Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna Indonesia Menggunakan SQL Server 2005 Muhamad Adi Prasetyo1, Ahmad Saikhu2, Sarwosri3 Teknik Informatika, Fakultas Teknologi Informasi, ITS Email:
[email protected] ABSTRAK Data Warehouse merupakan sebuah data base relational yang diperuntukkan untuk kebutuhan query dan analisis, bukan untuk proses transaksi. Data Warehouse dapat dimanfaatkan sebagai pendukung sistem keputusan dengan menyimpan dan mengolah data dari berbagai sumber dengan menggunakan alat bantu seperti Online Analit ical Processing (OLAP). OLAP di manfaatkan untuk membuat laporan jalur proses produksi pada PT Aneka Tuna Indonesia. PT Aneka Tuna Indonesia ialah perusahaan yang bergerak dalam bidang pengolahan ikan tuna menjadi beberapa produk yang pasarnya sebagian keluar negri. Laporan yang dibuat menggambarkan dinamika produksi pada periode tertentu yang mulai dari pengiriman ikan oleh supplier hingga staffing . Laporannya akan ditampilkan dalam bentuk tabel dan grafik. Dengan adanya aplikasi ini diharapkan dapat membantu pihak managemen PT Aneka Tuna Indonesia dalam mengontrol dan mengawasi proses dan hasil produksinya dan mendukung pengambilan keputusan perusahaan. Keywords: OLAP, Cube, SQL Server, Laporan, ATI, Analysis Services, Report.
1. Pendahuluan PT. Aneka Tuna Indonesia (ATI) adalah sebuah perusahaan yang didirikan pada tahun 1991. Perusahaan ini merupakan jo int venture antara Itochu Corporation, Hagoromo Food Corporation (pemilik sebuah merk ikan tuna terkemu ka di Jepang), serta Solar Pacific Resources Ltd. Perusahaan ini terletak di Jalan Raya Surabaya – Malang Km 38, Gempol, Pasuruan. Pada tahun 1992, perusahaan ini mulai beroperasi dengan spesialisasi pada produksi dan penjualan produk ikan tuna kalengan [4]. Pada PT. Aneka Tuna Indonesia, terjadi proses produksi mulai dari pemilihan dan pengukuran berat ikan (fish selection and fish sizing) sampai dengan pelabelan produk jadi (labelling). Pencatatan tentang informasi bahan baku pada proses fish sizing sampai dengan fish cleaning telah dilakukan namun masih secara semi manual dengan menggunakan aplikasi spreadsheet (excel). Untuk saat ini, pencatatan tersebut masih memadai [2]. Sampai saat ini, mekanis me pencatatan tersebut masih memadai. Namun apabila data hasil pencatatan tersebut digunakan untuk, misalnya, pelaporan produk tentu saja diperlukan suatu pengembangan. Perusahaan perlu mengembangkan suatu sistem pelaporan produk (Summary Report) yang mempunyai kemampuan melaporkan hasil dari proses – proses produksi mulai dari supplier datang hingga produk akhir d ihasilkan.
Data yang tersimpan dalam database akan lebih berart i apabila disimpan sebagai data warehouse sebagai salah satu cara untuk melakukan pengamatan dan analisis dari record – record yang telah tersimpan. Hasil dari analisis data warehouse dapat digunakan oleh pihak manajemen untuk me mbantu 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 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 mult idimensi (cube). Hasilnya nanti juga akan dapat dibuat sebagai sebuah summary report yang mu ltidimensi. Hal in ilah yang mendasari topik tugas akhir yang penulis ajukan, yaitu menbuat aplikasi pelaporan yang mempermudah pemantauan proses produksi.
2. Tinjauan Pustaka 2.1 Data Warehouse Data warehouse merupakan sebuah database relational yang secara spesifik strukturnya dirancang untuk proses analisis dan query sehingga tidak untuk proses transaksi yang meliputi proses
1
insert, delete, update. Biasanya data warehouse mengandung data history yang diambil dari data transaksional dari berbagai sumber dan platform. Sedangkan menurut Data warehouse adalah data yang mendukung pihak manajemen yang sebagai berikut [3]:
Bill In mon, definisi dari sekumpulan atau ko leksi pengambilan keputusan mempunyai karakteristik
tambahan untuk mempopulasikan data dari data warehouse ke dalam beberapa data mart. c. Aplikasi yang berada pada layer pengguna berkembang menjad i beberapa model misalnya: berbasis web, berbasiskan desktop, ataupun berbasiskan sistem mobile.
a.
