Rancang Bangun Data Warehouse Untuk Analisis Kinerja Penjualan Pada Industri Dengan Model Spa-Dw

Jurnal Sistem Informasi Bisnis 01(2012)

36

On-line : http://ejournal.undip.ac.id/index.php/jsinbis

Rancang Bangun Data Warehouse Untuk Analisis Kinerja Penjualan Pada Industri Dengan Model Spa-Dw Randy Oktrima Putra a, Toni Prahasto b PT. Jamsostek Tbk, Jl. MT Haryono No. 11, Sibolga b Program

Studi Teknik Mesin, Fakultas Teknik Universitas Diponegoro, Semarang

Abstrak A company, majorly company that active in commercial (profit orientation) need to analyze their sales performance. By analyzing sales performance, company can increase their sales performance. One of method to analyze sales performance is by collecting historical data that relates to sales and then process that data so that produce information that show company sales performance. A data warehouse is a set of data that has characteristic subject oriented, time variant, integrated, and nonvolatile that help company management in processing of decision making. Design of data warehouse is started from collecting data that relate to sales such as product, customer, sales area, sales transaction, etc. After collecting the data, next is data extraction and transformation. Data extraction is a process for selecting data that will be loaded into data warehouse. Data transformation is making some change to the data after extracted to be more consistent. After transformation processing, data are loaded into data warehouse. Data in data warehouse is processed by OLAP (On Line Analytical Processing) to produce information. Information that are produced from data processing by OLAP are chart and query reporting. Chart reporting are sales chart based on cement type, sales chart based on sales area, sales chart based on plant, monthly and yearly sales chart, and chart based on customer feedback. Query reporting are sales based on cement type, sales area, plant and customer. Keywords: Data warehouse; OLAP; Sales performance analysis; Ready mix market

1.

Pendahuluan

Untuk melakukan analisis, maka perusahaan perlu mengumpulkan atau harus memiliki data yang banyak secara kuantitas dan baik secara kualitas. Semakin banyak dan baik data yang dimiliki, maka akan semakin baik pula hasil analisis yang akan dihasilkan. Namun, untuk memenuhi hasil analisis yang baik tergantung pada jumlahdan kualitas data yang akan digunakan maka dibutuhkan suatu teknologi yang dapat membantu pihak manajemen perusahaan dalam memahami analisis yang akan dilakukan. Data warehouse adalah sebuah database yang secara khusus didesain dengan struktur untuk melakukan query dan analisis (Nolan dan Huguelet, 2000). Data warehouse perusahaan adalah sebuah database komprehensif yang mendukung semua analisis keputusan yang diperlukan oleh suatu organisasi dengan menyediakan ringkasan dan rincian informasi. Data warehouse menyediakan suatu wadah untuk menampung data - data yang diperlukan untuk menganalisis suatu kondisi dalam organisasi dengan hanya mengambil data yang dibutuhkan untuk keperluan saja. Data yang digunakan dalam data warehouse dapat berasal dari data yang sifatnya operasional yang ada setiap harinya saat proses berjalan. Menurut W.H Inmon (Reddy et al., 2010), sebuah data warehouse merupakan kumpulan data yang bersifat subject-oriented, terintegrasi, time variant, dan non volatile yang membantu manajemen perusahaan dalam proses pembuatan keputusan. Data warehouse menyediakan suatu tool yang disebut OnLine Analytical Processing (OLAP) untuk melakukan analisis data

multidimensional secara interaktif yang nantinya akan menjadi fasilitas yang memudahkan untuk melakukan proses data mining (Reddy et al., 2010). Keuntungan dari menerapkan data warehouse adalah kemampuan mengakses data enterprise, kemampuan dalam konsistensi data, kemampuan menampilkan hasil analisis secara cepat, menemukan gap antara pengetahuan bisnis dan bisnis proses, mengurangi biaya administrasi, dan menampilkan informasi yang memang dibutuhkan secara efektif (Nolan dan Huguelet, 2000). Dengan adanya keuntungan yang dijanjikan oleh data warehouse maka akan sangat membantu pihak manajemen perusahaan dalam membuat keputusan yang akan berdampak pada kelangsungan hidup perusahaannya sendiri. 2.

