|
BAB 2
LANDASAN TEORI
2.1
Teori Database
2.1.1
Definisi Database
Menurut Thomas Connolly dan Carolyn Begg, pengertian dari database
adalah “a shared collection of logically related data, and a description of this
data, designed to meet the information needs in an organization” (2002, p14).
Yang dapat diartikan
sebagai
kumpulan data yang terhubung secara logis, dan
suatu
gambaran dari data
tersebut,
yang dirancang
untuk
memenuhi kebutuhan
informasi suatu perusahaan.
Menurut Post (2002, p2), database merupakan suatu kumpulan data yang
disimpan
dalam format
yang
terstandarisasi, dirancang untuk
digunakan
secara
bersama oleh user.
Jadi, database dapat didefinisikan sebagai suatu kumpulan data bersifat
persistent
yang
terhubung
secara
logis
dan
disimpan
dalam format
yang
terstandarisasi, dan dirancang untuk memenuhi kebutuhan informasi suatu
perusahaan.
2.1.2
Relational Model
Relational Model
untuk pertama kalinya dikemukakan oleh E. F. Codd,
seorang anggota dari IBM Research Laboratory di San Jose, California dalam
naskahnya ‘A relational model of data for large shared data banks’. Relational
8
|
|
9
model
terdiri atas tiga komponen, yakni komponen struktural
(disebut juga
relations), komponen
manipulatif,
dan
sebuah
set dari rules
yang
memelihara
integritas dari database.
Model tersebut didasarkan atas struktur data yang sederhana dan umum
yaitu relasi dan mempunyai pondasi teoritis yang kokoh. Di dalam skema
relasional, antara satu relasi dengan relasi yang lain memiliki nama yang
berbeda. Yang membedakan antara relational model dengan tabel biasa atau file
adalah tidak terurutnya tuple dalam relasi, pengurutan atribut dalam skema relasi,
dan pengurutan nilai yang berhubungan dalam suatu tuple.
2.1.3 Relational Database
Menurut Connolly, relational database adalah suatu kumpulan dari relasi
yang telah dinormalisasi dengan nama-nama relasi yang berbeda (2002, p74).
Relational database adalah database yang sesuai dengan relational
model..
Dalam relational
database,
semua
data
yang
disimpan
dalam
kolom
haruslah
berasal dari
domain
yang
sama. Beberapa
contoh relational
key
yang
digunakan untuk
mengidentifikasi secara
unik baris di dalam relasi, antara
lain
super key, candidate key, primary key, foreign key, dan composite key.
2.1.4 Relational Database Management System
Menurut Whitten, Relational Database Management System (RDBMS)
adalah sebuah perangkat lunak yang disediakan oleh vendor komputer secara
khusus, yang digunakan untuk membuat, mengakses, mengontrol, dan mengatur
sebuah database (2004, p554).
|
|
10
RDBMS
didisain untuk memanajemen sebuah database sebagai
sekumpulan
data
yang disimpan
secara
terstruktur,
dan melakukan
operasi-
operasi atas data berdasarkan permintaan user. Untuk saat ini implementasi
RDBMS sudah banyak dan bisa disesuaikan dengan kebutuhan spesifikasi data
sehingga dapat diimplementasikan oleh berbagai perusahaan.
2.1.5
Pengertian Online Transaction Processing
Menurut Peterson, Online Transaction Processing (OLTP) adalah
aplikasi yang menjalankan operasi basis perusahaan. Sistem OLTP menggunakan
data dalam cara-cara : menghasilkan data dalam proses bisnis yang berlangsung
terus-menerus,
menyimpan
data
dalam format
yang
mengoptimisasikan
pengambilan
dan
pembaharuan
record individual,
dan
menghasilkan
laporan
terbatas yang meringkas event yang sudah dan sedang terjadi (2000, p53).
OLTP dirancang untuk memungkinkan terjadinya pengaksesan beberapa
user secara bersama-sama terhadap sumber data yang sama dan mengatur proses
yang dibutuhkan, tentunya dengan performa tinggi. Transaksi yang dilakukan
meliputi
insert, update, dan delete.
Data OLTP biasanya bersifat
relasional dan
dalam bentuk normal ketiga.