Subject Oriented Data warehouse dirancang dan dibangun untuk memenuhi kebutuhan analisis data berdasarkan subject tertentu, seperti : “Bagaima laporan pernjualan „waktu‟ ini?” Atau “Produk apa yang paling banyak dihasilkan tahun ini?” Dll. b.
Integrated Untuk memenuhi kebutuhan analisis secara menyeluruh, sebuah Data Warehouse harus mampu mengintegrasikan data dari berbagai sumber data yang beragam. Data warehouse mengintegrasikan atau menggabungkan dari berbagai data source, baik dalam database yang sama, yang berbeda, ataupun flat file. c. Non volatile Data dalam sebuah data warehouse tidak dapat diubah (insert, delete, update). Data tersebut merupakan data historis yang digunakan untuk memenuhi kebutuhan analisis, bukan untuk menangani transaksi seperti pada basisdata transaksional pada umumnya. d.
Time Variant Model analisis yang diterapkan pada sebuah Data Warehouse berfokus pada perubahan data faktual berdasarkan waktu. Dalam hal ini Data Warehouse harus mampu menyimpan data untuk sebuah subjek tertentu dalam waktu yang berbedabeda.
2.2 Arsitektur Data Warehouse Untuk membangun suatu arsitektur data warehouse sangat tergantung pada kebutuhan sistem. Gambar 2.1 menunjukkan salah satu contoh dari arsitektur data warehouse, dengan penjelasan sebagai berikut [3]: a. Data input bagi data warehouse tidak lagi hanya berasal dari sistem internal (sumber operasional pada umumnya), melain kan dirancang untuk dapat mengakomodasi sumber eksternal (data dari luar sistem operasional) misalnya : data dari internet (dengan teknologi web farming), ataupun data dari sistem mobile. b. Informasi yang tersimpan dalam data warehouse dapat dispesialisasikan lag i men jadi beberapa data warehouse yang lebih khusus (Data Mart) sehingga dalam arsitektur terdapat proses
Gambar 2. 1 Arsitektur Data Warehouse
2.3 Online Analytical Processing (OLAP) OLAP adalah suatu metode pemodelan data mu ltid imensional untuk memenuhi kebutuhan analisis terhadap data [1]. On line Analytical Processing juga merupakan pernyataan yang bertolak belakang atau kontras dengan OLTP (Online Transaction Processing). OLAP menggambarkan sebuah klas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apabila pada proses transaksi pada umu mnya semata-mata adalah pada relational database, OLAP muncul dengan sebuah cara pandang mult idimensi data. Cara pandang mu ltimensi ini didukung oleh tehnologi mu ltid imensi database. Cara ini memberikan tehnik dasar untuk kalku lasi 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. OLA P aplikasi digunakan untuk analisa dan mengatur frekuensi level dari agregat atau jumlah data. Database biasanya di update pada ku mpulan data, jarang sekali dari multiple source dan menempatkan kekuatan analisa pada pada back-end pada operasi aplikasi. Sebab itulah maka sangat optimal digunakan untuk analisis.
2.4 Schema Data OLAP Schema adalah ku mpulan obyek-obyek database. Pada relational data warehouse terdapat
2
dua skema yang digunakan, yaitu star schema dan snowflake schema [3]. a.
Star Schema
Skema star terdiri dari satu atau lebih tabel fakta dan satu atau lebih tabel dimensi. Tabel fakta merupakan pusat dari star schema, karena fungsinya sebagai pengikat dari tabel-tabel dimensi yang terletak disekelilingnya. Hubungan antara tabel-tabel tersebut menggunakan foreign key, metadata atau keduanya. Gambar 2.2 menunjukkan pemodelan database multidimensi dengan star schema.
time
i tem
time_key day day_of_the_week month quarte r year
item_key item_nam brand type supplie r_key
time_key item_key branch_key
bra nch
location_key
branch_key branch_ name branch_ type
units_sold
supplier supplie r_key Supplier_typ e
dollars_sold avg_sales
Measures
city city_key city state_or_province
time time_key day day_of_the_week month quarte r year
i tem Sales Fact Table time_key item_key
m item_key item_namebr and_typesup plier_ type
branch_key
bra nch
location_key
branch_key
units_sold
branch_ name
dollars_sold
location location_key street city state_or_province
avg_sales
branch_ type
country
Measures
Gambar 2.2 Star Schema b.
