2006201183IFbab2

BAB 2

LANDASAN TEORI

2.1 Data, Informasi, dan Knowledge

Pengertian data ada bermacam-macam, salah satunya adalah data merupakan

informasi

yang

mentah

atau

kumpulan dari fakta

yang

masih

harus diproses agar

memiliki arti. Informasi yang dimaksud diperoleh dengan cara menghubungkan

fakta-fakta

dalam suatu

konteks

yang

sama.

Sedangkan

pengetahuan

merupakan

hubungan dari

informasi pada suatu konteks dengan informasi dari konteks

yang

lain. (Pressman, 2001, p850).

2.2 Database dan DBMS (Database Management System)

2.2.1 Definisi Database

Basis data atau database mempunyai pengertian suatu koleksi bersama

atas

data

yang

terhitung

secara logical

dan penjabaran

atas data yang

terkumpul,

yang

dibentuk

untuk

menjawab

kebutuhan informasi

sebuah

organisasi. Database

merupakan

tempat

penyimpanan

besar

yang

dapat

digunakan secara simultan oleh banyak departemen dan pengguna. (Connolly,

2002, p14-15).

Sedangkan menurut Hoffer (2005, p4), database merupakan suatu

kumpulan data yang terorganisasi

yang berelasi satu sama lain

secara logical.

Database dapat berbeda-beda ukuran dan kompleksitasnya.

Dapat disimpulkan, database merupakan kumpulan dari data persisten

yang

digunakan

oleh

aplikasi

sistem di

berbagai

perusahaan,

dalam

penggunaannya, masalah keamanan harus diperhatikan terlebih lagi mengenai

masalah sistem database itu sendiri, misalnya apakah sistem berbasis database

yang

kita bangun

memiliki

konsep

kepemilikan

data

(data

ownership) atau

tidak agar data yang didalamnya tersimpan aman.

2.2.2 Definisi DBMS (Database Management System)

DBMS

atau

Database Management System

merupakan

piranti

lunak

sistem yang

memungkinkan

pengguna

untuk

mendefinisikan,

menciptakan,

memperoleh data, mengontrol akses ke database. (Connolly, 2002, p16).

DBMS

juga

merupakan

piranti lunak yang menghubungkan para pengguna

program aplikasi

dengan database. Pada

umumnya di dalam

sebuah

DBMS

tersedia fasilitas-fasilitas seperti DDL (Data Definition Language), DML

(Data Manipulation Language), dan beberapa fasilitas untuk mengontrol akses

database

seperti

sistem

keamanan,

sistem

integritas,

sistem

kontrol

recovery, dan lain-lain.

Fasilitas

DDL

yang

ada

memungkinkan pengguna untuk menentukan

tipe data, struktur, dan konstrain data

yang

akan disimpan

dalam database,

sedangkan fasilitas DML memungkinkan pengguna untuk melakukan operasi

seperti SELECT, UPDATE, DELETE, dan INSERT.

2.2.3 Kelebihan dan Kekurangan DBMS

Kelebihan dari

DBMS

yang

dapat

memberikan

keuntungan

terhadap

perusahaan antara lain: (Connolly, 2002, p26).

1. Kontrol terhadap redudansi data

2. Konsistensi data

3. Lebih banyak informasi dari jumlah data yang sama

4. Pemakaian data bersama

5. Peningkatan integritas data

6. Peningkatan keamanan

7. Pemaksaan standarisasi

8. Skala ekonomi

9. Keseimbangan antar permintaan yang memiliki potensi konflik

10. Peningkatan akses dan tingkat respon data

11. Peningkatan produktifitas

12. Peningkatan perawatan melalui data independence

13. Peningkatan concurrency

14. Peningkatan layanan backup dan recovery

Tetapi

DBMS

juga

mempunyai

kekurangan-kekurangan, antara

lain

(Connolly, 2002, p29).

1. Kompleksitas

2. Ukuran

3. Biaya

4. Biaya piranti lunak tambahan

5. Biaya konversi

6. Kinerja

7. Dampak kegagalan yang lebih tinggi

2.3 Data Warehouse

2.3.1 Pengertian Data Warehouse

Dari perkembangan-perkembangan selanjutnya dari model rancangan

database

munculah apa yang disebut dengan

data warehouse, di sini data

warehouse

dapat

ditampilkan

dalam

bentuk database

untuk data

histori dari

data-data

yang

telah

ada

dalam perusahaan,

data

warehouse

dapat

pula

digunakan untuk menganalisa database yang telah ada, dari analisa itu dapat

dilihat

apa

yang

salah

dari

sistem yang

telah

ada,

dengan

kata

lain

data

warehouse

memiliki

sifat

yang lebih

interaktif

dan

membantu

pengambilan

keputusan dalam suatu perusahaan.

Data warehouse memiliki bermacam-macam pengertian namun pada

dasarnya mempunyai inti yang sama, berikut ini beberapa pandangan para ahli

mengenai pengertian data warehouse :

W.H

Inmon

dan

Richard

D.H

(2002,

p31)

mengatakan,

“A data

warehouse is subject oriented, integrated, time variant, non-volatile collection

of data in support of management’s decision making process” atau diartikan

data warehouse adalah koleksi data yang mempunyai sifat berorientasi subyek,

terintegrasi, rentang waktu, dan tidak

mengalami perubahan serta

mendukung

proses pengambilan keputusan dalam manajemen.

Menurut Vidette Poe (1997, p6), “A data warehouse is a read-only

analytical database that is used as the foundation of decision support system”

atau dapat diartikan bahwa

data warehouse merupakan database analitikal

yang bersifat hanya dapat dibaca saja yang digunakan sebagai dasar dari sistem

pendukung keputusan.

Menurut Kimball et al., (1998, p19), data warehouse dapat

didefinisikan secara sederhana sebagai ”the queryable source of data in the

enterprise” atau dapat diartikan data warehouse adalah sumber data yang dapat

diquery

dalam suatu

perusahaan.

Dalam hal

ini

data

warehouse

bersifat

informasional dan berorientasi pada analisa dan pengambilan keputusan bukan

berorientasi pada proses operasional atau transaksi.

Data warehouse merupakan salah satu contoh dari decision support

systems (DSS). Menurut Mallach (2000, p13), DSS dapat didefinisikan

sebagai “

computer-based

information

system

whose

primary

purpose

provide

knowledge

workers

with

information on which to base informed

decisions”,

atau dapat

diartikan

DSS

adalah

suatu

sistem informasi

berbasis

komputer dimana tujuan utamanya adalah menyediakan kepada pekerja di

bidang ilmu pengetahuan informasi dimana keputusan harus diambil.