Fokus
utama
dari OLTP
adalah
untuk
mendukung
fungsi dasar
sehari-
hari organisasi, misalkan untuk menerima pesanan barang, pengaturan stok,
pengajuan rekening pelanggan, dan sebagainya. (Groff, 1999, p736).
|
|
11
2.2
Teori Data Warehouse
2.2.1
Definisi Data Warehouse
Menurut W.H.Inmon, data warehouse adalah “a collection of integrated,
subject-oriented databases designed
to
support
the DSS
function, where
each
unit
of
data is
relevant
to
some
moment
in
time.”
(2005,
p495).
Atau
dapat
diartikan
sebagai
“sekumpulan database
yang
terintegrasi dan berorientasi
subjek, yang dirancang untuk mendukung sistem pengambilan keputusan di
mana
setiap
unit
datanya
berhubungan
dengan beberapa kejadian pada suatu
waktu
tertentu”. Data warehouse berisikan data atomic dan juga berisikan data
yang telah diringkas.
Menurut C.Imhoff, data warehouse adalah “a subject-oriented,
integrated, time-variant, nonvolatile collection of data used to support the
strategic decision-making process for the enterprise.” (2003, p400). Atau dapat
diartikan sebagai “sekumpulan data yang memiliki sifat orientasi subjek,
terintegrasi, time-variant yang berarti data yang tingkat keakuratannya berkaitan
dengan beberapa kejadian
rentang waktu tertentu, dan bersifat nonvolatile yang
berarti
data
tidak
berubah-ubah, yang
digunakan
untuk
mendukung
proses
pengambilan keputusan pada perusahaan”.
Menurut
Peterson,
data
warehouse adalah koleksi
semua
data
dalam
perusahaan yang digunakan untuk query analisa bisnis (2000, p55).
Menurut Ralph Kimball, data warehouse adalah “The conglomeration of
an organization’s data warehouse staging and presentation areas, where
operational data is
specifically
structured for query
and
analysis
performance
and ease-of-use.”
(2002, p397). Atau
dapat diartikan
sebagai
“Penggabungan
|
 12
antara
tingkatan data
warehouse
yang
ada
pada
suatu
organisasi
dengan area
presentasi, di mana data operasional secara spesifik disusun untuk query dan
analisis performa, serta kemudahan dalam penggunaan”.
Menurut
English,
produk
dari Data
warehouse
adalah
informasi.
Pelanggan dari data warehouse adalah knowledge worker yang
harus
membuat
keputusan penting dengan lebih cepat. (1999, p4)
Dari definisi-definisi yang telah dikemukakan di atas, dapat disimpulkan
bahwa data warehouse
merupakan database yang terintegrasi atau dapat pula
gabungan dari beberapa tingkatan data warehouse, yang saling berhubungan, dan
data yang ada pada sistem
informasi operasional disusun untuk dianalisis
sehingga menghasilkan informasi yang dapat menjadi dasar pengambilan
keputusan bagi pihak eksekutif perusahaan.
.
2.2.2 Goal dari Data Warehouse
Goal yang ingin dicapai dari perancangan data warehouse antara lain :
Data warehouse
harus mampu membuat informasi mengenai perusahaan
mudah dimengerti, mudah diakses, cepat, akurat, dan konsisten.
Data warehouse harus mampu
mendukung analisis bisnis
yang dibutuhkan
serta menyesuaikan dengan teknologi yang ada di perusahaan.
Data warehouse harus mampu menangani dan mengubah perubahan yang
tidak terelakkan yang dikarenakan perubahan
kebutuhan
dari user, kondisi
bisnis, data, dan teknologi.
|
 13
Data warehouse tidak boleh mengganggu bahkan
mengubah data yang
sedang berjalan pada sistem informasi operasional perusahaan.
Data warehouse harus mampu menyajikan dasar untuk pengambilan
keputusan yang lebih baik.
2.2.3
Karakteristik Data Warehouse
Karakteristik yang dimiliki oleh data warehouse yang dapat dipelihara yaitu :
Subject-oriented (berorientasi subjek)
Data
warehouse
berorientasi
subjek,
artinya data dikelompokkan
berdasarkan
fungsi
utama dalam bisnis.
Area
fungsi
utama (subjek) dapat
meliputi customer, product,
transaction,
policy,
claim,
account. Setiap area
subjek secara fisik mengimplementasikan urutan dari tabel-tabel
yang saling
berhubungan dalam data warehouse. Setiap area subjek dapat memiliki 10,
100, atau lebih tabel fisik yang saling terhubung. Berikut adalah contoh area
subjek yang berbasis customer.