Sales Fact Table
Snowflake Schema
Snowflake schema merupakan pengembangan dari star schema. Perbedaannya terletak pada normalisasi data dan jumlah tabel. Pada snowflake schema tabel dimensi d inormalisasi secara sebagian atau keseluruhan untuk mengurangi nilai duplikat pada tabel. Hal in ilah yang membuat ju mlah tabel dimensi pada snowflake schema lebih dari satu, tidak seperti pada star schema. Sehingga, dengan menggunakan schema ini akan diperlukan lebih banyak join yang akan membuat performance men jadi lebih lambat. Dalam snowflake schema, hanya satu tabel utama yang dihubungkan dengan tabel fakta. Sedangkan tabel-tabel lainnya dihubungkan dengan tabel utama. Gambar 2.3 menunjukkan pemodelan data menggunakan snowflake schema. Berikut ini adalah pemodelan data dengan menggunakan snowflake schema.
Gambar 2.3 Snowflake Schema
2.5 Konsep Multidimensional Data Pada Relat ional database data dikelo mpokan dalam sebuah list record. Setiap record mempunyai informasi yang dikelo mpokan dalam fields. Sedangkan yang dimaksud data mult idimensi (lihat representasinya pada gambar 2.4) adalah ketika sebuah data dapat dipandang dari berbagai sudut. Pusat dari objek metadata pada Multidimensional adalah cube atau kubus yang mengandung hubungan struktur dimensi, hirarki, level dan anggota. Dapat disebut juga sebagai OLAP metadata model. Misalnya pada hasil penjualan suatu barang dipandang dari dimensi waktu, lokasi, pembeli dan lain-lain. Sehingga jika digambarkan, sumbu x mewakili dimensi waktu, sumbu y mewakili dimensi produk dan sumbu z mewakili dimensi lokasi.
Data penjualan (2002, Produk A, Surabay a)
Gambar 2.4 Data Multi di mensi a.
Dimensi
Dimensi merupakan sebuah kategori yang independent dari multid imensional database. tipe dari dimensi in i mengandung item yang digunakan sebagai kriteria query untuk ukuran database. Contoh pendistribusian busana di suatu daerah. Dimensi Daerah = {Jawa Timu r, Jawa Barat, Jawa Tengah, Sumatra Selatan, Surabaya, Bandung,
3
Jakarta, Palembang, Dago, Caringin, Senen, Matraman}. Dimensi Waktu = { tahun 2003, tahun 2004, tahun 2005, bulan Januari, bulan Februari, bulan Maret, hingga bulan Desember, tanggal 1, tanggal 2, tanggal 3, tanggal 4, hingga tanggal 28/ 29/ 30/ 31}. Dimensi Busana = { Ko ko, Daster, Kaos, celana panjang, celana pendek, kerudung, dll}. b.
Hirarki
Hirarki merupakan bentuk kesatuan dari dimensi. Sebuah dimensi b isa terbentuk dari mu ltilevel, yang mempunyai parent-child relationship. Hirarki didefinisikan bagaimana hubungan antar level. Sebagai contoh pada dimensi Daerah, hirarki mungkin akan melakukan agregasi data dari tiap level-level. Seperti pada gambar 2.5 dan 2.6. Indonesia Propinsi
sesuai dengan level yang ada diatasnya, seperti level Kecamatan, level Kab/Kodya, level Propinsi dan level Negara. d.
Attribute merepresentasikan informasi tambahan pada sebuah level tertentu. Sebuah level dapat memiliki lebih dari satu attribute, tetapi minimal harus memiliki satu attribute. Nilai attribute berguna sebagai nilai yang akan mewakili level ket ika data mult idimensi ditampilkan kepada pengguna. Hal ini dis ebabkan tidak semua n ilai pada level bisa dimengerti dan dipahami oleh pengguna. Misalnya, level product name menyimpan nilai product id, sedangkan attributenya menyimpan nilai dari product brand, dengan demikian yang akan ditampilkan kepada pengguna ketika pengguna memilih level product name adalah nilai pada ko lo m product brand, bukan product id. e.
Kab / Kodya
Keca matan Kel / Desa
Gambar 2.5 Hirarki Di mensi Daerah Contoh lainnya adalah hirarki d imensi waktu. Tahun
Attribute
Tabel Fakta
Tabel fakta merupakan pusat dari schema pada OLAP. Didalam tabel fakta mempunyai dua tipe kolo m, yaitu kolo m yang menyimpan nilai-n ilai numeric atau yang biasa disebut dengan measure dan kolom yang menyimpan foreign key yang mengacu ke tabel dimensi, seperti yang terdapat pada gambar 2.2. Nilai nu meric yang ada pada tabel fakta merupakan n ilai agregat dari data yang berasal dari tabel dimensi. Hubungan antara tabel fakta dengan tabel dimensi adalah one to many, sehingga masing-masing primary key dari tabel dimensi dijadikan key acuan pada tabel fakta. Dengan denikian, tabel fakta menyimpan setiap ko mbinasi key tabel dimensi yang melingkupinya.