Data warehouse merupakan suatu metode dalam perancangan database

yang menunjang DSS dan EIS. Secara fisik, data warehouse adalah database,

namun data warehouse dan database tradisional memiliki perbedaan dalam hal

perancangan sistemnya yang pada akhirnya, hasil dari perancangan itu akan

digunakan dalam

sistem informasi

yang ada pada saat

ini. Perancangan

database tradisional

menggunakan normalisasi, sedangkan dalam perancangan

data warehouse

berlaku sebaliknya, normalisasi tidak dilakukan melainkan

dilakukan denormalisasi.

Dari definisi-definisi yang telah disebutkan di atas, dapat disimpulkan

bahwa data warehouse adalah database

yang saling berhubungan

yang dapat

digunakan

untuk

proses

query

data

maupun

untuk

menganalisa

data. Data

warehouse

itu

sendiri

bersifat

berorientasi

subyek

(subject oriented),

terintegrasi (integrated), tidak dapat berubah (non-volatile)

dan

mempunyai

variasi waktu (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). Karena

data

warehouse,

pada

dasarnya

memang

digunakan khusus untuk merancang sebuah

database yang dapat digunakan

untuk mendukung proses analisa bagi pengambil keputusan.

Dalam data warerhouse sendiri terdapat berbagai macam istilah-istilah

yang saling berkaitan, antara lain:

1. Data Mart

Merupakan

suatu

bagian

dari

data

warehouse yang

dapat

mendukung

pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi

pada perusahaan.

2. OLAP (On-Line Analytical Processing)

Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan

dimensi untuk dapat menampilkan berbagai bentuk laporan, analisis, dan

query dari data yang berukuran besar.

3. OLTP (On-Line Transaction Processing)

Merupakan suatu pemrosesan yang menyimpan

data

mengenai

kegiatan

operasional/transaksi perusahaan sehari-harinya.

4. Tabel Dimensi (Dimension Table)

Tabel yang berisikan kategori dengan ringkasan data detail yang dapat

dilaporkan, seperti laporan

keuntungan pada

tabel fakta

dapat

dilaporkan

sebagai dimensi waktu (yang berupa perhari, perbulan, perkuartal,

pertahun)

5. Tabel Fakta (Fact Table)

Merupakan tabel yang umumnya

mengandung

angka dan data

histori

mana key

(kunci)

yang dihasilkan

sangat

unik karena

key-nya

merupakan

kumpulan foreign key dan primary key yang ada pada masing-masing tabel

dimensi yang berhubungan.

6. DSS (Decision Support System)

Merupakan

sistem yang

menyediakan informasi kepada pengguna dimana

sistem tersebut

menjelaskan bagaimana sistem tersebut dapat

menganalisa

situasi dan mendukung suatu keputusan yang baik.

7. Data Mining

Menurut Sid Adelman (2000, p145), Data Mining adalah proses pencarian

pola

data

yang

tidak

diketahui

atau tidak

diperkirakan

sebelumnya,

sedangkan menurut Bonnie O’neil (1997, p522), Data Mining adalah suatu

proses

mengubah

data

menjadi

informasi,

mana

dalam prosesnya

terdapat pencarian pola dan relasi yang tersembunyi dalam suatu data.

2.4 Bentuk Data Warehouse

Dalam menjalankan aplikasi

yang

ingin kita rancang, kita

harus

mengetahui

kebutuhan yang kita perlukan terlebih dahulu, untuk selanjutnya memutuskan bentuk

mana yang akan kita gunakan dalam suatu perusahaan. Bentuk-bentuk umum yang

sering kita gunakan dalam data warehouse adalah :

2.4.1 Functional Data Warehouse (Data Warehouse Fungsional)

Database

operasional

sebagai

sumber data

yang

digunakan

sini

merupakan

database

yang

diperoleh

dari

hasil

kegiatan

operasi

sehari-hari,

data warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masing-

masing fungsi yang ada di dalam perusahaan seperti fungsi keuangan

(financial), fungsi marketing, fungsi kinerja personalia, dan lain-lainnya.

Keuntungan dari bentuk

fungsional

ini adalah sistem mudah dibangun dengan

biaya yang relatif murah sedangkan kerugiannya adalah hilangnya konsistensi

dari data dan terbatasnya kemampuan dalam pengumpulan data bagi pengguna.

Sistem Operasional

Data Warehouse

Workstation

data

Gambar 2.1 Bentuk Data Warehouse Fungsional

2.4.2 Centralized Data Warehouse (Data Warehouse Terpusat)

Bentuk

ini

sekilas

terlihat seperti bentuk functional data warehouse,

namun

disini

sumber

data

terlebih

dahulu

dikumpulkan

atau

diintegrasikan

pada suatu tempat terpusat, kemudian

barulah data tersebut dibagi-bagi

berdasarkan fungsi-fungsi yang dibutuhkan oleh perusahaan. Bentuk ini sering

digunakan oleh

perusahaan-perusahaan

yang

belum memiliki

jaringan

eksternal di dalam sistemnya.

Keuntungan dari bentuk terpusat ini adalah data menjadi benar-benar

terpadu karena konsistensinya yang tinggi sedangkan kerugiannya adalah biaya

mahal yang harus dikeluarkan serta penggunaan waktu yang cukup lama dalam

membangun bentuk ini.

Sistem Operasional

Data Warehouse

Workstation

data

Gambar 2.2 Bentuk Data Warehouse Terpusat

2.4.3 Distributed Data Warehouse (Data Warehouse Terdistribusi)

Pada bentuk ini digunakan gateway yang berfungsi sebagai jembatan

antara lokasi data warehouse

dengan workstation yang menggunakan sistem

yang beraneka ragam atau berbeda, sehingga pada bentuk

ini

memungkinkan

kita

untuk

mengakses

sumber

data

yang berada diluar lokasi perusahaan

(eksternal data).

Keuntungan dari bentuk terdistribusi ini adalah kelebihan dalam

mengakses data dari

luar perusahaan

yang

telah mengalami sinkronisasi

terlebih dahulu dan tetap terjaga konsistensinya, sedangkan kerugiannya adalah

bentuk ini yang paling mahal dan membutuhkan tempat khusus untuk

menerapkannya karena sistem operasinya dikelola secara terpisah.

Sistem Operasional

Data Warehouse

Workstation

Data

Warehouse

Gateway

Data Warehouse Fungsional

data

Gambar 2.3 Bentuk Data Warehouse Terdistribusi

2.5 Karakteristik Data Warehouse

Menurut definisi data warehouse menurut William H. Inmon, dapat diketahui

bahwa sebuah data warehouse mempunyai karakteristik-karakteristik sebagai

berikut:

2.5.1 Subject Oriented (Berorientasi Subyek)

Data

warehouse

bersifat

subject

oriented

artinya

data warehouse

didesain untuk menganalisa data berdasarkan subyek-subyek tertentu dalam

organisasi, bukan berdasarkan pada proses atau fungsi aplikasi tertentu. Secara

garis besar perbedaan mendasar antara

data operasional dan data

warehouse

adalah sebagai berikut ini :

Operasional Data

Data Warehouse

Dirancang berorientasi hanya pada

aplikasi dan fungsi tertentu.