Terdapat 5 tabel fisik yang berhubungan pada
Gambar 2.1.
Masing-
masing tabel telah dirancang untuk mengimplementasikan bagian dari subjek
utama, yaitu customer. Definisi data mengenai customer berbeda jika dilihat
berdasarkan tahun.
|
 14
Gambar 2.1 Data warehouse berbasis customer (Inmon,2005,p35).
Semua tabel fisik yang subjeknya customer dihubungkan dengan
common key. Gambar 2.2 menunjukkan
key “customer ID”
yang
menghubungkan semua data yang ditemukan pada area subjek customer.
Data (tabel fisik) dari subjek customer yang saling terhubung (pada Gambar
2.3)
tidak
harus
disimpan
dalam disk
saja,
tetapi
dapat
ditempatkan
pada
media yang berbeda. DASD (Direct Access Storage Device)
dan magnetic
tape merupakan dua media yang paling populer untuk menyimpan data
dalam data warehouse.
|
 15
Gambar 2.2 Koleksi data yang memiliki area subjek yang sama diikat
dengan common key (Inmon,2005,p36).
Gambar
2.3
Area
subjek dapat
berisi
data
yang
berasal
dari
media
yang
berbeda dalam data warehouse (Inmon,2005,p37).
Integrated (terintegrasi / terpadu)
Konsep
integration dalam data
warehouse
dikaitkan
dengan
pengambilan sumber data yang berasal dari berbagai sumber yang terpisah.
Data
yang
diambil
tersebut
selanjutnya
akan diconvert,
diformat
kembali,
|
 16
diurutkan, diringkas, dan seterusnya. Hasil dari data tersebut ditempatkan
dalam data warehouse yang hanya memiliki satu physical image. Gambar 2.4
menjelaskan mengenai integrasi yang terjadi ketika data lewat dari
lingkungan operasional application-oriented menuju data warehouse.
Gambar 2.4 Pokok persoalan dari integrasi (Inmon,2005,p31).
Konsistensi yang ditunjukkan data warehouse dapat dilihat pada :
Encoding (Pengkodean)
Misalnya, software developer harus memberi kode “m” untuk
jenis kelamin pria, “f” untuk wanita. Jika terdapat kode “1” yang
menjelaskan jenis kelamin pria dan “0” untuk wanita, maka akan diubah
menjadi bentuk standar yaitu “m” atau “f”.
|
 17
Attribute Measurement (Pengukuran Atribut)
Misalnya, ada beberapa satuan ukur yang digunakan untuk satuan
panjang
dalam database,
seperti
cm,
inchi,
meter,
dan
yard.
Dengan
karakteristik integrasi data, maka satuan panjang tersebut harus konsisten
yaitu dengan cara menetapkan satuan panjang “cm” sebagai standar.
Multiple Source (Banyak Sumber)
Dalam database ada kemungkinan banyaknya deskripsi dari suatu
informasi,
namun
dengan
prinsip
integrasi
data,
seluruh
informasi
tersebut harus memiliki kesamaan deskripsi yang konsisten.
Conflicting Keys (Kunci yang Berbeda)
Misalnya,
dalam database
ada
beberapa tipe
data
yang
berbeda
dalam field
yang sama,
seperti field kode barang dalam
tabel penjualan
memiliki tipe data character (char) dengan field size 10 sedangkan dalam
tabel
lain berbeda, misal
char(12).
Semua
perbedaan
itu
harus
diintegrasikan menjadi satu tipe data yaitu char dengan ukuran 12.
Nonvolatile (tidak berubah-ubah)
Data pada data warehouse tidak mengalami
perubahan, lain halnya
pada
database
operasional
dimana
dapat
dilakukan
operasi
insert,
update,
dan delete terhadap data yang menyebabkan perubahan isi pada database.
|
 18
Gambar 2.5 Pokok persoalan dari nonvolatile (Inmon,2005,p32).
Pada data warehouse hanya ada dua kegiatan manipulasi data, yaitu
loading
data (mengambil
data
yang
dibutuhkan
data warehouse)
dan
akses
data
(proses
mengakses
data
warehouse,
seperti
melakukan query atau
menampilkan
laporan
yang dibutuhkan). Dalam data
warehouse
tidak
ada
kegiatan
update
data.