Kerangka Teori

2.1. Data Warehouse Menurut Zhiwei Ni et al. (2011), data warehouse merupakan suatu kumpulan data yang bersifat subjectoriented, terintegrasi, terus-menerus dan time variant yang membantu enterprise atau organisasi dalam membuat keputusan. Sebagai pembuat keputusan maka dibutuhkan query beberapa nilai dari satu subjek untuk melakukan proses analisis secara real-time. Data warehouse dengan model multidimensional biasanya diimplementasikan dalam bentuk star scheme agar memenuhi persyaratan. Pada model multidimensional, data warehouse biasanya menyimpan data dalam bentuk database relasional. Menurut Reggy et al. (2010), data warehouse didefinisikan sebagai sekumpulan data yang bersifat subject-oriented, terintegrasi, time variant, nonvolatile

37


yang melayani sebagai implementasi fisik dari sebuah model data untuk mengambil keputusan dan menyimpan informasi untuk kebutuhan enterprise atas keputusan yang bersifat strategis. Teknologi dalam data warehouse meliputi data cleaning, integrasi data, dan OLAP sebagai teknik analisis dengan fungsi seperti menyimpulkan, konsolidasi dan agregasi sebaik kemampuan memandang informasi dari berbagai sudut. Menurut Ponniah (2001) dalam bukunya yang berjudul Data Warehousing Fundamentals, karakteristikkarakteristik dari data warehouse dapat dijelaskan sebagai berikut : 1) Subject Oriented Pada sistem operasional, data disimpan berdasarkan aplikasi yang dibangun secara individual. Selain itu dalam dalam database operasional, data disediakan untuk semua fungsi yang dibutuhkan seperti untuk memasukkan pesanan, mengecek persediaan, verifikasi kredit konsumen dan lain-lain. Akan tetapi dalam data warehouse hanya mengandung data yang dibutuhkan untuk fungsi yang berhubungan dengan sebagian aplikasi. Dapat dikatakan bahwa dalam database operasional terdapat aplikasi tertentu yang mengandung data tertentu sementara dalam data warehouse terdapat berbagai data yang melintasi semua aplikasi individu yang ada. 2) Data Terintegrasi Untuk pembuatan keputusan, data yang akan dimasukkan ke dalam data warehouse dapat diambil dari berbagai aplikasi yang berhubungan dengan keputusan yang akan dibuat. Data didalam data warehouse akan memiliki perbedaan database, file dan segmentasi. Dikarenakan data untuk data warehouse diambil dari aplikasi yang berbeda maka akan berbeda pula platform dan sistem operasi yang digunakan aplikasi tersebut yang juga akan memunculkan perbedaan pada tampilan file, representasi kode karakter, penamaan field tentunya. Oleh karena itu, sebelum data yang dibutuhkan untuk data warehouse yang berasal dari berbagai sumber data akan digunakan maka harus dilakukan penghapusan terhadap data yang tidak konsisten dan harus dilakukan proses standardisasi untuk berbagai elemen data. Sehingga data yang akan digunakan untuk data warehouse harus melewati beberapa proses yaitu transformasi, konsolidasi dan integrasi dengan sumber data lainnya. 3) Time Variant Pada sistem operasional, data yang disimpan hanya mengandung nilai saat ini saja. Namun tentu saja sistem operasional masih menyimpan beberapa data yang sifatnya masa lalu. Akan tetapi secara esensial sistem operasional menggambarkan informasi saat ini karena sistem mendukung operasi setiap hari nya. Pada data warehouse, disebabkan oleh tujuan natural nya, data warehouse mengandung data historis, tidak hanya nilai saat ini. Data disimpan sebagai gambaran masa lalu dan periode saat ini. Setiap struktur data dalam data warehouse mengandung elemen waktu. Secara alamiah, karakteristik time variant dalam data warehouse adalah mengizinkan untuk menganalisis