Bulan
f. Measure Minggu
Ha ri Jam
Nilai measure terletak pada tabel fakta. Measure juga cerminan dari fakta dan juga mengandung data yang akan dianalisa seperti contoh pada gambar 2.7. OLAP catalog memerlukan informasi kolo m bertipe numeric yang akan dijadikan measure.
Gambar 2.6 Hirarki Di mensi Daerah c.
Sales Fact Table time_key
Level
Item_key
Level merep resentasikan sebuah posisi pada hirarki. Level mengumpulkan data untuk agrefasi dan digunakan untuk proses komputasi. Sebagai contoh pada dimensi Daerah pada contoh sebelumnya, level yang mungkin d idefin isikan adalah level Kel./Desa, level kecamatan, level Kab./Kodya, level propinsi, dan level Negara. Setiap level diatas level terendah merupakan agregasi dari level dibawahnya. Jika data dari pelanggan disimpan dalam format Kelurahan atau desa (level Kel./ Desa), maka data dapat di agregasi
Loca tion_key Uni t_sold Avg_sales
measure
Dollars _Sold
Gambar 2.7 Measure dari Tabel Fakta g.
Cube
Cube adalah obyek OLAP yang tersusun dari measure, dimensi dan attribute. Sisi-sisi pada cube
4
ditentukan oleh masing-masing dimensi yang terlibat dalam cube itu. Cube memiliki sisi-sisi yang menggambarkan dimensi-dimensi yang terlibat didalamnya, yang paling banyak ditemui adalah dalam bentuk tiga dimensi yang mewakili sisi baris, sisi kolo m dan sisi page. misalnya dimensi waktu, dimensi lo kasi dan dimensi produk, seperti yang terlihat pada gambar 2.8.
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 = 2002, sehingga OLAP akan menamp ilkan data semua penjualan untuk semua produk dan semua lokasi untuk tahun 2002. seperti yang terlihat pada gambar 2.10.
Gambar 2.8 Visualisasi Cube
2.6
Operasi Data Multidimensi
Pada data mult idimensi, terdapat operasioperasi dasar yang digunakan untuk analisa agar mendapatkan data yang diinginkan, yaitu : 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 dilaku kan dengan melakukan rotasi atau perputaran untuk tiap-tiap dimensi. Misalnya dilaku kan 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 lo kasi di rotasi dengan dimensi waktu sehingga hasil yang tampak seperti pada gambar 2.9.
Gambar 2.10 Proses Slice Sedangkan proses dice (gambar 2.11) adalah pemotongan hasil slice menjadi bagian subset data yang lebih kecil. Misalnya menampilkan data dari seluruh penjualan berdasarkan dimensi waktu = 2002, kemudian d ilakukan p roses dice dengan dimensi lokasi wilayah = “semarang”, sehingga data akan menamp ilkan data semua produk di semarang pada tahun 2002.
Gambar 2.11 Proses Dicing c.
Gambar 2.9 Proses Rotation / Pi voting b.
Slice dan Dice
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. Sebaliknnya, 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. Proses ini ditunjukkan oleh gambar 2.12.
Operasi Slicing dan Dicing merupakan kemampuan OLAP untuk melaku kan pemilahan
5
3 3.1
Gambar 2.12 Proses Drill Down dan Roll Up Sebenartnya, didalam proses drill down itu dilakukan proses slice dan atau dice.
2.7 SQL Server 2005 Analysis Services Microsoft SQL Server 2005 Analysis Services (SSAS) adalah ko mponen dari Microsoft S QL Server 2005 yang didesain untuk membantu pengembangan data warehouse yang menggunakan Business Intelligence Development Studio untuk membuat dan men-deploy Analysis Services Project dan memanfaatkan SQL Server Management Studio untuk mengelo la data base relational dari project tersebut. Analysis Services menghasilkan OLAP dan data min ing untuk aplikasi Business Intelligence dengan membolehkan developer untuk melakukan design, create, dan mengatur struktur mu ltid imensional yang mengandung agregasi data dari data source. Analysis Service membangun data cube untuk membantu dalam analisa mu ltid imensional. Analysis Services menyediakan beberapa tool dan wizard yang dapat digunakan untuk mengakses data mult idimensional. Microsoft S QL Server 2005 Analysis Services juga mendefin iskan Key Performance Indicators (KPI) di dalam pro jectnya. Hal in ilah yang membedakan dengan versi sebelumnya yaitu Microsoft SQL Server Analysis Service 2000. KPI menyediakan fra mework untuk mendefinisikan kalku lasi pada sisi server yang men jadi ukuran kesuksesan dari data yang kita analisa dan sebagai standar bagaimana hasil informasi d itampilkan.