Sebagai
gantinya,
terdapat
snapshot
dalam bentuk
format statis yang di-load oleh data warehouse. Apabila terjadi perubahan
data, snapshot baru terbentuk, kemudian snapshot itu akan disimpan bersama
dengan
snapshot yang
sudah
ada dalam data
warehouse sehingga
menjadi
historical data.
Beberapa perbedaan data operasional dengan data warehouse dapat
dilihat pada Tabel 2.1 ini :
|
 19
Tabel 2.1 Perbandingan data operasional dan data warehouse (Connolly 2002, p1049)
Data Operasional
Data warehouse
Menangani data terbaru
Menangani data historis
Menyajikan detailed data.
Menyajikan detailed, lightly dan highly
summarized data.
Data bersifat dinamis.
Data bersifat statis.
Prosesnya repetitif
Ad hoc, tidak terstruktur
Pola penggunaan dapat
diprediksi
Pola penggunaan tidak dapat diprediksi
Transaction driven
Analysis driven
Berorientasi aplikasi
Berorientasi subjek
Mendukung keputusan sehari-
hari
Mendukung keputusan strategis
Tersedia untuk karyawan bagian
operasional
Tersedia untuk para manajer / eksekutif
Time Variant (Rentang Waktu)
Data dalam
data warehouse
berhubungan dengan suatu titik dalam
suatu periode waktu, dan data dalam data warehouse akurat selama periode
waktu
tertentu,
sehingga
dapat
dikatakan
memiliki
rentang
waktu (time
variant). Data warehouse juga memiliki tempat untuk menyimpan data 5-10
tahun yang lalu atau lebih lama lagi, yang mungkin nantinya data tersebut
dapat digunakan untuk perbandingan trend dan forecasting. Sedangkan data
|
|
20
operasional
hanya
memiliki rentang waktu yang sangat kecil
yaitu berkisar
60-90
hari. Dengan
semakin
banyaknya
data,
maka
akan
lebih
baik
dalam
menganalisis sesuatu dalam perusahaan.
Karena
dimensi
ini
merupakan
hal yang penting, maka pada bagian
waktu diperlukan suatu pembagian dengan aturan-aturan tertentu. Pada
umumnya rentang waktu analisis dibagi menjadi perbulan, pertriwulan,
perkuartal, pertahun, dan sebagainya.
2.2.4
Struktur Data Warehouse
Data warehouse memiliki struktur yang spesifik serta memiliki
perbedaan dalam tingkatan ringkasan, detil data, dan umur data. Struktur tersebut
terdiri dari :
1. Current Detail Data
Current
detail
data
adalah
data
detail
yang
sedang
aktif saat
ini,
mencerminkan keadaan yang sedang berjalan saat ini dan merupakan tingkat
terendah dalam data
warehouse.
Current
detail
data
ini biasanya
memerlukan
media
penyimpanan
data yang cukup besar. Alasan perlu
diperhatikannya current detail data adalah sebagai berikut:
•
Menggambarkan
kejadian
yang
baru
terjadi
dan selalu
menjadi
perhatian utama.
•
Hampir selalu disimpan di media penyimpanan karena diperlukan
akses yang cepat tetapi mahal dan kompleks dalam pengaturannya.
|
|
21
•
Dapat digunakan dalam membuat rekapitulasi sehingga current detail
data harus akurat.
•
Jumlahnya
sangat
banyak
dan
disimpan
pada
tingkat
penyimpanan
terendah
.
2. Old Detail Data
Old detail data merupakan detil dari data historis, dapat berupa hasil
back up yang dapat disimpan dalam media penyimpanan yang terpisah dan
dapat
diakses
kembali
pada
saat
tertentu. Data ini jarang diakses sehingga
disimpan dalam media penyimpanan alternatif seperti tape disk. Penyusunan
direktori untuk data ini harus menggambarkan umur
dari data agar
memudahkan pengaksesan kembali.
3. Lightly Summarized Data
Lightly summarized data (ringkasan data level menengah) merupakan
ringkasan
dari
current
detail
data.