Dirancang

berdasarkan

subyek-

subyek tertentu (utama).

Fokusnya pada desain database dan

proses.

Fokusnya pada pemodelan data dan

desain data.

Berisi rincian data atau detail data.

Berisi data-data histori yang akan

dipakai untuk proses analisis.

Relasi antara tabel-tabel berdasarkan

aturan terkini (selalu

mengikuti rule

yang terbaru)

Banyak aturan bisnis dapat tersaji

di antara tabel-tabel.

Tabel 2.1 Perbandingan Subject Oriented Antara Data warehouse

dengan Operational Data

2.5.2 Integrated (Terintegrasi)

Data

warehouse

bersifat

integrated

artinya data

warehouse

harus

menyimpan data-data yang berasal dari sumber-sumber yang terpisah ke dalam

suatu

format yang sinkron, konsisten dan saling terintegrasi satu dengan yang

lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada

merupakan suatu kesatuan yang menunjang keseluruhan konsep data

warehouse itu sendiri.

Data warehouse harus dapat memecahkan masalah-masalah seperti

konflik penamaan variabel dan inkonsistensi diantara ukuran-ukuran yang

dipakai didalamnya. Pemecahan masalah dapat dilakukan dengan cara

konsisten dalam pemberian nama, penentuan pengukuran ukuran dari tipe

variabel, struktur koding, serta penentuan atribut data secara fisik.

2.5.3 Time Variant (Variasi Waktu)

Data dalam warehouse berhubungan dengan suatu titik atau poin dalam

suatu periode tertentu (semester, kuartal, tahun). Data tersebut merupakan data

hasil

summary.

Hal

ini

membantu

dalam menentukan

penampilan

dari

data

warehouse query serta dalam membentuk pengertian bisnis.

2.5.4 NonVolatile

Data warehouse

bersifat read-only, pengguna tidak dapat mengubah

data

yang

sudah

ada.

Tidak

seperti

sistem database

operasional

yang

mempunyai

kemampuan

untuk

mengumpulkan

data

(data

capture), data

warehouse berfungsi untuk mendukung system reporting sehingga data yang

sudah

ada

bersifat

permanen.

Pada sistem database

operasional

terdapat

tiga

operasi

yaitu

insert,

update

dan delete.

Sedangkan

pada data warehouse

terdapat dua operasi yaitu loading data, dan akses data (query data).

2.6 Kegiatan Data Warehouse

Untuk melakukan penganalisaan dan selanjutnya pelaporan informasi bagi

pihak-pihak pengambil keputusan maka dalam

merancang data warehouse

terdapat

kegiatan-kegiatan yang harus dilakukan, kegiatan-kegiatan itu adalah :

1. Memperoleh dan menggabungkan data

Langkah

pertama

yang

harus

dilakukan adalah

mendapatkan

data

dari

berbagai sumber dan melakukan penggabungan data pada suatu tempat tertentu,

data-data yang digabung adalah data-data yang akan membantu kita dalam

pembuatan laporan, karena data pada laporan tersebut merupakan suatu bentuk

kesatuan.

2. Transformasi data

Pengolahan data dari bentuk data awal ke bentuk data yang telah

disepakati.

Dimana

untuk

mewujudkannya,

data

awal

mengalami

pemrosesan

atau pengolahan terlebih dahulu, yang sama artinya dengan pengubahan data ke

bentuk yang diharapkan.

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

memberikan

dukungan

kepada kegiatan

distribusi

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 pengambil keputusan dalam mengambil suatu keputusan, di

dalam tahap

ini kegiatan

pemakaian data

akan menjadi

lebih sering

jika

para

pengambil

keputusan

ingin

menganalisa produk

yang

telah

dipasarkan

pada

masyarakat.

2.7 Arsitektur dan Infrastruktur Data Warehouse

2.7.1 Arsitektur Data Warehouse

Menurut Poe (1997, p19), arsitektur adalah

sekumpulan

aturan

atau

struktur yang memberikan kerangka untuk keseluruhan rancangan suatu sistem

atau

produk.

Ada

arsitektur

Client Server, arsitektur

networking, dan masih

banyak arsitektur-arsitektur lainnya. Arsitektur data menyediakan kerangka

dengan mengidentifikasikan dan memahami bagaimana data akan berpindah

melalui

sistem dan

digunakan

dalam perusahaan.

Arsitekur

data

untuk data

warehouse mempunyai

komponen

utama

yaitu database

yang

bersifat

hanya

dapat dibaca.

Karakteristik arsitektur data warehouse (Poe, 1997, p32) :

1. Data diambil dari sistem asal (sistem informasi yang ada) database dan file.

2. Data

dari

sistem

asal

diintegrasikan

dan

ditransformasi

sebelum

dimasukkan ke dalam data warehouse.

3. Data warehouse

merupakan read-only design database yang terpisah

khususnya untuk pengambilan keputusan.

4. User mengakses data warehouse melalui front-end tool atau aplikasi.

Arsitektur dan infrastruktur dari data warehouse

sangat erat

hubungannya, dan satu dengan yang lainnya saling berkaitan. Keberhasilan

pengembangan data warehouse dipengaruhi oleh pengidentifikasian arsitektur

mana yang terbaik dan infrastruktur apa yang dibutuhkan. Arsitektur yang

sama mungkin akan membutuhkan infrastruktur yang berbeda, tergantung pada

lingkungan perusahaan ataupun organisasi.

Warehouse Manager

Operational data

source 1

Reporting, query,

application development,

and EIS tools

Load

Manager

Meta-data

Highly summarized

data

Query

Manager

Operational data

source 2

Lightly summarized

data

Detailed data

DBMS

OLAP tools

Warehouse Manager

Operational data

source n

Operational data

store (ODS)

Archive / backup data

Data mining tools

End-user

access tools

Gambar 2.4 Arsitektur Data Warehouse

2.7.2 Infrastruktur Data Warehouse

Vidette Poe (1997, p40-43) mengatakan, “Infrastruktur data warehouse

adalah

perangkat

lunak, perangkat

keras, pelatihan

dan

komponen-komponen

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 sebuah arsitektur data warehouse dapat dipilih

beberapa cara dalam pengimplementasiannya, salah satunya dengan

menggunakan infrastruktur yang berbeda. Arsitektur dan infrastruktur saling

berkaitan

erat

dan

mendukung satu

sama

lainnya.

Pengaruh dari

lingkungan

atau organisasi juga otomatis mempengaruhi penentuan suatu infrastruktur

yang akan kita pilih.