Metodologi Spesifikasi Kebutuhan Sistem
Dalam pembuatan tugas akhir ini, data base yang digunakan adalah data base rancangan sendiri yang mendapat persetujuan pihat PT ATI. Hal ini karena PT ATI belu m memiliki sistem informasi yang menyimpan data proses produksi dan mengolah data tersebut menjadi informasi. Sehingga jika ada keperluan review data dan pelaporan, mereka melakukannya secara manual. Data base tersebut disesuaiakan dengan proses bisnis mereka. Data base ini dirancang untuk menampung data – data proses produksi ikan tuna. Data base tersebut dapat dimanfaatkan untuk kebutuhan pelaporan. Pelaporan yang dimaksud adalah: a. Laporan Proses Pengiriman Ikan (Dari Supplier) Melaporkan ju mlah ikan yang dikirim oleh supplier juga asal negara supplier. b.
Laporan Proses Penerimaan Ikan (Receiving) Melaporkan Ju mlah ikan yang diterima untuk pemrosesan awal termasuk jenis ikan. c.
Laporan Proses Pengukuran Ikan (Sizing) Melaporkan ju mlah ikan yang diproses dalam pengukuran ikan dan jenis ikan. d.
Laporan Proses Penyimpanan Ikan (Co ldstorage) Melaporkan ju mlah ikan yang disimpan antara proses sizing dengan defrost atau antara pengiriman dari supplier dengan sizing. e.
Laporan Proses Pencairan Suhu Ikan (Defrost) Melaporkan ju mlah ikan yang dicairkan suhunya berserta jenisnya. f.
Laporan Proses Pemotongan Ikan (cutting) Melaporkan ju mlah ikan yang olah untuk proses pengambilan isi (jeoran)-nya beserta jenisnya. g.
Laporan Proses Pemasakan Ikan (cooking) Melaporkan ju mlah ikan yang dimasak beserta jenisnya. h. Laporan Proses pembersihan Awal Ikan (PreCleaning) Melaporkan ju mlah ikan yang dibersihkan beserta jenisnya. i.
Laporan Proses Pembersihan Ikan (Cleaning) Melaporkan ju mlah ikan yang dibersihkan lagi (kelanjutan dari proses PreCleaning) beserta jenisnya. j.
Laporan Proses Pengisian Wadah (Packing)
6
Melaporkan ju mlah jenis produk yang akan dihasilkan. k.
Laporan Proses Pengumpulan Wadah (Retort) Melaporkan ju mlah wadah yang diku mpulkan dalam suatu wadah penampung.
Data Source Views sendiri merupakan view dari Data Sources yang sudah didefinisikan sebelumnya. Langkah detail dari pendefinisan Data Sources, Data Source Views dan pembuatan cube akan dibahas pada subbab selanjutnya. Dalam tugas akhir ini dibuat beberapa cube.
l.
Laporan Proses Penyimpanan (Warehouse) Melaporkan ju mlah penyimpanan produk di gudang. m. Laporan Proses Jet Print Produk Melaporkan ju mlah dan jenis produk yang diberi label dengan jet print. Juga menyimpan data pallete. n.
Laporan Proses Pengiriman Produk (Staffing) Melaporkan ju mlah dan jenis produk yang akan dikirim beserta negara tujuan. Semua laporan direpresentasikan dalam bentuk tabel dan diagram batang dan disusun dalam rangkaian waktu.
3.2
Perancangan
3.2.1 Perancangan Data Warehouse Pada perancangan data ini, akan d itampilkan data yang berhubungan dengan aplikasi OLAP ini yang mengamb il sumber dari data base PT. ATI. Tabel-tabel yang terdapat dalam ERD adalah yang digunakan sebagai data masukan atau input, dan kemudian digunakan dalam pembuatan data warehouse. Dalam perancangan data warehouse, cube merupakan salah satu cara untuk dapat menamp ilkan data secara multid imensional yang nantinya data dalam cube inilah yang akan menjadi bahan untuk dianalisa.
a.
Cube Pengiriman Cube ini akan diolah untuk menghasilkan laporan proses Pengiriman Ikan (Dari Supplier). Cube ini melibatkan tabel Pengiriman, Supplier, Vessel, dan Nationality. Cube Penerimaan – Pengukuran Cube ini akan diolah untuk menghasilkan laporan proses penerimaan ikan (Receiv ing) dan laporan proses Pengukuran Ikan (Sizing). Cube ini melibatkan tabel Sizing, Receiving, Master_Ikan, dan Grup_Ikan. b.
c.
