaan
harus
menghadapi
beberapa
kendala/kelemahan internal. Fokus strategi perusahaan ini adalah meminimalkan masalah-masalah internal perusahaan sehingga dapat merebut peluang pasar yang lebih baik.
Kuadran 4 : Ini
merupakan
situasi
yang
sangat
tidak
menguntungkan,
perusahaan tersebut menghadapi berbagai ancaman dan kelemahan internal.
54 Alat yang digunakan untuk menyusun faktor-faktor strategis perusahaan adalah matrik SWOT. Matrik ini dapat menggambarkan secara jelas peluang dan ancaman eksternal yang dihadapi perusahaan untuk disesuaikan dengan kekuatan dan kelemahan yang dimilikinya. Matrik ini dapat menghasilkan empat kemungkinan alternatif strategis seperti terlihat pada tabel 2.7. INTERNAL
STRENGTHS (S) • Faktor Kekuatan Internal
WEAKNESSES (W) • Faktor Kelemahan Internal
EKSTERNAL OPPORTUNITIES (O) •
STRATEGI WO
Faktor Peluang
Ciptakan strategi yang
Ciptakan strategi yang
Eksternal
menggunakan kekuatan
meminimalkan kelemahan
untuk memanfaatkan
untuk memanfaatkan
peluang
peluang
THREATS (T) •
STRATEGI SO
STRATEGI ST
STRATEGI WT
Faktor Ancaman
Ciptakan strategi yang
Ciptakan strategi yang
Eksternal
menggunakan kekuatan
meminimalkan kelemahan
untuk mengatasi
dan menghindari ancaman
ancaman.
Tabel 2.7 Matrik SWOT
55 a. Strategi SO Strategi ini dibuat berdasarkan jalan pikiran perusahaan, yaitu dengan memanfaatkan seluruh kekuatan yang dimiliki perusahaan untuk merebut dan memanfaatkan peluang sebesar-besarnya.
b. Strategi ST Strategi dalam menggunakan kekuatan yang dimiliki perusahaan untuk mengatasi berbagai ancaman.
c. Strategi WO Strategi ini diterapkan berdasarkan pemanfaatan peluang yang ada dengan cara meminimalkan kelemahan yang ada.
d. Strategi WT Strategi ini didasarkan pada kegiatan yang bersifat defensif dan berusaha meminimalkan kelemahan yang ada serta menghindari ancaman.
56 2.17
Critical Success Factor (CSF) Menurut Laudon (1998, p434), CSF adalah sejumlah kecil tujuan operasional yang dapat diidentifikasi, dibentuk oleh industri, perusahaan, manajer, dan lingkungan lebih luas yang dipercaya untuk memastikan sukses tidaknya sebuah organisasi. Digunakan untuk menentukan kebutuhan informasi dari suatu organisasi. Menurut McLeod (2001, p109), sebuah CSF adalah satu dari aktivitas perusahaan yang mempunyai pengaruh kuat terhadap kemampuan perusahaan untuk memenuhi tujuannya. Sebuah perusahaan umumnya mempunyai banyak CSF. Kekuatan dari metode CSF adalah bahwa CSF menghasilkan set data yang lebih kecil untuk dianalisis daripada analisis perusahaan (enterprise analysis) secara keseluruhan. Hanya manajer tingkat atas yang diwawancara, dan pertanyaan berfokus pada sejumlah kecil CSF daripada pertanyaan yang luas sehingga mendapatkan informasi yang dibutuhkan.
2.18
Kerangka Berpikir Dalam Memecahkan Masalah Kerangka berpikir merupakan gambaran secara sistematis mengenai kaitan antar variabel yang diteliti untuk mengembangkan suatu sistem. Ada beberapa teknik yang dapat digunakan untuk memecahkan masalah, yaitu FactFinding
Techniques,
Analisis
SWOT,
dan
menggunakan
DTS
(Data
Transformation Service) yang ada pada Microsoft SQL Server 2000. Fact-Finding Techniques diperlukan dalam pembuatan data warehouse meliputi pendefinisian sistem, perancangan dan penentuan kebutuhan serta tahap analisis. Penentuan kebutuhan data berdasarkan pada kebutuhan perancangan
57 sistem dan kebutuhan data bagi pihak Badan Pengkajian dan Penerapan Teknologi (BPPT). Strengthens, Weakness, Opportunities, Threats (SWOT) diperlukan untuk mencari kekuatan dan kelemahan dari sistem yang akan dibuat berdasarkan faktor internal dan faktor eksternal. Untuk memudahkan dalam penentuan kekuatan dan kelemahan sistem digunakan salah satu matriks SWOT. Matrik ini dapat menggambarkan secara jelas peluang dan ancaman eksternal maupun internal yang dihadapi sistem yang akan dirancang. Data Transformation Service (DTS) sebagai salah satu tools yang ada pada Microsoft SQL Server 2000 berguna untuk melakukan transformasi data dari database operasional kedalam data warehouse. DTS diperlukan karena tools ini memiliki kemampuan untuk mengubah data yang ada pada database operasional sebelum disalin kedalam data warehouse. Pada gambar 2.15 terlihat metode peneliti dalam melakukan perancangan data warehouse perencanaan energi listrik pada Badan Pengkajian dan Penerapan Teknologi (BPPT) :
58 Analisis dan Perancangan Data Warehouse Perencanaan Energi Listrik BPPT
Studi Sistem yang Ada Pada Perencanaan Energi Listrik BPPT Dengan Teknik Fact-Finding
Studi Kepustakaan Tentang Data Warehouse
Mencari Kelemahan dari Sistem yang Sedang Berjalan
Mencari Alternatif Solusi Dengan Menggunakan SWOT
Desain Database Data Warehouse : 1. Choosing the process 2. Choosing the grain 3. Identifying and conforming the dimension 4. Choosing the facts 5. Storing pre-calculation in the fact table 5. Rounding out the dimension tables 6. Choosing the duration of the database 7. Tracking slowly changing dimensions 8. Deciding the query priorities and the query model
Desain Aplikasi Data Warehouse : 1. Merancang Layar 2. Pembuatan Spesifikasi Proses
Coding : 1. Microsoft SQL Server 2000 2. DTS (Data Transformation Service) 3. Visual Basic.Net
Implementasi
Gambar 2.15 Kerangka Berpikir Penulis