2.8 Struktur Data Warehouse

Data Warehouse memiliki struktur yang spesifik dan mempunyai perbedaan

dalam tingkat detail data serta perbedaan dalam tingkatan umur data.

highly

summarized

monthly sales

by product line

1981-1992

lightly

summarized

(datamart)

current

detail

weekly sales by

subproduct line

1984-1992

sales detail

1990-1991

operational

transformation

old

detail

sales detail

1984-1989

Gambar 2.5 Struktur Data warehouse

Data warehouse memiliki komponen-komponen sebagai berikut ini:

2.8.1 Current Detail Data

Current

Detail Data adalah data detail

yang aktif pada saat ini,

mencerminkan keadaan

yang

sedang berjalan dan

merupakan

level

terendah

dalam data warehouse.

Current detail

data

ini

biasanya

memerlukan

media

penyimpanan

data

yang

besar

karena

data

yang disimpan

belum mengalami

perubahan apapun. Berikut ini beberapa alasan mengapa current detail data

menjadi perhatian utama :

1. Menggambarkan kejadian yang baru

terjadi dan selalu

menjadi perhatian

utama

2. Sangat

banyak

jumlahnya

dan disimpan

dalam tingkat

penyimpanan

terendah

3. Hampir selalu disimpan di media penyimpanan karena cepat diakses tetapi

mahal dan kompleks dalam pengaturannya

4. Biasa digunakan dalam membuat rekapitulasi sehingga current detail data

harus akurat

2.8.2 Old Detail Data

Old Detail Data merupakan data historis, yang dapat berupa hasil

backup yang disimpan dalam media penyimpanan yang terpisah dan pada saat

tertentu

dapat

diakses

kembali.

Data

ini

jarang

diakses sehingga

biasanya

disimpan di dalam media penyimpanan alternatif seperti tape disk. Penyusunan

direktori untuk data ini harus menggambarkan

umur

dari

data

dengan

tujuan

memudahkan untuk pengaksesan kembali.

2.8.3 Lightly Summarized Data

Lightly Summarized Data (rangkuman data secara khusus) merupakan

ringkasan dari detail data, tetapi belum bersifat total summary. Data-data disini

memiliki

tingkatan detail

yang

lebih tinggi

dan

mendukung

kebutuhan data

warehouse pada tingkatan departemen. Tingkatan data ini disebut juga “data

mart”. Akses terhadap data jenis ini banyak digunakan untuk view dari suatu

kondisi yang sedang dan yang sudah berjalan.

2.8.4 Highly Summarized Data

Highly Summarized Data (rangkuman data

secara

umum)

merupakan

hasil

dari

proses

ringkasan

yang

bersifat total,

solid,

serta

mudah

diakses.

Digunakan untuk melakukan analisa perbandingan data berdasarkan urutan

waktu

dan

analisa

yang

menggunakan

data

multi

dimensi. Database

multi

dimensi

adalah

suatu

teknologi software

komputer

yang

dirancang

untuk

meningkatkan

efisiensi

dalam mencari

tabel (query)

sehingga

menjadi

media

penyimpanan yang lebih baik, serta memudahkan pengambilan data dengan

volume yang besar.

2.8.5 Metadata

Dibandingkan dengan keempat data yang telah dijelaskan sebelumnya,

metadata

tidaklah

sama,

karena metadata

bukan

merupakan

data

hasil

dari

kegiatan operasional. Metadata memuat informasi yang penting mengenai

seluruh proses yang berlangsung di dalam

data warehouse yang berfungsi

sebagai :

1. Ekstraksi dan proses tunggu – meta data digunakan untuk memetakan

sumber data ke suatu tampilan bersama data di dalam data warehouse

2. Proses

manajemen

warehouse

–

meta

data

itu sendiri

merupakan

isu kritikal dalam usaha untuk

menghasilkan data

warehouse yang sepenuhnya terintegrasi. Data yang tersedia haruslah dapat

digunakan oleh

user

dengan

istilah

yang

sesuai

dengan

cara

user dalam

melakukan

pekerjaannya. Data warehouse

itu

sendiri

harus

melayani banyak

fungsi,

maka metadata penting

untuk

menjawab kebutuhan

dari

suatu

fungsi

tertentu karena kemampuan

utamanya untuk

menunjukkan asal

usul dari data.

Dalam perusahaan, setiap departemen biasanya

mempunyai

gambaran struktur

data yang spesifik meskipun asal datanya sama.

2.9 Kegunaan Data Warehouse

Data warehouse yang telah banyak digunakan selama ini banyak

memberikan

kemudahan

dan

keuntungan

karena data

warehouse

biasanya

dapat

dimaksimalkan

penggunaannya

untuk

melakukan

empat

tugas

yang

berbeda.

Menurut Williams (1998, p533), keempat tugas

data warehouse tersebut adalah

sebagai berikut :

2.9.1 Pembuatan Laporan

Pembuatan

laporan

merupakan

salah

satu

kegunaan

data warehouse

yang paling umum dan paling banyak digunakan. Dengan menggunakan query

sederhana

dalam data

warehouse

dapat

dihasilkan

informasi

pertahun,

perkuartal, perbulan, dan bahkan perhari.

2.9.2 On-Line Analytical Processing (OLAP)

Data

warehouse

digunakan

dalam melakukan

analisis

bisnis

untuk

mengetahui

kecenderungan

pasar

dan

faktor-faktor

penyebabnya,

karena

dengan

adanya data

warehouse,

semua

informasi

baik

berupa

data

detail

maupun

hasil

summary yang

dibutuhkan

dalam proses

analisa

akan

dengan

mudah didapat.

Dalam hal

ini data

warehouse

merupakan

tool

yang

handal

untuk analisa data yang kompleks.

OLAP mendayagunakan konsep data multidimensi dan memungkinkan

pemakai untuk menganalisa data sampai mendetail tanpa mengetikkan satupun

perintah SQL. Hal tersebut dimungkinkan karena konsep data multidimensi

yang dimiliki, akibat dari konsep itu maka data berupa fakta yang sama bisa

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 adalah kebalikan dari drill-down.

2.9.3 Data Mining

Data

mining adalah

proses

pencarian

informasi dan pengetahuan

baru

dengan cara menggali (mining) data yang berjumlah banyak pada data

warehouse,

dengan

menggunakan

bantuan kecerdasan

buatan

(Artificial

Intelligence), statistik dan matematika serta menggunakan hasilnya untuk

membuat keputusan bisnis yang penting.

Data

mining

merupakan

teknologi

lebih lanjut dari data warehouse yang diharapkan bisa

menjembatani

masalah

komunikasi antara data dan pemakainya.

Beberapa

solusi

yang

dapat

diselesaikan

dengan

data

mining

diantaranya :

1. Menembak target pasar

Data mining dapat melakukan pengelompokan (clustering) dari

model-model

pembeli

dan

melakukan

klasifikasi terhadap setiap pembeli

sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama,

tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik

lainnya.

