Tugas Akhir (KI091391)
Muhamad Adi Prasetyo 5105100159
Prolog Sebuah Program Aplikasi Web yang dibuat untuk melaporkan kuantitas Proses Produksi Menggunakan Metode OLAP pada PT. Aneka Tuna Indonesia (ATI).
Contents. PT. ATI - Proses Produksi
OLAP
- Data Warehouse - Multidimenisonal Data - Cube (Fact & Dimension Table) - Hirarki & Level - Multi Dimensional Operation
Development Process
- SQL Server 2005 with Business Intelegence View Program End
PT. ATI PT. ATI adalah perusahaan yang bergerak di bidang pengolahan ikan tuna menjadi beberapa produk. Didirikan pada tahun 1991. Perusahaan ini merupakan joint venture antara Itochu Corporation, Hagoromo Food Corporation (pemilik sebuah merk ikan tuna terkemuka di Jepang), serta Solar Pacific Resources Ltd. Perusahaan ini, mengolah ikan tuna melalui proses – proses produksi. Namun proses pencatatan selama proses produksi masih bersifat semi manual (kertas dan excel).
PT. ATI (2) Karena masih bersifat semi manual, muncul ide untuk membuat data base untuk menyimpan data – data proses produksi, dan mengembangkan perangkat lunak untuk melaporkan kuantitas proses produksi tersebut. Berdasarkan, waktu, jenis ikan, produk, dan supplier. Laporan ini dibangun menggunakan metode pemodelan data OLAP. Adapun proses – proses produksi pada PT. ATI adalah sebagai berikut.
Proses Produksi 1. Sizing Input :Kedatangan ikan Proses :Ikan disortir berdasar kedatangan dan supplier, kemudian ditimbang dan dikelompokkan berdasarkan beratnya. Output :Ikan yang sudah dikelompokkan sesuai dengan beratnya. 2. Cold Storage Input : Ikan yang sudah melalui tahap sizing Proses : Ikan disimpan dalam gudang penyimpanan yang bersuhu -10 derajat celcius Output : Ikan beku
Proses Produksi (2) 3. Thawing Input : Ikan beku yang baru dikeluarkan dari gudang Cold Storage Proses : Ikan dicairkan dalam beberapa tangki Output : Ikan yang sudah tidak beku. 4. Cutting Input : Ikan yang telah melalui proses pencairan (Thawing). Proses : Ikan diletakkan dalam mesin berjalan kemudian perut ikan dipotong dan kotoran yang ada di perutnya pun dikeluarkan. Output : Ikan yang sudah bersih bagian dalamnya.
Proses Produksi (3) 5. Cooking Input : Ikan yang telah melalui proses cutting. Proses : Ikan diletakkan dalam beberapa keranjang, kemudian masing-masing keranjangnya. dimasukkan ke dalam mesin cooker dan dimasak selama beberapa menit. Setelah itu, temperatur ikan dicek. Output :Ikan masak. 6. Pre Cleaning Input : Ikan masak yang telah didinginkan (disiram/ showering) Proses :Ikan dipotong bagian kepalanya, dibersihkan sisiknya, serta dihilangkan tulangnya. Output : Ikan yang telah bersih dari kepala, sisik, dan tulang.
Proses Produksi (4) 7. Cleaning Input : Ikan yang telah bersih dari kepala, sisik, dan tulang. Proses : kan dibersihkan lagi secara lebih seksama. Output : Daging ikan (Ikan yang hanya tersisa dagingnya tanpa ada material lain). 8. Packing Input : Daging ikan Proses : Daging ikan dimasukkan ke dalam kemasan (kaleng atau pouch). Output : Ikan dalam kemasan.
Proses Produksi (5) 9. Retort Input : Ikan dalam kemasan. Proses : Ikan dalam kemasan dimasukkan ke dalam mesin khusus kemudian dilakukan sterilisasi. Output : Ikan dalam kemasan yang telah steril. 10. Warehouse Input : Ikan dalam kemasan yang telah steril. Proses : Ikan kemasan disimpan dalam gudang Output : Ikan yang tersimpan pada gudang.
Proses Produksi yang Hendak Dilaporkan
Pengiriman Ikan (Dari Supplier) Penerimaan Ikan (Receiving) Pengukuran Ikan (Sizing) Penyimpanan Ikan (ColdStorage) Penurunan Suhu Ikan (Defrost) Pemotongan Ikan (Cutting) Pembersihan Awal Ikan (Precleaning) Pembersihan Ikan (Cleaning) Pemasakan Ikan (Cooking) Pengisian Wadah (Packing) Pengumpulan Wadah (Retort) Penyimpanan (Warehouse) Jet Print Produk Pengiriman Produk (Staffing) Back
OLAP Suatu metode pemodelan data multidimensional untuk memenuhi kebutuhan analisis terhadap data.
OLAP ditujukan untuk menganalisis data dalam sudut pandang multidimensional. Bukannya untuk Transaksional (Insert, Update, Delete). OLAP erat kaitannya dengan Data Warehouse. Karena data yang dimodelkan oleh OLAP adalah Data Warehouse.
Data Warehouse Data warehouse merupakan sebuah database relational yang secara spesifik strukturnya dirancang untuk proses analisis dan query. Biasanya data warehouse mengandung data history yang diambil dari data transaksional dari berbagai sumber dan platform. menurut Bill Inmon, Data warehouse adalah sekumpulan atau koleksi data yang mendukung pengambilan keputusan pihak manajemen yang mempunyai karakteristik sebagai berikut:
Data Warehouse (2) Subject Oriented
Data warehouse dirancang dan dibangun untuk memenuhi kebutuhan analisis data berdasarkan subject tertentu. Integrated Data Warehouse harus mampu mengintegrasikan data dari berbagai sumber data yang beragam. Non volatile Data dalam sebuah data warehouse tidak dapat diubah (insert, delete, update). Time Variant Model analisis yang diterapkan pada sebuah Data Warehouse berfokus pada perubahan data faktual berdasarkan waktu.