masa lalu, menghubungkan informasi saat ini, dan memungkinkan untuk memprediksi masa depan. 4) NonVolatile Data diekstraksi dari berbagai sistem operasional dan data yang bersumber dari luar (eksternal) yang kemudian ditransformasi, diintegrasi, dan disimpan ke dalam data warehouse. Data di dalam data warehouse tidak dirancang untuk menjalankan bisnis setiap harinya. Sehingga dalam data warehouse tidak ada proses pembaharuan data untuk setiap kali proses transaksi berjalan. Arsitektur data warehouse meliputi alat untuk mengekstrak data dari berbagai sumber data baik eksternal maupun database operasional, untuk membersihkan data, transformasi dan mengintegrasikan data, untuk memasukkan data ke dalam data warehouse, dan secara periodic untuk memperbaharui gudang untuk mencerminkan pembaharuan pada sumber data dari gudang. Sebagai tambahannya, dalam data warehouse dimungkinkan untuk membuat data marts untuk beberapa departemen. Data di dalam data warehouse dan data marts disimpan dan diatur oleh satu atau lebih server gudang yang menyajikan gambaran data secara multidimensional ke dalam bentuk atau format seperti query, penulisan laporan, alat untuk analisis, dan alat untuk data mining. Pada akhirnya terdapat media penyimpanan dan mengatur metadata serta alat untuk memantau dan administrasi sistem warehouse.

Gambar 1. Arsitektur Data Warehouse 2.2. OLAP (OnLine Analytical Processing) Pada dasarnya, user membutuhkan kemampuan untuk menampilkan analisis multidimensional dengan kalkulasi yang kompleks, tetapi pada kenyataannya dalam media atau alat penulisan laporan, query, spreadsheets tidak mampu memenuhi kebutuhan itu. Melihat kepada kenyataan tersebut maka dibutuhkan suatu alat tambahan yang mampu menjawab semua persoalan tersebut. Dibutuhkan sekumpulan alat yang secara khusus dapat melakukan analisis secara serius. Untuk itulah OLAP dibutuhkan. OLAP (OnLine Analytical Processing) merupakan sebuah kategori software yang memungkinkan analis, manajer dan eksekutif untuk mendapat keuntungan dari dalam data secara cepat, konsisten, dan interaktif dengan berbagai kemungkinan yang ada pada pandangan terhadap informasi yang ditransformasi dari data mentah ke dalam bentuk nyata yang dapat dipahami oleh user (Ponniah, 2001). Dari definisi tersebut maka dapat diambil