2. Melihat pola beli pemakai dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli seseorang dari

waktu ke waktu.

3. Cross Market Analysis

Data mining dapat dimanfaatkan untuk melihat hubungan antara

penjualan satu produk dengan produk lainnya.

4. Customer Profile

Data

mining

dapat

membantu pengguna

untuk

melihat

profil

pembeli

sehingga

dapat

dilakukan survey

mengenai

kelompok

pembeli

tertentu suka membeli produk apa saja.

5. Summary Information

Data mining dapat dimanfaatkan untuk membuat laporan

summary yang bersifat multidimensi dan dilengkapi dengan informasi

statistik lainya.

2.9.4 Proses Informasi Eksekutif

Data warehouse

digunakan untuk

mencapai ringkasan informasi

yang

penting dengan tujuan untuk membuat keputusan bisnis, tanpa harus

menjelajahi keseluruhan data. Dengan mengunakan

data warehouse,

segala

laporan

telah

diringkas

dan

dapat

pula

diketahui

rinciannya secara lengkap,

sehingga mempermudah proses pengambilan keputusan. Informasi dan data

pada laporan data warehouse menjadi target informatif bagi user dalam hal ini

adalah pihak eksekutif.

OfPrimary interest to

top management

Create an overview

mode of the enterprise

OfPrimary interest to

MIS planner

Perform analysis of

goals and problems

Create an initial

entity-relationship

Perform critical

success factor analysis

Perform initial

clustering into

Perform technology

impact analysis

Refine the entity-

relationship diagram

Perform strategic

systems analysis

Refine the business

area subdivision

Establish priorities for

business area analysis

Gambar 2.6 Stages in information strategy planning

2.10 Tahapan Membangun Data Warehouse

Berdasarkan kutipan dalam Connolly

dan

Begg (2002,

p1083),

metodologi

yang

dikemukakan

oleh Kimball dalam

membangun

data

warehouse

ada

sembilan

tahapan,

dikenal

dengan

Nine-Step

Methodology. Nine-Step

Methodology

memperjelas langkah-langkah yang

dibutuhkan

untuk

mendesain

suatu

data mart.

Bagaimanapun,

metodologi

ini

juga

mengumpulkan data

mart

yang

terpisah sehingga setelah

melewati waktu

tertentu data mart tersebut dapat

dikombinasikan ke dalam suatu data warehouse

yang logikal. Sembilan

tahapan

tersebut adalah :

1. Memilih Proses (Choosing The Process)

Pilihlah

subjek

dari

permasalahan

yang

sedang

dihadapi, kemudian

identifikasi

proses

bisnisnya.

Data Mart

adalah bagian

dari data

warehouse

yang pembuatan laporan dan analisis datanya pada suatu unit, bagian atau

operasi pada perusahaan.

2. Memilih Grain (Choosing The Grain)

Tentukan fact table yang tepat dan

identifikasi dimensi dari fact table

tersebut.

Fact

table

adalah

tabel

yang

mengandung

angka

dan data

history

dimana key yang dihasilkan sangat unik karena merupakan kumpulan foreign

key dari primary key yang ada pada masing-masing tabel dimensi yang

berhubungan, sedangkan dimension table adalah tabel yang berisikan katagori

dengan ringkasan detil data yang dapat dilaporkan, seperti laporan keuntungan

pada tabel fakta sebagai dimensi waktu (perbulan, perkuartal, pertahun).

3. Identifikasi dan Penyesuaian Dimensi (Identifying and Conforming The

Dimension)

Identifikasi

dimensi

dalam detil

yang

secukupnya

untuk

mendeskripsikan sesuatu. Dimensi yang tidak lengkap dan tidak benar akan

mengurangi

kegunaan

dari data

mart

untuk suatu perusahaan. Ketika suatu

dimension table

ada

pada

dua

atau

lebih

data

mart,

maka

dimension

table

tersebut harus mempunyai dimensi yang sama atau salah satu merupakan

subset dari

yang

lainnya. Apabila suatu dimension table digunakan oleh lebih

dari satu data mart, maka dimensinya harus disesuaikan.

4. Memilih Fakta (Choosing The Fact)

Tentukan

fakta-fakta

dari

fact

table yang

akan

digunakan

pada

data

mart.

Fakta-fakta

tersebut

haruslah numerik

dan

dapat

ditambah.

Fakta

tambahan

dapat

ditambahkan

kapan

saja sepanjang

fakta

tersebut

konsisten

dengan grain dari tabel.

5. Menyimpan Kalkulasi Awal Pada Tabel Fakta (Storing Pre-Calculation in The

Fact Table)

Setelah fakta-fakta

dipilih

maka

lakukan

pengkajian ulang

untuk

menentukan

apakah

ada

fakta-fakta

yang

dapat

diterapkan pre-calculation

(kalkulasi awal) dan lakukan penyimpan pada fact table.

6. Rounding Out The Dimension Tables

Dalam langkah

ini,

kita

kembali

pada

dimension

table

dan

menambahkan gambaran teks sebanyak mungkin terhadap dimensi yang

memungkinkan. Gambaran teks harus mudah digunakan dan dimengerti oleh

user. Kegunaan suatu data mart ditentukan oleh lingkup dan atribut tabel

dimensi.

7. Memilih Durasi dari Database (Choosing The Duration Of The Database)

Tentukan

waktu dari

pembatasan

data

yang

diambil

dan

dipindahkan

kedalam fact table. Seperti data perusahaan tiga tahun

lalu atau

lebih diambil

dan dimasukkan dalam fact table.

8. Melacak Perubahan dari Dimensi Secara Perlahan (Tracking Slowly Changing

Dimensions)

Amati perubahan dari dimensi pada dimension table. Ada tiga tipe

dasar dari perubahan dimensi yang perlahan, yaitu :

a. Perubahan atribut dimensi ditulis ulang (di overwrite).

b. Perubahan atribut dimensi mengakibatkan pembuatan suatu dimensi baru.

c. Perubahan atribut dimensi

mengakibatkan sebuah atribut alternatif dibuat,

jadi antara atribut yang lama dan baru diakses secara bersama-sama.

9. Memutuskan Prioritas dan Mode dari Query (Deciding The

Query Priorities

and The Query Modes)

Pertimbangkan pengaruh dari perancangan fisikal, seperti keberadaan

dari ringkasan (summaries) dan penjumlahan (aggregate) karena hasilnya

dapat

mempengaruhi

persepsi

dari

pengguna data

mart. Selain itu, masalah

administrasi, backup, kinerja indeks dan keamanan juga merupakan faktor

yang harus diperhatikan.

2.11 Keuntungan Data Warehouse

Berdasarkan

pendapat

Mallach

(2000,

p181-182),

keuntungan

menggunakan data warehouse adalah :

1. Kinerja

perangkat

kerja

DSS (Decision Support

System)

dapat

dioptimalkan

untuk tujuan tertentu.