Cube Co ldstorage Cube in i dibuat untuk menghasilkan informasi proses penyimpanan ikan (Coldstorage). Cube ini melibatkan tabel ColdStorage, Master_Ikan, dan Grup_Ikan. d.
Cube Defrost Cube ini akan diolah untuk menghasilkan laporan proses pencairan suhu ikan (Defrost). Cube ini melibatkan tabel Defrost, Master_Ikan, dan Grup_Ikan. Cube Cutting – Cooking Cube ini melibatkan tabel Cutting, Cooking, Master_Ikan, dan Grup_Ikan. Cube ini akan diolah untuk menghasilkan laporan proses pemotongan ikan (Cutting), dan laporan proses pemasakan ikan (Cooking). e.
Cube PreCleaning – Clean ing Cube ini melibatkan tabel PreCleaning, Cleaning, Master_Ikan, dan Grup_Ikan. Cube ini akan diolah untuk menghasilkan laporan proses pembersihan awal ikan (PreCleaning), dan laporan proses pembesihan ikan (Cleaning). f.
Untuk membuat desain atau rancangan pada data warehouse tidak terlepas dari sebuah schema, karena schema merupakan representasi dari perancangan cube, sebagaimana yang diinginkan sesuai dengan kebutuhan, yang biasa berupa star schema dan snowflake schema. Hal in i tergantung hubungan antara table dimensi dengan table fakta. Langkah-langkah dalam pembuatan cube adalah terlebih mendefinisikan Data Source Views yang akan diguanakan. Dari Data Source Views inilah ditentukan pilihan mana tabel yang akan digunakan sebagai tabel fakta dan mana yang digunakan sebagai table dimensi. Tidak harus semua tabel dalam Data Source Views harus dilibatkan dalam pembuatan cube ini. Kemudian akan dihasilkan cube dengan struktur (schema) dan measure dari tabel – tabel yang dilibatkan tadi. Measure dan dimensi masih dapat ditambahkan meski cube sudah terbentuk.
g.
Cube Pack– Retort-Wh Cube ini melibatkan tabel Packing, Retort, Warehouse, dan Produk. Cube ini akan diolah untuk menghasilkan laporan proses pengisian wadah (Packing), laporan proses pengumpulan wadah (Retort), dan laporan proses Penyimpanan (Warehouse). 3.2.2 Perancangan Antar Muka Pada perancangan muka laporan dibuat dengan menggunakan Microsoft Visual Studio 2005 Reporting Service. Secara u mu m. Bentuk antarmuka hanya dua, yaitu dalam bentuk tabel dan diagram. Rancangan umum dari antar muka
7
laporan dalam bentuk tabel dapat dilihat pada gambar 3.1.
Gambar 3. 3 Select Buil d Method
Gambar 3. 1 Laporan dalam Bentuk Tabel Sedangkan untuk tamp ilan dalam bentuk grafik, seperti pada gambar 3.2.
c. Pada window Select Data Source View pada gambar 3.4, pastikan data source view-nya telah terpilih), wizard akan melihat tabel pada database yang didefinisikan pada data source views. Kemudian tekan Next.
Gambar 3. 2 Laporan dalam Bentuk Di agram 3.2.3 Implementasi 3.3.1.4 Pembuatan Cube Dari keenam cube, hanya diambil satu contoh cara pembuatan cube Pengiriman karena secara umum langkah pembuatannya sama. Langkah – langkahnya adalah sebagai berikut: a. Pada Solution Expl orer klik kanan Cube, kemudian klik New Cube , maka akan muncul window Welcome to the cube wizards, klik Next.
Gambar 3. 4 Select Data Source Vie w d. Pada window Identify Fact and Di mension Tables pilih tabel yang akan digunakan sebagai tabel fakta pada bagian Fact dan bagian Dimension untuk tabel dimensi (centang seperti pada gambar 3.6), dan pilih tabel yang dijadikan dimensi waktu (p ilih “None” jika tak ada) pada list Ti me Dimension Table.
b. Setelah window Select Build Method muncul, pilih Buil d the cube using a data source dan laku kan uncheck pada checkbox Auto Buil d seperti pada gambar 3.3, kemudian klik Next.
Gambar 3. 5 Select Me asures
8
h. Beri nama cube pada textbox Cube Name di window Completing the Wizard seperti yang terlihat pada gambar 3.8.