Di
dalam tahap
ini
data
belum dapat
digunakan
untuk
pengambilan
keputusan
karena
sifat
data
belum “total
summary” yang artinya data masih bersifat detil. Lightly summarized data
seringkali
digunakan sebagai gambaran dari keadaan yang sedang
berlangsung maupun yang belum berlangsung.
|
 22
4. Highly Summarized Data
Highly summarized data (ringkasan data level tinggi) merupakan
hasil
proses
ringkasan
yang bersifat
“total summary”. Pada tingkat
ini data
sangat mudah diakses dan pada akhirnya dapat digunakan sebagai pengambil
keputusan bagi para eksekutif perusahaan. Bagi para eksekutif, hal ini
sangatlah memudahkan karena mereka hanya perlu membaca atau melakukan
analisis dalam waktu yang singkat.
Gambar 2.6 Struktur data warehouse (Inmon,2005,p34).
5. Metadata
Metadata bukanlah merupakan hasil kegiatan operasional seperti
keempat jenis data di atas, namun merupakan komponen penting dalam data
warehouse
yang
menjalankan seluruh proses
yang ada. Metadata seringkali
disebut ‘data tentang data’. Metadata memberikan peranan yang penting
untuk
keefektifan
penggunaan
data
warehouse
karena
dengan
adanya
|
 23
metadata akan mempermudah end-user
dalam melakukan analisis dan
menghemat
waktu. Metadata digunakan untuk beberapa tujuan yang
bervariasi termasuk :
Proses extraction dan loading,
yang digunakan
untuk pemetaan
sumber data menjadi bentuk data yang common view.
Proses
manajemen
warehouse,
yang
digunakan
untuk
proses
otomatisasi pembentukan tabel ringkasan.
Bagian dari proses manajemen query, yang digunakan untuk
mengarahkan query kepada sumber data yang paling tepat.
.
2.2.5
Komponen Data Warehouse
Komponen data warehouse meliputi :
1.
Alat loading warehouse : program yang
mengambil data dari sistem
pemrosesan
transaksi
korporal
(database
relasional, mainframe
dan
file
minikomputer), memprosesnya, dan memasukkannya ke warehouse. Proses
ini
mencakup pembersihan data transaksi, penyaringan, reformat dan
load
ke sebuah basis data besar dalam warehouse.
2.
Sebuah
database warehouse
: sebuah database
relasional
untuk
menyimpan data yang sangat banyak, mengambil data dengan kecepatan
tinggi dan mendukung query analisa bisnis yang kompleks.
3.
Alat
analisis
data
:
program
untuk
melakukan
analisa
statistik dan
berjangka waktu, melakukan analisa ‘bagaimana jika’ dan menampilkan
hasilnya dalam bentuk grafik.
|
 24
2.2.6
Arsitektur Data Warehouse
Arsitektur data warehouse
menyediakan
kerangka
dengan
mengidentifikasikan dan memahami
bagaimana data akan dipindahkan melalui
sistem dan digunakan dalam perusahaan. Arsitektur data warehouse mempunyai
komponen utama yaitu database yang hanya dapat dibaca.
Karakteristik arsitektur data warehouse antara lain :
•
Data diambil dari sistem informasi operasional, database, dan file.
•
Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan
ke dalam data warehouse.
•
Data warehouse adalah jenis database read-only yang diciptakan
untuk
mengambil keputusan.
•
User mengakses data warehouse via front-end tool atau aplikasi.
Gambar 2.7 Arsitektur data warehouse (Connolly,2002,p1053).
|
|
25
1. Operational Data
Data
operasional
yang
menjadi
sumber
data
bagi data warehouse
berasal
dari
mainframe, workstation dan private
server yang
berisi private
data, dari sistem luar seperti internet, dan juga dari database yang tergabung
dengan pemasok ataupun pelanggan.
2. Operational Datastore (ODS)
ODS merupakan tempat penampungan dari data operasional yang ada
saat ini dan terintegrasi, yang digunakan untuk analisis. ODS
ini terstruktur
dan data yang disediakan telah di-extract dan di-cleaned. Proses pemasukan
data pada ODS juga sama seperti pada data warehouse. ODS dibentuk ketika
sistem operasional
sudah
dirasa
tidak mampu
memberikan
laporan
yang
dibutuhkan. Dengan adanya ODS ini maka proses integrasi dan merestruktur
data untuk data warehouse menjadi lebih sederhana.