2. Response time dari DSS tetap terjaga.

Lingkungan data warehouse

lebih

sederhana dan

lebih baik

untuk diterapkan

dibandingkan dengan aplikasi client-server.

Berdasarkan pendapat Mallach (2000, p182), kerugian dari penerapan data

warehouse adalah :

1. Terdapat beban tambahan pada sistem pusat karena perlunya melakukan

transfer data diantara dua sistem (sistem operasional dan data warehouse)

untuk menjaga data tetap update.

2. Harus mempunyai karyawan yang mengerti kedua sistem baik sistem

operasional ataupun data warehouse .

3. Users yang

mengakses kedua sistem memerlukan dua tipe

terminal komputer

atau

jika

tidak

tersedia harus

melewati

prosedur

jaringan yang

rumit

untuk

berpindah sistem.

4. Transfer data dari sistem operasional ke data warehouse memerlukan

waktu

yang relatif lama karena melewati proses transformasi data terlebih dahulu.

2.12 Analisis Matriks

Terdapat empat prosedur yang digunakan dalam membuat analisis matriks

clustering, yaitu :

1. Membuat analisa top level dari data perusahaan

a. menentukan subyek data

b. menjabarkan subyek data ke dalam bentuk entitas

c. membuat diagram awal hubungan antar entitas

d. membuat matriks fungsi bisnis versus entitas

e. membuat matriks unit organisasi versus entitas

2. Menentukan enterprise model dan entity relationship diagram

a. wawancara dengan pihak manajemen untuk menentukan enterprise model

b. membuat presentasi kepada pihak manajemen tentang enterprise model

yang sudah diperbaiki

c. membuat entity relationship diagram (ERD)

d. menentukan matriks entitas versus fungsi bisnis

e. menentukan matriks entitas versus unit organisasi

meminta persetujuan perusahaan mengenai enterprise model yang baru

3. Mengelompokkan matriks fungsi/entitas

a. menggunakan algoritma clustering

b. mengumpulkan ke depan semua fungsi create dalam entitas

c. memasukkan fungsi-fungsi yang lain serta entitas ke dalam cluster

d. mengelompokkan secara manual untuk mengetahui sistem yang ada

e. menentukan alur data dari sistem yang satu ke sistem yang lain

membuat diagram hubungan yang menunjukkan hubungan antar sistem

g. menyusun kelompok-kelompok tersebut

untuk

menyederhanakan

interaksi

antar sistem

4. Mengelompokkan matriks fungsi/entitas untuk menunjukkan area bisnis

sebenarnya

a. mengatur matriks fungsi/entitas yang telah dikelompokkan ke dalam bentuk

batasan-batasan analisa bisnis

b. menempatkan semua fungsi ke dalam area-area bisnis

c. menentukan lokasi geografis untuk setiap area bisnis

d. mengatur area bisnis sehingga area-area tersebut saling berhubungan

2.13 Primary Key dan Foreign Key

Menurut Kristanto (2002, p20) primary key adalah suatu atribut atau satu

set minimal atribut yang tidak hanya mengidentifikasikan secara unik suatu

kejadian spesifik, tapi juga dapat mewakili setiap kejadian dari suatu entiti.

Menurut Kristanto (2002, p21) foreign key adalah suatu atribut atau satu set atribut

yang melengkapi relationship (hubungan) yang menunjukkan ke induknya.

Ketika database dibuat, perintah-perintah SQL digunakan

untuk

membuat

tabel yang akan merancang kolom-kolom yang nantinya akan membentuk primary

key dan foreign key.

2.14 Perancangan Data Warehouse dengan Skema Bintang

Ada banyak pendapat mengenai perancangan

data warehouse. Menurut

Poe

(1997,

p191), salah

satu

alat

yang

digunakan

untuk

merancang data

warehouse

adalah skema

bintang

(star

schema).

Skema

bintang

merupakan

struktur sederhana dengan tabel-tabel yang relatif sedikit dan hubungan antar tabel

yang jelas. Rancangan ini mampu

melakukan query dengan cepat serta mudah

dimengerti bahkan oleh analyst dan pengguna akhir atau orang awam yang tidak

mengerti struktur database.

2.14.1 Star Schema (Skema Bintang)

Menurut Poe (1997, p191) 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.

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

strukur

database

pada

data warehouse yang dirancang karena skema bintang merupakan struktur

logikal yang memiliki tabel fakta yang mengandung data faktual di tengah-

tengah, dikelilingi oleh tabel dimensi yang mengandung data reference.

2.14.2 Keuntungan Skema Bintang

Dalam penggunaannya

skema

bintang memiliki

beberapa

keuntungan yang tidak terdapat pada

strukur relational biasa. Berikut

keuntungan penggunaan skema bintang :

1. Kekonsistenan dari struktur database membuat akses yang lebih efisien

ke data

melalui

alat

yang

bervariasi. Respon data juga menjadi lebih

cepat daripada perancangan database operasional.

Memudahkan dalam hal modifikasi atau pengembangan data

warehouse yang terus menerus.

3. End user dapat menyesuaikan cara berpikir dan menggunakan data.

4. Menyederhanakan pemahaman dan penelurusan metadata bagi pemakai

dan pengembang.

5. Adanya kemampuan untuk menangani situasi yang mungkin terjadi

dalam dunia bisnis.

2.14.3 Tabel dalam Skema Bintang

Dalam skema bintang terdapat dua tipe tabel yaitu tabel

fakta dan

tabel

dimensi.

Tabel

fakta

disebut

juga

sebagai

tabel

mayor,

terdiri dari

data kuantitatif atau data

fakta

mengenai bisnis, informasi yang di

query.

Informasi

ini sering diukur secara numeric dan dapat mengandung banyak

kolom dan baris.

Tabel

dimensi

disebut juga

sebagai tabel

minor

karena

ukurannya

lebih

kecil

dan

berisikan

data yang

mencerminkan

dimensi

bisnis.

2.14.4 Jenis-jenis Skema Bintang

Terdapat dua buah jenis skema bintang yang penggunaannya

tergantung dengan kebutuhan, yaitu skema bintang sederhana dan skema

bintang majemuk yang akan dijelaskan lebih lanjut berikut ini :

2.14.4.1 Skema Bintang Sederhana

Dalam skema

bintang

sederhana,

setiap

tabel

harus

mempunyai primary key yang terdiri dari sebuah kolom atau

lebih.

Primary

key

tersebut

membuat

setiap

baris

menjadi

unik.

Dalam skema bintang sederhana, primary key yang terdapat pada

tabel fakta memiliki satu atau lebih foreign key.