38


kesimpulan bahwa OLAP memiliki keutamaan diantaranya : a) Memungkinkan analis, manajer dan eksekutif untuk mendapatkan keuntungan yang berguna dari presentasi data b) Dapat mengorganisasi metrics selama beberapa dimensi dan memungkinkan data dilihat dari perspektif yang berbeda c) Mendukung analisis multidimensional d) Dapat melakukan drill down atau roll up dalam setiap dimensi e) Memiliki kemampuan untuk mengaplikasikan formula matematika dan pengukuran kalkulasi f) Memberikan respond secara cepat dan memfasilitasi analisis pemikiran dengan cepat g) Melengkapi penggunaan teknik pengiriman informasi yang lainnya seperti data mining h) Memperbaiki pembandingan sekumpulan hasil melalui presentasi visual dengan menggunakan gambar dan diagram i) Dapat diimplementasikan pada web j) Dirancang untuk analisis interaktif tingkat tinggi Karakteristik dari OLAP dapat dijelaskan sebagai berikut : a) Mengizinkan para pelaku bisnis memiliki pandangan logical dan multidimensional terhadap data di dalam data warehouse b) Memfasilitasi analisis query yang interaktif dan kompleks untuk pengguna c) Mengizinkan user untuk melakukan drill down sehingga mendapatkan rincian yang lebih jelas atau roll up untuk agregasi metric selama satu dimensi bisnis atau melintasi multidimensi d) Menyediakan kemampuan untuk menampilkan kalkulasi yang rumit dan perbandingan e) Menyajikan hasil dalam sejumlah cara yang memiliki arti termasuk ke dalam bentuk gambar dan diagram. Melihat kepada karakteristik OLAP yang menyajikan beragam kemampuan untuk menganalisis maka pengguna OLAP akan mendapatkan beberapa keuntungan diantaranya : a) Meningkatkan produktivitas dari analis, manajer dan eksekutif b) Pengguna dapat menggunakan OLAP sesuai kebutuhannya tanpa harus didampingi oleh orang yang ahli dalam IT c) Tidak hanya menawarkan keuntungan untuk pengguna, para ahli IT pun merasakan keuntungan adanya OLAP yaitu OLAP secara khusus didesain untuk pengembangan sistem dengan hasil aplikasi yang lebih cepat d) Pengoperasian lebih efisien melalui berkurangnya waktu yang dibutuhkan pada saat eksekusi query dan di dalam traffic jaringan e) Mampu menjawab tantangan nyata dunia bisnis dengan bisnis metric dan dimensi 2.3. Model Data Warehouse Untuk Analisis Kinerja Penjualan Menurut Torben dan Christian (Nasir et al., 2006), data warehouse menyajikan sebuah pondasi untuk berbagai


jenis dari analisis dan laporan mengenai penjualan beserta prediksi nya. Laporan dan analisis penjualan beserta prediksi nya menyajikan pandangan bagi bagian penjualan perusahaan, mengintegrasikan informasi dari penjualan, konsumen dan keuangan untuk melengkapi gambaran kinerja penjualan. Dalam jurnalnya yang berjudul Data Warehouse Design For Sales Performance Analysis, Nasir menyatakan bahwa analisis kinerja penjualan menggabungkan konsep dari proses analitis dan data warehouse untuk mendukung proses pembuatan keputusan dalam organisasi. Perancangan dari analisis kinerja penjualan dengan data warehouse memberikan dampak yang langsung pada kemampuan perusahaan untuk menampilkan analisis penjualan produk secara khusus. Namun tidak ada aturan khusus untuk merancang data warehouse yang akan dipakai dalam analisis kinerja penjualan.

Gambar 2. Model Data SPA – DW Untuk Analisis Kinerja Penjualan 3.

Pembahasan

3.1. Pengumpulan Data Tahapan awal dalam penelitian ini adalah mengumpulkan data yang akan digunakan untuk membangun data warehouse. Data yang dikumpulkan bersumber dari berbagai database yang digunakan pada aplikasi di beberapa bagian yang terkait dengan penjualan semen di PT. Semen Padang. Adapun data yang dikumpulkan dapat dilihat dalam tabel 1. Tabel 1. Data Yang Dikumpulkan Dan Sumber Data No 1 2 3 4 5

Data Yang Dikumpulkan Data Penjualan Semen Data Customer Data Jenis Semen Data Plant Pengantongan Data Wilayah Penjualan

Keterangan Data dikumpulkan dari tahun 2010 – 2011. Bersumber dari Bagian Sistem Informasi di PT. Semen Padang yang menggunakan aplikasi SAP,

39 No 6 7 8

Jurnal Sistem Informasi Bisnis 01(2012) Data Yang Dikumpulkan Data Pelayanan Pelanggan Data Promosi Produk Data Keluhan Pelanggan

Keterangan

Tabel 2. Data Extraction Data Yang Di Ekstraksi

1

Data Wilayah Penjualan

2

Data Customer

3

4

5

Data Plant Pengantongan

Data Jenis Semen

Data Penjualan Semen

H. Jual, PPN, PPh22, SP-3, Sales Qty, H. Tebus, SO Price, GI Date, Material, Billing Date, No Billing, Plant

Data dikumpulkan dari tahun 2010 – 2011. Bersumber dari Bagian Renbangsar di PT. Semen Padang. Data ini didapat dari catatan secara manual.