Data Warehouse (3) Arstiktur Data Warehouse
Multidimenisonal Data Yang dimasud dengan multidimensional data adalah sekumpulan data bisa dilihat dari sudut pandang yang berbeda. Semisal kumpulan data pegawai, dapat dilihat dari sudut pandang lokasi tempat tinggal pegawai atau jabatan pegawai. Representasi dari multidemensonal data pada Data Warehouse adalah Cube.
Cube (Fact & Dimension Table) Cube (disebut juga OLAP meta data) adalah visualisasi dari
data multidimensional. Contoh visualisasi cube adalah seperti gambar berikut.
Data penjualan (2002, Produk A, Surabaya)
Disebut visualisasi karena sebenarnya cube memiliki
struktur (skema) tabel yang membentuknya.
Cube (Fact & Dimension Table) (2) Skema Terdiri dari tabel fakta dan tabel dimensi. Tabel fakta adalah tabel utama pada cube. Didalam tabel fakta mempunyai dua tipe kolom, yaitu kolom yang menyimpan nilai-nilai numeric atau yang biasa disebut dengan measure dan kolom yang menyimpan foreign key yang mengacu ke tabel lainnya (tabel dimensi). Tabel dimensi adalah tabel yang berelasi dengan tabel fakta.
Cube (Fact & Dimension Table) (3) Dua tipe skema. (Star Scheme & Snowflake Scheme) Star Scheme Star Scheme terdiri dari satu atau lebih tabel fakta dan satu atau lebih tabel dimensi.
Cube (Fact & Dimension Table) (4) Snowflake Scheme
pengembangan dari star schema. Perbedaannya terletak pada normalisasi data dan jumlah tabel. Tabel dimensi dinormalisasi secara sebagian atau keseluruhan untuk mengurangi nilai duplikat pada tabel.
Hirarki & Level Hirarki merupakan bentuk kesatuan dari dimensi. Sebuah dimensi bisa terbentuk dari multilevel, yang mempunyai parent-child relationship. Level merepresentasikan sebuah posisi pada hirarki.
Multidimensional Operations 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.
Multidimensional Operations (2) Slice dan Dice Operasi Slicing dan Dicing merupakan kemampuan OLAP untuk melakukan pemilahan subset pada data. Operasi Slice adalah proses pemotongan data pada cube berdasarkan nilai pada satu atau beberapa dimensi.
Multidimensional Operations (3) Drill Down dan Roll Up drill down merupakan kemampuan OLAP untuk melihat suatu subset data secara lebih detail. Sebaliknnya, operasi roll up untuk melihat data secara global atau rangkuman (agregasi data pada level yang lebih tinggi).
Back
Development Process Ada sebelas hal yang akan dilaporkan dari proses produksi
PT. ATI ini. Beserta penjelasannya. - Laporan Proses Pengiriman Ikan (Dari Supplier) Melaporkan jumlah ikan yang dikirim oleh supplier juga asal negara supplier. - Laporan Proses Penerimaan Ikan (Receiving) Melaporkan Jumlah ikan yang diterima untuk pemrosesan awal termasuk jenis ikan. - Laporan Proses Pengukuran Ikan (Sizing) Melaporkan jumlah ikan yang diproses dalam pengukuran ikan dan jenis ikan.
Development Process (2) Laporan Proses Pencairan Suhu Ikan (Defrost) Melaporkan jumlah ikan yang dicairkan suhunya berserta jenisnya. - Laporan Proses Pemotongan Ikan (cutting) Melaporkan jumlah ikan yang olah untuk proses pengambilan isi (jeoran)-nya beserta jenisnya. - Laporan Proses Pemasakan Ikan (cooking) Melaporkan jumlah ikan yang dimasak beserta jenisnya. - Laporan Proses pembersihan Awal Ikan (PreCleaning) Melaporkan jumlah ikan yang dibersihkan beserta jenisnya. -
Development Process (3) - Laporan Proses Pembersihan Ikan (Cleaning) Melaporkan jumlah ikan yang dibersihkan lagi (kelanjutan dari proses PreCleaning) beserta jenisnya. - Laporan Proses Pengisian Wadah (Packing) Melaporkan jumlah jenis produk yang akan dihasilkan. - Laporan Proses Pengumpulan Wadah (Retort) Melaporkan jumlah wadah yang dikumpulkan dalam suatu wadah penampung berdasarkan. - Laporan Proses Penyimpanan (Warehouse) Melaporkan kuantitas penyimpanan produk di gudang.
Development Process (4) Berbagai laporan yang dijabarkan sebelumnya ditampilkan dalam bentuk tabel dan diagram.
Untuk lebih jelasnya. Mari kita lihat Solutionnya.
SQL Server 2005 with Business Intelegence SQL Server 2005 with Business Intelegence SQL server 2005 yang memiliki komponen Bussiness Intelegence. Didalamnya kita bisa membuat Integration Service Project, Analysis Service Project, dan Report Server Project. Dengan bantuan SQL Server management Studio untuk mengolah dan mengakses data base (SQL Server) inputnya. Dalam tugas akhir ini, membuat dua project, yaitu Analysis Service Project untuk membuat data multidimensional dan Report Server Project untuk membuat laporan (report) yang bisa diakses melalui browser. Back
View Program Menjalankan program. Yaitu tampilan report – report yang sudah difenisikan sebelumnya.
Akses http://10.151.33.105/ReportsServer
Back
~~ TerimaKasih. --