Tabel dimensi

kunci 1

Atribute

…

Atribute

Tabel dimensi

kunci 2

Atribute

…

Atribute

Tabel fakta

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Tabel dimensi

kunci 3

Atribute

…

Atribute

Gambar 2.7 Hubungan antar tabel dimensi pada skema bintang sederhana

Gambar di atas menunjukkan hubungan antara satu tabel

fakta dan 3 tabel dimensi. Pada tabel fakta 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

dimensi masing-masing.

Alasan memilih skema bintang sederhana antara lain :

1. menyediakan response time yang lebih baik

2. struktur rancangan yang sederhana dan mudah dimengerti

pemakai

Sebuah skema bintang dapat juga memiliki lebih dari satu

tabel fakta yang disebabkan karena adanya fakta yang tidak saling

berhubungan, atau karena perbedaan waktu pengambilan data.

Tabel semacam ini

umumnya digunakan untuk perusahaan besar

yang memiliki berbagai divisi dengan masing-masing divisi

memiliki

jumlah data yang besar dan berbagai

macam level data

yang teragregasi.

Tabel fakta 1

Tabel dimensi

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Tabel dimensi

kunci 2

Atribute

…

Atribute

kunci 1

Atribute

…

Atribute

Tabel fakta 2

Tabel dimensi

kunci 3

Attribute

…

Attribute

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Gambar 2.8 Skema bintang dengan beberapa tabel fakta

Pada

gambar 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 dimensi 1

kunci 1

Atribute

…

Atribute

Tabel dimensi 3

kunci 3

Atribute

…

Atribute

Tabel fakta 1

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Tabel dimensi 2

kunci 2

Atribute

…

Atribute

Tabel fakta 2

kunci 2

kunci 4

Tabel fakta 3

kunci 4

Atribute

Gambar 2.9 Skema bintang sebagai tabel asosiasi

Tabel

dimensi

mungkin

mengandung foreign key

yang

mereferensikan primary key di

tabel dimensi yang lain. Tabel

dimensi

yang direferensikan

ini

yang dinamakan outboard

tabel

atau secondary dimension table. Pada gambar terdapat skema

bintang

dengan

outboard table

atau secondary

dimension table.

Tabel

dimensi

mempunyai

dua outboard

table

yaitu tabel

dimensi 4 dan tabel dimensi 5.

Tabel dimensi 1

kunci 1

Attribute

…

Attribute

Tabel dimensi 2

kunci 2

Attribute

…

Attribute

Tabel fakta

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Tabel dimensi 3

kunci 3

Attribute

Kunci 4

Kunci 5

kunci 4

Attribute

kunci 5

Attribute

Gambar 2.10 skema bintang dengan tabel dimensi tambahan

2.14.4.2 Skema Bintang Majemuk

Tabel

fakta dalam skema bintang majemuk

memiliki

dua

kumpulan 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 identifikasi unik untuk setiap barisnya.

Bedanya skema bintang majemuk dengan skema bintang

sederhana adalah saling tidak

identiknya primary key dan foreign

key dalam skema bintang majemuk.

Tabel dimensi 1

kunci 1

Attribute

…

Attribute

Tabel dimensi 2

kunci 2

Attribute

…

Attribute

Tabel fakta

FKey 1

FKey 2

FKey 3

Kunci 1

Kunci 2

Kolom Data

….

Kolom Data

Tabel dimensi 3

kunci 3

Attribute

…

Attribute

Gambar 2.11 Skema bintang majemuk

2.14.4.3 Skema Bintang Snowflake

Skema snowflake merupakan variasi lain dari skema

bintang yang menyimpan seluruh informasi tabel dimensi dalam

bentuk normal ketiga dan tabel fakta tetap dalam keadaan semula,

seperti yang terlihat pada gambar.

Ciri-ciri skema snowflake adalah :

1. tidak terdapat level pada tabel dimensi

2. tabel

dimensi

dinormalisasi

dengan

dekomposisi

pada

level

atribut

3. setiap dimensi

mempunyai

satu

key

untuk

setiap

level pada

hirarki dimensi

4. kunci

level

terendah

menghubungkan

tabel

dimensi

dengan

tabel fakta dan tabel atribut berlevel rendah

Tabel attribute 5

Attribute 5

Tabel dimensi 6

kunci 6

Attribute

Tabel dimensi

kunci 1

Attribute 4

Attribute 5

Attribute 6

Tabel attribute 6

Attribute 6

Tabel dimensi

kunci 2

Attribute 7

Kunci 6

Attribute 8

Tabel attribute 8

Attribute 8

Tabel fakta

kunci 1

kunci 2

kunci 3

Kolom Data

….

Kolom Data

Tabel dimensi 3

kunci 3

Attribute1

Attribute2

Attribute3

Kunci 4

Kunci 5

Tabel dimensi 4

kunci 4

Attribute

Tabel dimensi

kunci 5

Attribute

Gambar 2.12 skema snowflake

2.15 Agregasi

Menurut Poe (1997, p204), agregasi adalah proses perhitungan data fakta

terhadap

atribut-atribut

yang

telah

didefinisikan.

Sebagai contoh,

dapat

dibuat

pengelompokkan 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

dalam data

warehouse.

Faktor yang mendukung pembuatan agregasi adalah :

1. meningkatkan penampilan pencarian (searching)

2. mengurangi jumlah penggunaan kode produk universal.

Suatu agregasi yang baik dapat dibuat untuk digunakan oleh 300 user

dalam satu

hari

walaupun

akan

memakan

waktu

pembuatan

yang

cukup

lama,

karena akan jauh lebih bermanfaat dan efisien 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 pada saat pemuatan data ke

dalam data

warehouse,

kita

tetap

membutuhkan

teknik

database

klasik

seperti

partisi

tabel

secara

fisik.

Hal ini

menjadi

penting

bilamana

data

warehouse

mencapai gigabyte data.

2.16 Denormalisasi

Denormalisasi adalah mencatat data-data yang tidak bergantung pada

kolom lain,

meskipun

pada

akhirnya

mengakibatkan

terjadinya

banyak

duplikasi

data. Tujuannya adalah agar semua informasi yang diperlukan harus terkandung di

tabel log itu sendiri dan tidak bergantung pada tabel lain.

Menurut Poe

(1997, p207),

denormalisasi

adalah suatu

proses

yang

merubah bentuk normalisasi dari database dengan cara menggabungkan tabel dan

merupakan sebuah proses yang dilakukan secara sengaja dengan melanggar

peraturan bentuk normal dari normalisasi dengan tujuan untuk meningkatkan

kinerja (performance) dalam mengakses data yang ada.

Keuntungan melakukan proses denormalisasi adalah :

mengurangi jumlah

relasi

yang

terjadi antara tabel-tabel sehingga

akan

meningkatkan kecepatan proses query data.

membuat struktur fisik database lebih mudah dimengerti sesuai dengan model

dimensi dari

pemakai. Struktur

tabel yang

dibuat

sesuai keinginan

pemakai

memungkinkan terjadinya akses langsung yang sekali lagi akan meningkatkan

kinerja.