3.2. Data Extraction Dari beberapa data yang sudah dikumpulkan tadi, pada tahapan data extraction dilakukan pemilihan data yang akan dijadikan input untuk menghasilkan informasi dan pembuangan data yang tidak perlu ada di dalam data warehouse. Hasil dari ekstraksi data dapat dilihat pada tabel 2.

No


Data Awal (Sebelum Ekstraksi) Terdiri dari beberapa field yaitu SOrg, DChl, Dv, SOff, Description Terdiri dari beberapa field yaitu SearchTerm, PostalCode, City, Name1, Customer, CoCd Terdiri dari beberapa field yaitu Plnt,SearchTerm 1, SearchTerm2, PostlCode, City, Name2, Name, Version Terdiri dari beberapa field yaitu Producthierarchy, SOrg, DChl, Material, Language, Materialdescripti on Terdiri dari beberapa field yaitu NoSO, CreatedDO, Delivery, Nama sold to party, Sales Office Desc, District Name, Incoterm, Description, Description, Payment Term, DO Quantity, UoM, DO Qty (TON), H. Satuan, Nilai DO,

Data Akhir (Setelah Ekstraksi)

3.3. Data Transformation Ada beberapa aktivitas yang dilakukan dalam tahapan data transformation. Diantaranya adalah pengaturan ulang nama file, nama field, sistem pengkodean data, format isi file. Aktivitas yang dilakukan dalam data transformation dapat dilihat pada tabel 3. Tabel 3. Data Transformation No 1

Data Data Penjualan Semen

Yang dibutuhkan adalah SOff , Description

Yang dibutuhkan adalah Name1, Customer

Yang dibutuhkan adalah Plnt, PostlCode, City, Name

Yang dibutuhkan adalah DChl, Material, Materialdescription

Yang dibutuhkan adalah NoSO, CreatedDO, Nama Sold to party, Sales Office Desc, District Name, Incoterm, Description, Plant, Payment Term, DO Quantity, DO Qty(TON), UoM, H. Satuan, Nilai DO, Sales Qty, H. Tebus, GI Date

2

Data Distribution Channel

3

Data Plant Pengantongan

4

Data Jenis Semen

5

Data Payment Term

6

Data Sales District

7

Data Wilayah Penjualan

Proses Transformasi Yang Dilakukan Data Penjualan Semen akan dimasukkan ke dalam data warehouse tepatnya pada file Sales. Transformasi yang dilakukan pada Data Penjualan Semen adalah mengubah nama field menjadi No_SO, Created_DO, Customer_Code, Sales_Office_Code, District_Code, Incoterm_Code, Plant, Payment_Code, DO_Quantity, UoM, DO_Quantity_TON, Unit_Price, Value_DO, Sales_Quantity, Price, GI_Date, Material_Code Data Distribution Channel akan dimasukkan ke dalam file Distribution_Channel. Tranformasi yang dilakukan adalah mengubah nama field menjadi DChl, Name_DChl Data Plant Pengantongan akan dimasukkan ke dalam file Good_Source. Transformasi yang dilakukan adalah mengubah nama field menjadi Plant, Postal_Code_Plant, City_Plant, Name_Plant Data Jenis Semen akan dimasukkan ke dalam file Good_Type. Transformasi yang dilakukan adalah mengubah nama field menjadi DChl, Material_Code, Material_Description Data Payment Term akan dimasukkan ke dalam file Payment_Term. Transformasi yang dilakukan adalah mengubah nama field menjadi Payment_Code, Payment_Name Data Sales District akan dimasukkan ke dalam file Sales_District. Transformasi pertama yang dilakukan adalah mengubah nama field menjadi District_Code, District_Name. Transformasi kedua yang dilakukan adalah format ulang District_Code dengan format SD-3000-No.Urut (SD merupakan singkatan dari SalesDistrict ; 3000 merupakan kode organisasi perusahaan PT. Semen Padang ; No.Urut merupakan nomor identitas Sales District yang diurut secara abjad) Data Wilayah Penjualan akan dimasukkan ke dalam file Sales_Office. Transformasi pertama yang dilakukan adalah mengubah nama field menjadi