Gambar 3. 8 Completing Wizard Cube
Gambar 3. 6 Identify Fact & Di mension Tables
i. Setelah cube dibuat, buka Solution Explorer kemudian klik cube yang telah dibuat agar muncul tabnya. Pada tab tersebut, terdapat subtab Cube Structure yang berisi Measures, Dimension, dan Data Source view dari cube yang bersangkutan. Cube struktur dari cube Pengiriman adalah s eperti yang terlihat pada gambar 3.10. selain subtab Cube structure terdapat subtab yang lain.
e. Selanjutnya pada window Review Shared Dimensions, klik Next. Karena masih pertama kali pembuatan cube, tidak ada shared dimensions yang tersedia. f. Selanjutnya, pilih measure yang akan digunakan pada window Select Measure seperti pada gambar 3.5. Kemudian tekan Next. g. Kemudian muncul window Review New Dimensions seperti ditunjukkan pada gambar 3.7. Klik Next.
Gambar 3. 9 Browser Cube
Gambar 3. 10 Cube Structure Gambar 3. 7 Review New Di mension
j. Untuk melihat hasil cube, klik tab Browser pada Pengiriman.cube. kemudian drag field-field yang akan ditampilkan pada cube. Contoh hasilnya seperti yang terlihat pada gambar 3.9.
9
Selain itu juga didefinisikan dimensi Time yang ditambahkan ke semua cube. Tujuan dari dimensi in i adalah untuk hirarki waktu.
4
2. Selanjutnya, jika ingin melihat versi diagram dari tabel diatas, klik tombol View Chart. Maka akan tampil halaman web yang menamp ikan report Pengiriman Ikan (Dari Supplier) dalam bentuk diagram batang seperti pada gambar 4.2.
Uji Coba dan Pe mbahasan
Pelaksanaan uji coba Tugas Akhir ini meliputi dua hal yaitu uji coba aplikasi dan uji coba kinerja sistem dalam melakukan fungsi – fungsi OLAP.
4.1 Uji Coba Cube Uji coba hanya dilakukan pada report dari cube pengiriman. Sedangkan cube yang lain memiliki pola cara yang sama. Cube Pengiriman mendefinisikan skema keterkaitan data yang menyimpan info rmasi pengiriman ikan dari supplier. Dari cube ini dibuat report Pengiriman Ikan (Dari Supplier). Report ini akan menampilkan informasi pengiriman dalam bentuk tabel dan diagram. Uji coba tidak hanya berusaha menamp ilkan informasi tetapi juga filterisasi data untuk mendapatkan informasi yang lebih spesifik sesuai dengan definisi user.
Gambar 4. 2 Report Diagram Pengiri man Ikan dari Supplier
1. Untuk menamp ilkan laporan pengiriman ikan
3. Jika diperhatikan, pada tabel maupun diagram,
dari Supplier, maka klik tombol Pengiriman pada menu. Kemudian akan tampil halaman yang terlihat pada gambar 4.1.
semua informasi ditamp ilkan. Lalu, bagaimana jika user ingin menspesifikkan informasi pengiriman misalnya berdasarkan tahun atau bulan tertentu, atau berdasarkan supplier atau asal negara tertentu. Hal ini dapat dilakukan dengan menspesifikkan kebutuhan informasi pada filter. Semisal, dari informasi yang tampak pada gambar, akan difilter untuk menamp ilkan informasi kuantitas pengiriman ikan dari supplir hanya untuk tahun 2002 dan 2007. Centang pilihan Calender 2002 dan Calender 2007 pada kolo m filter year. Kemudian klik View Report. Maka informasi yang ditamp ilkan akan berubah seperti yang tampak pada gambar 4.3.
Gambar 4. 1 Report Tabel Pengirim an Ikan dari Supplier Tabel pada gambar 4.1 diatas menunjukkan ju mlah ikan yang dikirim o leh supplier pada semua periode. Bagian baris menunjukkan ID Supplier, dan bagian kolom menunju kkan waktu pengiriman. Jika diklik pada ID supplier, akan muncul nama supplier, dan jika d iklik lagi, akan muncul asal negara supplier. Begitu juga pada kolom, kalendar tahun jika diklik akan muncul detail bulan pengiriman, selan jutnya akan muncul detail hari(tanggal) pengiriman. In i merupakan proses drilldown akan dibahas pada uji coba selanjutnya.
Gambar 4. 3 Hasil Filter Report Pengiriman Ikan dari Supplier
10
Dari report pada gambar 4.3 d iatas tampak bahwa hanya informasi pada tahun 2002 dan 2007 saja yang ditampilkan.