3. Load Manager
Load manager atau sering disebut komponen front-end melakukan
seluruh
operasi
yang
berhubungan
dengan
extraction dan
loading terhadap
data
dan
dimasukkan
ke
dalam data
warehouse.
Data
mungkin
di-extract
secara langsung dari sumber data atau umumnya berasal dari ODS.
|
 26
4. Warehouse Manager
Warehouse manager
melakukan
seluruh
operasi
yang
berhubungan
dengan
manajemen
data
pada warehouse.
Komponennya
dibangun
menggunakan
vendor
data
management
tools
dan
custom-built programs.
Operasi yang dilakukan oleh warehouse manager meliputi :
Analisis data untuk memastikan konsistensi.
Transformasi dan
menggabungkan
data
sumber
dari
penampungan
sementara ke dalam tabel data warehouse.
Pembuatan indeks dan view pada tabel utama.
Denormalisasi (jika diperlukan).
Aggregasi (jika diperlukan).
Back-up dan archiving data.
5. Query Manager
Query mnager atau sering dinamakan komponen backend melakukan
seluruh operasi yang berhubungan dengan manajemen dari
user queries.
Komponen
ini
dibentuk
menggunakan
vendor
end-user
data
access
tools,
data
warehouse
monitoring
tools, fasilitas
database,
dan
custom-built
program. Operasi
yang dilakukan
meliputi mengarahkan
langsung query ke
dalam tabel
yang
cocok dan
melakukan penjadwalan
terhadap query
yang
dieksekusi.
|
|
27
6. Detailed Data, Lightly and Highly Summarized Data, Metadata
Detail
data
dibagi
menjadi
dua,
yaitu
current
detail
data
dan
old
detail data. Detail data telah dijelaskan pada sub-bab 2.2.4 point ke 1 dan 2.
Lightly dan highly summarized data telah dijelaskan pada sub-bab 2.2.4 point
3 dan 4. Dan meta-data juga telah dijelaskan pada sub-bab 2.2.4 point 5.
7. Archive / Backup Data
Area
data
warehouse
ini
menyimpan
detailed dan
summarized data
dengan
tujuan
archiving dan
backup.
Walaupun
ringkasan
dari
data
telah
dibentuk dari detail data, masih dibutuhkan backup untuk online summary
data jika
data
tersebut disimpan
melebihi batas waktu penyimpanan untuk
detailed data. Data ditransfer ke storage archive seperti magnetic tape atau
optical disk.
8. End-User Access Tools
Tujuan dari perancangan data warehouse yaitu menyediakan
informasi
kepada
user (pebisnis)
yang
mengarah
kepada
pengambilan
keputusan yang strategis. User berinteraksi dengan warehouse menggunakan
end user access tool. Data warehouse harus secara efisien mendukung
analisis ad hoc dan analisis rutin. Tools ini dibagi menjadi 5 kelompok utama
yaitu :
|
 28
Reporting and query tools
Reporting tools tebagi
menjadi production reporting tools yang
digunakan untuk membuat laporan operasional ataupun mendukung
high-volume batch job seperti invoice dan report writer yang
merupakan desktop tools murah yang dibuat untuk end-user.
Query
tools untuk
relational
data
warehouse dirancang
untuk
menerima
SQL
atau
menghasilkan
SQL
statement
untuk
mengquery
data yang disimpan dalam data warehouse.
Application development tools
Aplikasi
ini dikembangkan sesuai
dengan keinginan user
yang
dikarenakan
analisis
yang
diminta
tidak
dapat
dihasilkan
atau
dapat
pula karena membutuhkan user yang expert untuk berinteraksi. Dengan
adanya aplikasi ini maka analisis yang diminta dapat ditampilkan dalam
bentuk grafik.
Executive Information System (EIS) tools
EIS pada awalnya dikembangkan
untuk
mendukung
pengambilan keputusan yang bersifat high-level. Fokus dari sistem ini
diperluas
sehingga
mencakup
seluruh
level
manajemen.
EIS tools
dikaitkan dengan pembolehan untuk merancang aplikasi pendukung
pengambilan keputusan yang bersifat customized dan graphical kepada
user sehingga memberikan overview data perusahaan dan menyediakan
akses untuk sumber data eksternal kepada user.
|
 29
Online Analytical Processing (OLAP) tools
OLAP tools
merupakan kategori aplikasi yang memungkinkan
seorang system analyst,
manager, dan eksekutif memperoleh data
dengan akses yang cepat, konsisten dan interaktif, sehingga informasi
dapat dilihat dari berbagai sudut pandang, di mana
data telah
ditransformasikan
dari
data mentah
untuk
menggambarkan
multidimensi
dari
data
perusahaan
yang
dapat
dimengerti
oleh user.