40


8

Data Tipe Penjualan

9

Data Customer

10

Data Keluhan Pelanggan

Sales_Office_Code, Sales_Office_Description. Transformasi kedua yang dilakukan adalah melakukan format ulang untuk Sales_Office_Code denga format SOD-3000-No.Urut (SOD merupakan singkatan dari SalesOfficeDescription ; 3000 merupakan kode organisasi PT. Semen Padang ; No.Urut merupakan nomor identitas Sales Office yang diurut secara abjad) Data Tipe Penjualan akan dimasukkan ke dalam file Sales_Type. Transformasi yang dilakukan adalah mengubah nama field menjadi Incoterm_Code, Incoterm_Description. Data Customer akan dimasukkan ke dalam file Master_Customer. Transformasi pertama yang dilakukan adalah mengubah nama field menjadi Customer_Code, Name_Customer. Transformasi kedua yang dilakukan adalah melakukan format ulang terhadap Customer_Code dengan format Cust3000-No.Urut (Cust merupakan singkatan dari Customer ; 3000 merupakan kode organisasi PT. Semen Padang ; No. Urut merupakan nomor identitas Customer yang diurut secara abjad) Data Keluhan Pelanggan akan dimasukkan ke dalam file Customer_Feed_Back. Transformasi yang dilakukan adalah dengan menambah field baru yaitu Subject. Subject merupakan kategori keluhan pelanggan apakah termasuk ke dalam kategori Mutu dan Kualitas, Isi atau Kemasan.

3.4. Data Loading Data Loading merupakan proses memasukkan data yang sudah di extract dan ditransformasi sesuai dengan kebutuhan data warehouse yang akan dibangun ke dalam database (datawarehouse).

Gambar 3. Form Data Loading 3.5. Model Data Warehouse Untuk Analisis Kinerja Penjualan Di PT. Semen Padang Dalam membangun data warehouse untuk analisis kinerja penjualan di PT. Semen Padang digunakan model data yang sudah dibuat oleh Nasir, dkk dalam jurnal


mereka yang berjudul Data Warehouse Design for Sales Performance Analysis. Namun model data yang sudah dibuat oleh Nasir, dkk mengalami penyesuaian pada saat diterapkan di PT. Semen Padang. Pada model data yang dibangun oleh Nasir, dkk, terdapat beberapa data seperti supplier, scenario, future sales, competitors, compititions, customer behaviours, customer existence yang tidak terdapat di PT. Semen Padang. Namun hal ini tidak akan mengurangi kemampuan analisis yang akan disajikan oleh data warehouse dan OLAP yang akan dibangun. Ini dikarenakan model yang dibangun oleh Nasir, dkk dapat digunakan secara fleksibel sesuai kebutuhan pengguna nya. Model data warehouse yang akan dibangun untuk analisis kinerja penjualan di PT. Semen Padang dapat dilihat pada gambar 4. Sales_Type

Sales

Incoterm_Code Incoterm_Description

No_SO Created_DO Customer_Code Sales_Office_Code District_Code Incoterm_Code Plant Payment_Code DO_Quantity UoM DO_Quantity_TON Unit_Price Value_DO Sales_Quantity Price GI_Date Material_Code