4.2 Uji Coba Operasi Olap Pada bagian in i, akan diu ji coba untuk men jalan kan operasi-operasi dasar OLAP antara lain : drili-up atau drill-down, slicing atau dicing, dan rotation atau pivoting.
supplier, jenis ikan atau produk. Aplikasi OLAP harus bisa menamp ilkan perubahan sudut pandang dengan menukar posisi kolom dan baris. Penukaran ini dilakukan pada saat pendefinisian report. Untuk melakukan rotasi klik tombol Change Pivot pada masing – masing halaman. Gambar 4.5 adalah rotasi report Pengiriman Ikan (Dari Supplier). Kebalikan dari gambar 4.4.
4.2.1 Drill Down dan Roll up Proses drill down merupakan kemampuan OLAP untuk melihat suatu subset data secara lebih detail, proses detail data ini diturunkan berdasarkan konsep hirarki pada tiap d imensi yang ada. Sedangkan proses roll up merupakan kebalikan dari prose drill down yaitu proses penggabungan atau penyatuan data ke dalam level yang lebih tinggi. Semua report tabel disusun berdasarkan periode waktu. Periode waktu tersebut dapat di drill down dari tahun ke bulan. Kemudian jika bulan di drill down lagi akan muncul hari. Gambar 4.4 adalah contoh drill down tahun ke bulan ke hari dari report penerimaan ikan dari supplier. Gambar 4. 5 Rotasi Report Pengiriman Ikan dari Supplier 4.2.3 Slicing dan Dicing Proses slicing dan sicing merupakan kemampuan OLAP untuk melakukan pemilihan subset pada data. Operasi slice adalah proses pemotongan pada cube berdasarkan nilai pada satu atau beberapa dimensi. Sedangkan dicing adalah proses pemotongan lebih kecil dari hasil dicing.
Gambar 4. 4 Comtoh Drill down Report pada Bagian Tanggal Sedangkan roll up adalah kebalikan dari drill down. Drill down dan roll up juga bisa dilakukan melalui filter.
Perbedaan antara slicing – dicing dengan drill down adalah jikalau drill down men-drill informasi dilingkup yang ada dibawahnya. Semisal dari tahun 2006, di-drill down ke bulan. Hasilnya adalah informasi pada bulan- bulan di tahun tersebut. Sedangkan Slicing adalah kemampuan dimana informasi bisa dipilah sesuai keinginan seperti menampilakan informasi hanya pada bulan Januari pada setiap tahun. Lalu dicing untuk menamp ilkan informasi pada bulan januari tahun tertentu saja. Hasil dari contoh slicing tersebut ditamp ilkan pada gambar 4.6 dan hasil dicing pada gambar 4.7.
4.2.2 Rotation / Pi voting Proses 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. Jika diperhatikan pada report – report tabel sebelumnya tampak bahwa tanggal selalu menempati posisi kolo m sedang baris diisi oleh
11
d. Tamp ilan informasi dalam bentuk tabel dan diagram yang dapat difilter, di-drill down dan roll up sehingga memudahkan dalam pengamatan.
6
Daftar Pustaka [1] Hariyanto, Bambang. Sistem Manajemen Basis Data. Informatika. Bandung. 2004.
Gambar 4. 6 Slicing Report Pengiriman Ikan dari Supplier
[2] Kayungyun, Ratri Dwi. Rancang Bangun Perangkat Lunak Aplikasi Penelusuran Produk Pada PT. Aneka Tuna Indonesia. Tugas Akhir, Jurusan Teknik Informat ika, FTIF, ITS. 2009. [3] Tisna Budi, Riantari. Pembuatan Apliasi OLAP pada sistem Informasi Monitoring Tugas Akhir Jurusan Teknik Informatika – ITS dengan Menggunakan SQL Server 2005. Tugas Akhir, Jurusan Teknik Informat ika, FTIF, ITS. 2007. [4] ---, PT. A NEKA TUNA INDONESIA, (www.tunaindonesia.com)
Gambar 4. 7 Dicing Report Peneri maan Ikan dari Supplier
5
Kesimpulan
Dari hasil penelit ian Tugas Akhir yang telah dilakukan dapat disimpulkan: a. Aplikasi telah berhasil dikembangkan dalam bentuk web, sehingga memberi kemudahan dalam pengaksesan. b. Aplikasi lebih memberi kemudahan kepada PT. ATI untuk melakukan pengecekkan dibandingkan dengan cara penyimpanan mereka sebelumnya. c. Informasi yang ditampilkan dapat membantu pihak PT. ATI untuk memantau kuantitas proses produksi sehingga mengetahui jumlah ikan yang diproses berdasarkan periode waktu juga berapa ju mlah produk yang dihasilkan dan negara tujuan.
12