Kerugian melakukan proses denormalisasi adalah:

1. proses denormalisasi secara tidak langsung akan membuat redudansi data.

2. proses

denormalisasi

memerlukan

alokasi

memori

dan

storage

(tempat

penyimpanan yang besar).

2.17 Definisi Pembelian dan Penjualan

2.17.1 Pembelian

Pembelian

dapat

mencakup berbagai

aspek.

Dalam hal

ini,

sistem

pembelian mencakup seluruh tahap pemrosesan pembelian dan persediaan.

Dengan adanya sistem pembelian akan menghasilkan informasi yang

dibutuhkan oleh manajer.

2.17.1.1 Pengertian Sistem Pembelian

Menurut

Mulyadi

(1997,

p302),

sistem pembelian

adalah

sistem yang digunakan dalam perusahaan untuk pengadaan barang

yang diperlukan baik secara kredit maupun tunai.

2.17.1.2 Fungsi Yang Terkait Dalam Pembelian

Menurut Mulyadi (1997, p302), fungsi yang terkait dalam

sistem pembelian adalah:

a. Fungsi Gudang

Bertanggung jawab untuk mengajukan permintaan

pembelian sesuai dengan jumlah persediaan yang ada di

gudang,

dan

juga

untuk

menyimpan

barang

yang

telah

diterima

oleh fungsi penerimaan. Untuk barang-barang yang

langsung dipakai (tidak diselenggarakan persediaan barang di

gudang), permintaan pembelian diajukan oleh pemakai

barang.

b. Fungsi Pembelian

Bertanggung jawab untuk memperoleh informasi

mengenai harga barang yang akan dibeli, menentukan supplier

yang dipilih dalam pengadaan barang dan mengeluarkan order

pembelian kepada supplier yang dipilih.

c. Fungsi Penerimaan

Bertanggung jawab untuk melakukan pemeriksaan

terhadap jenis, mutu, dan kuantitas barang yang diterima dari

supplier guna menentukan dapat atau tidaknya barang tersebut

diterima oleh perusahaan. Fungsi ini juga bertanggung jawab

untuk

menerima

barang

yang

berasal

dari

transaksi return

(pengembalian) penjualan.

d. Fungsi Akuntansi

Fungsi akuntansi memiliki banyak aspek. Dalam

transaksi

pembelian

fungsi

akuntansi yang

terkait

adalah

fungsi pencatat hutang dan fungsi pencatat persediaan. Fungsi

pencatat hutang bertanggung jawab untuk mencatat transaksi

pembelian

dalam register

bukti

kas

keluar,

dan

untuk

menyelenggarakan arsip dokumen sumber (bukti kas keluar)

yang berfungsi sebagai catatan hutang atau menyelenggarakan

kartu hutang sebagai buku pembantu hutang. Fungsi pencatat

persediaan

bertanggung

jawab untuk

mencatat

harga

pokok

persediaan barang yang dibeli ke dalam kartu persediaan.

2.17.2 Penjualan

2.17.2.1

Pengertian Penjualan

Menurut

Mulyadi

(1997,

p204), kegiatan penjualan

meliputi transaksi penjualan barang atau jasa, yang ditinjau dari

cara pembayarannya (secara tunai atau kredit). Di dalam

perusahaan

yang

bergerak

dalam bidang perdagangan,

penjualan adalah suatu proses penting dalam melaksanakan

tujuan dari perusahaan yaitu untuk memperoleh keuntungan

semaksimal mungkin.

Secara umum, pengertian penjualan dapat dikatakan

sebagai

ilmu dan seni

mempengaruhi pribadi/individu yang

dilakukan oleh penjual untuk mengajak orang lain membeli

barang atau jasa yang ditawarkan. Jadi, adanya penjualan dapat

menciptakan

suatu

proses

pertukaran barang atau jasa antara

penjual dan pembeli.

Ditinjau dari cara pembayarannya, penjualan dibagi

menjadi dua macam, yaitu:

1. Penjualan Kredit

Jika order pelanggan telah dipenuhi dengan

dikirimnya barang atau penyerahan jasa, untuk jangka waktu

tertentu perusahaan mempunyai piutang terhadap pelanggan

yang

harus

dibayar

oleh

pelanggan

sebelum tanggal

jatuh

tempo.

2. Penjualan Tunai

Barang atau jasa baru diserahkan oleh perusahaan

kepada pelanggan setelah perusahaan menerima pembayaran

dari pelanggan.

2.17.2.2

Pengertian Sistem Informasi Penjualan

Sistem informasi

penjualan

adalah

sebuah

sistem

yang

mengendalikan seluruh kegiatan transaksi penjualan barang atau

jasa baik secara tunai maupun kredit

sehingga

menghasilkan

informasi yang dibutuhkan oleh manajemen untuk menganalisa

penjualan yang sedang berlangsung.

Adapun kriteria dalam pengakuan penjualan terdiri dari

tiga, yaitu:

1. Adanya bukti yang kuat bahwa pembeli mempunyai maksud

untuk membeli, dan penjual mempunyai maksud untuk

menjual.

2. Adanya

perjanjian

atau

kesepakatan

harga

antara

pembeli

dan penjual.

Penentuan mengenai barang tertentu yang akan dijual dan

yang sudah dalam keadaan siap untuk dijual.

2.18 Critical Success Factor (CSF)

Menurut Laudon (2004, p380), CSF adalah sejumlah kecil tujuan

operasional yang dapat diidentifikasi, dibentuk oleh industri, perusahaan, manager,

dan lingkungan yang lebih luas yang dipercaya untuk memastikan sukses tidaknya

sebuah

organisasi.

CSF

juga

digunakan

untuk

menentukan

kebutuhan

informasi

dari sebuah organisasi.

Menurut McLeod (2001, p109), sebuah CSF adalah satu dari banyak

aktifitas

perusahaan

yang

mempunyai pengaruh

kuat

terhadap

kemampuan

perusahaan untuk memenuhi tujuan bisnisnya. Sebuah perusahaan pada umumnya

mempunyai banyak CSF.

Kekuatan dari metode CSF adalah bahwa CSF menghasilkan set data yang

lebih kecil untuk dianalisa daripada analisa perusahaan (enterprise analysis) secara

keseluruhan sehingga

hasil

yang

dihasilkan

lebih akurat. Hanya

manajer

tingkat

atas

yang diwawancara, dan pertanyaan berfokus pada sejumlah kecil CSF

daripada

pertanyaan

yang

luas

dan

bersifat

umum sehingga pada

akhirnya

perusahaan mendapatkan informasi yang dibutuhkan. CSF ini khususnya sesuai

untuk diterapkan pada manager tingkat atas dan pembangunan DSS dan EIS.