Good_Source Plant Name_Plant City_Plant Postal_Code_Plant

Payment_Term Payment_Code Payment_Name

Distribution_Channel DChl Name_DChl

Master_Customer Customer_Code Name_Customer

Customer_Feed_Back Customer_Code Subject Feed_Back Time_CFB Solving_Time

Sales_Office Sales_Office_Code Sales_Office_Description

Customer_Service District_Code Type_Of_Service Time

Sales_District District_Code District_Name

Good_Type

Promotion

Material_Code DChl Material_Description

Material_Code Location Media

Gambar 4. Model Data Warehouse Analisis Kinerja Penjualan PT. Semen Padang 3.6. On Line Analytical Processing (OLAP) 1. Analisis Penjualan Berdasarkan Wilayah Penjualan Output ini memberikan informasi kepada user mengenai kondisi penjualan yang terjadi pada satu atau lebih area penjualan pada interval waktu yang ditentukan oleh user. Informasi ini dapat digunakan oleh PT. Semen Padang sebagai bahan pertimbangan untuk menentukan wilayah penjualan yang potensial sebagai area perluasan usaha seperti pasar ready mix.

Gambar 5. OLAP Penjualan Berdasarkan Wilayah Penjualan 2.

Analisis Penjualan Berdasarkan Customer Output yang dibentuk dengan mengkorelasikan file Sales, Master_Customer, dan Good_Type ini memberikan

41



informasi kepada PT. Semen Padang mengenai customer yang potensial dalam menunjang peningkatan nilai penjualan semen. Informasi ini dapat dijadikan sebagai bahan pertimbangan bagi PT. Semen Padang dalam menghadapi tantangan pasar ready mix untuk menjalankan sistem franchise dengan pelanggan yang potensial.

Gambar 8. Grafik Penjualan Bulanan Keseluruhan

Gambar 6. OLAP Penjualan Berdasarkan Customer 3.7. Output Dalam Bentuk Grafik 1. Grafik Penjualan Tiap Bulan Berdasarkan Wilayah Penjualan Grafik ini menginformasikan kepada user mengenai kondisi penjualan semen yang diproduksi PT. Semen Padang berdasarkan wilayah penjualan. Melalui informasi ini, user dapat melihat dinamika (turun-naik) penjualan di setiap wilayah penjualan dalam satu tahun penjualan.

Gambar 7. Grafik Penjualan Berdasarkan Wilayah Penjualan 2.

Grafik Penjualan Bulanan Secara Keseluruhan Grafik berikut ini menampilkan informasi mengenai kondisi penjualan semen PT. Semen Padang setiap bulannya dalam satu tahun penjualan baik dalam format nilai penjualan dalam rupiah (IDR) maupun informasi penjualan secara kuantitas penjualan.

3.8. Fungsi Data Warehouse dan OLAP Analisis Kinerja Penjualan Untuk Membantu Perusahaan Dalam Menghadapi Pasar Ready Mix 1. Konsep Ready Mix Beton ready mix adalah beton segar yang belum mengalami proses pengikatan dan perkerasan yang diproduksi di batching plant dengan penambahan bahan kimia (admixture), tergantung pada jenis beton yang dipesan, kemudian dikirim ke lapangan dengan menggunakan truk mixer. Beton ready mix diproduksi di pabrik di bawah pengawasan menggunakan sistem operasi komputer, untuk memastikan beton ready mix sampai di lapangan masih dalam keadaan plastis. Keuntungan dari ready mix ini diantaranya sebuah pabrik ready mix concrete dapat melayani area yang luas, dapat dikirim langsung ke lapangan, memiliki kualitas yang lebih tinggi dari pada produk konvensional, mengurangi waktu pengecoran, menghemat tempat untuk pencampuran di lapangan, mengurangi polusi udara dan debu dari mesin pencampur. Dibalik keuntungannya juga terdapat beberapa kerugian diantaranya terkadang pengguna dari produk ready mix berada jauh dari pabrik produksi ready mix itu sendiri sehingga perkiraan waktu yang tepat untuk melakukan proses ready mix sangat sulit diperkirakan, produk ready mix memiliki batas waktu pencampuran sehingga jarak dari pembuatan produk dengan tujuan akhir penggunaan harus diperhitungkan, jalan dari tempat produksi ready mix harus mampu menahan beban truk dengan muatan yang sangat besar. Dari beberapa kerugian atau kelemahan yang dipaparkan permasalahan yang paling berat terdapat pada jarak antara tempat produksi ready mix dengan tujuan akhir (pengguna) produk ready mix. Salah satu cara yang dapat menyelesaikan permasalahan ini adalah dengan mendekatkan jarak keduanya yaitu perusahaan yang memproduksi ready mix harus dekat dengan pengguna produk ready mix itu sendiri sehingga kerugian tersebut dapat diminimalisasi. 2. Output Data Warehouse dan OLAP Untuk Melakukan Analisis Dalam Menghadapi Pasar Ready Mix Seperti yang dipaparkan pada bagian 4.2.2.1 mengenai kelemahan atau kerugian ready mix yang dapat diatasi dengan mendekatkan tempat produksi ready mix dengan tujuan akhir (pengguna) produk ready mix atau dalam arti