Tools
ini
sering
digunakan
untuk
aplikasi
bisnis
dalam mengakses
efektivitas persaingan pemasaran,
peramalan
penjualan
produk,
dan
perencanaan kapasitas.
Keuntungan dari aplikasi OLAP, antara lain :
Meningkatkan
produktivitas
bisnis
dan user, pengembang IT,
seluruh organisasi secara konsekuen.
Meningkatkan
pendapatan
dan
keuntungan
dengan
memperbolehkan
organisasi
memberikan respon lebih cepat
terhadap permintaan pasar.
Mengurangi pemindahan query dan lalu lintas jaringan pada
sistem OLTP ataupun pada data warehouse.
Data mining tools
Data mining merupakan proses menemukan hubungan baru, bentuk
baru, dan tren baru dengan menggali sejumlah besar data menggunakan
teknik statistik,
matematika, dan artificial intelligence (AI).
Yang
|
|
30
menarik dari
data mining
adalah kemampuan
untuk
membangun
prediksi / ramalan dibandingkan dengan meninjau kembali bentuk yang
telah dihasilkan.
2.2.7
Anatomi Data Warehouse
1. Data warehouse Fungsional
Data warehouse dibuat lebih dari satu dan dikelompokkan
berdasarkan fungsi masing-masing, seperti fungsi
keuangan
(financial),
fungsi
marketing,
fungsi
kinerja
personalia.
Pemodelan
ini berfokus pada kebutuhan dari sebuah fungsi bisnis.
Keuntungan
dari
bentuk
ini adalah
dapat
dibangun
dengan
biaya yang relatif murah, dan memberikan fleksibilitas karena dapat
disesuaikan dengan permasalahan
bisnis spesifik dan kemungkinan
dari departemen atau lini bisnis tertentu. Sedangkan kerugiannya
adalah
terbatasnya
kemampuan
dalam pengumpulan
data
bagi
pengguna. Namun, terdapat resiko
hilangnya konsistensi data di luar
lingkungan fungsi bisnis bersangkutan. Apabila pendekatan ini
lingkupnya diperbesar dari lingkungan
fungsional
menjadi
lingkup
perusahaan, konsistensi data perusahaan tidak lagi dapat dijamin
2. Data warehouse Terpusat
Data
warehouse terpusat adalah
sebuah database
fisikal
tunggal
yang menyimpan semua data untuk area
fungsional spesifik,
departemen, divisi atau perusahaan (enterprise). Data warehouse
|
|
31
terpusat biasanya menyimpan data dari sistem operasi
yang berbeda-
beda. Data yang disimpan didalamnya dapat diakses dari sebuah
lokasi dan harus diload dan dipelihara pada basis regular.
Bentuk ini
terlihat seperti bentuk functional data warehouse,
namun disini sumber data terlebih dahulu dikumpulkan dan
diintegrasikan
pada
suatu
tempat terpusat,
setelah
itu
barulah
data
tersebut dibagi–bagi berdasarkan
fungsi
yang
dibutuhkan
oleh
perusahaan dan bentuk ini sering digunakan oleh perusahaan yang
belum memiliki
jaringan
eksternal.
Keuntungan
bentuk
ini
adalah
menyediakan gambaran yang komprehensif, tingkat kontrol dan
reliabilitas yang tinggi karena keterpaduan data di dalamnya.
3. Data warehouse Terdistribusi
Data warehouse
terdistribusi
adalah data warehouse
yang
komponennya didistribusikan ke beberapa database fisikal yang
berbeda. Umumnya, pendekatan ini dipilih saat perusahaan besar
ingin
menegikutsertakan
level
organisasinya yang lebih rendah di
dalam pengambilan
keputusan,
sehingga
diperlukan
penurunan data
untuk pembuatan keputusan ke komputer lokal tempat pengambil
keputusan lokal. Pendekatan ini melibatkan data yang paling
redundan
dan
konsekuensinya
adalah
proses load
dan
update
yang
kompleks.
|
|
32
Bentuk ini dikembangkan berdasarkan konsep data warehouse
gateway yang memungkinkan pemakai untuk langsung berhubungan
dengan sumber data maupun dengan pusat pengumpul data lainnya.