42


lain perusahaan seperti PT. Semen Padang harus membangun cabang pabriknya (dapat juga melakukan sistem franchise) yang khusus menangani proses ready mix. Dalam melakukan perluasan usaha seperti ini dibutuhkan beberapa informasi untuk dianalisis sehingga memberikan dukungan keputusan yang tepat tentang lokasi tujuan perluasan usaha (ready mix) dan sistem franchise yang akan dijalani. Kemampuan data warehouse dan OLAP dalam menghasilkan informasi yang baik dapat membantu PT. Semen Padang untuk menganalisis kondisi ini. Diantara output yang dihasilkan terdapat beberapa output yang bisa digunakan yaitu grafik penjualan berdasarkan wilayah penjualan (untuk menentukan wilayah penjualan yang paling potensial sebagai perluasan usaha / ready mix ) dan query untuk analisis penjualan berdasarkan customer (untuk menentukan customer yang potensial dalam melaksanakan sistem franchise). 4.

Kesimpulan

Dari penelitian yang sudah dilakukan, dapat disimpulkan beberapa hal sebagai berikut : 1. Model data warehouse yang diciptakan oleh Nasir, dkk sangat baik untuk diterapkan di industri, salah satunya PT. Semen Padang. Ini dikarenakan sifat fleksibel yang dimiliki oleh model tersebut.


2.

Penyajian informasi melalui online analytical processing (OLAP) yang menampilkan informasi secara interaktif dan disertai dengan grafik penjualan dengan beberapa dimensi dapat menjadi bahan pertimbangan yang baik bagi PT. Semen Padang dalam menghadapi pasar ready mix saat ini.

Daftar Pustaka Nasir, J.A., Shahzhad, M.K., Pasha, M.A., 2006. Data Warehouse design for sales performance analysis. Information Technology Journal, 5(5): 964–969. Zhiwei Ni., Guo, J., Wang, Li., Gao, Y., 2011. An Efficient method for improving query efficiency in data warehouse. Journal of Software, Volume 6, No. 5. Nolan, S., Huguelet, T., 2000. Microsoft SQL Server 7.0 Data Warehousing Training Kit. Microsoft Press, Washington. Ponniah, P., 2001. Data Warehousing Fundamentals: A Comprehensive Guide for IT Proffesionals. John Wiley & Sons, Inc : New York. Reddy, Satyanarayana, G., Srinivasu, R., Rao, Poorna, C., Rikkula, S.R., 2010. Data Warehousing, Data Mining, Olap And Oltp Technologies Are Essential Elements To Support DecisionMaking Process In Industries. International Journal on Computer Science and Engineering (IJCSE). Volume 02. No. 9.

Rancang Bangun Data Warehouse Untuk Analisis Kinerja Penjualan Pada Industri Dengan Model Spa-Dw

Recommend Documents