Gateway adalah produk yang memungkinkan data untuk melewati
database
atau
sistem yang
heterogen
atau
berlainan
secara
lancar.
Gateway
dapat
mencakup
koneksi
diantara jaringan yang berbeda,
protokol
komunikasi
yang
berbeda
dan
representasi
data
yang
berbeda.
Contohnya,
dalam lingkungan
data
warehouse,
gateway
digunakan untuk menyediakan konektivitas untuk mengakses data
dari mainframe dengan database
yang dijalankan oleh berbagai
sistem operasi yang berbeda.
Pendekatan ini memerlukan biaya yang sangat besar karena
setiap
sistem pengumpulan
data
fungsional
dan
sistem operasinya
dikelola secara terpisah. Di samping itu, agar berguna bagi
perusahaan,
data
harus
disinkronisasikan untuk memelihara
keterpaduannya.
Metode
ini
akan sangat
efektif
apabila
data
telah
tersedia dalam bentuk
yang konsisten dan pemakai dapat
menambah
data tersebut dengan informasi baru apabila ingin memperoleh
gambaran baru atas informasi.
|
 33
2.2.8
Aliran Data pada Data Warehouse
1. Inflow
Inflow
meliputi proses extraction, cleansing dan loading dari
sumber data. Cara alternatif lain, bisa dengan meload data ke dalam
data penyimpanan operasional (ODS) sebelum ditransfer ke dalam
data warehouse. Data harus direkonstruksi terlebih dahulu meliputi :
Membersihkan data kotor.
Merestrukturisasi
data
agar
sesuai
dengan kebutuhan
dari
data
warehouse yang baru, seperti, menambah atau membuang fields,
dan denormalisasi data.
Memastikan
bahwa data sumber konsisten
dengan
dirinya
sendiri
dan
dengan
data
lain
yang
sudah
ada
dalam data
warehouse.
Proses inflow dapat secara efektif digunakan, dengan mentukan kapan
mengekstrak data untuk melakukan transformasi yang diperlukan dan
untuk
menjamin
konsistensi.
Ketika
mengekstrak
data
dari source
systems,
penting
untuk
memastikan
bahwa
data
dalam keadaan
konsisten
untuk menghasilkan view dari korporasi data. Setelah data
diekstrak, maka akan di-load ke dalam penyimpanan temporer untuk
keperluan cleansing dan pengecekan konsistensi.
|
 34
2. Upflow
Upflow meliputi proses menambahkan nilai (value) data dalam
data
warehouse
melalui
aktivitaas summarizing,
packaging
dan
distribution data. Prosesnya meliputi :
Summarizing data, dengan selecting, projecting, joining, dan
grouping data relasional ke dalam tampilan yang
lebih
nyaman
bagi
end-user. Summarizing
melibatkan analisis
statistic
modern
termasuk
identifying
trends,
clustering,
dan
sampling
the data.
Packaging
data,
dengan
mengkonversikan
data
yang
telah
di-
summarized
ke
bentuk
yang
lebih
tepat
guna
seperti,
lembar
kerja (spreadsheets), dokumen teks, diagram, bentuk grafik
lainnya, database privat dan animasi.
Distributing
data,
ke
dalam
grup-grup
yang
sesuai
untuk
meningkatkan ketersediaan dan kemudahan akses.
Ketika
menambahkan
nilai
(value) ke data, pertimbangan yang
diperlukan untuk mendukung peforma dari data warehouse dan untuk
meminimalisasikan biaya operasional. Kebutuhan tersebut penting
dalam menentukan desain
kearah
yang
benar,
memaksa
restrukturisasi
untuk
memperbaiki query
performance
atau
menurunkan biaya operasional.
|
|
35
3. Downflow
Downflow meliputi
proses
yang
diasosiasikan
dengan
mengarsipkan dan membackup data dalam data warehouse.
Mengarsipkan data lama memegang peranan penting dalam
memelihara efektivitas dan peforma warehouse dengan mentransfer
data yang sudah lama, dalam jumlah tertentu, ke tempat penyimpanan
(diarsipkan) seperti magnetic tape, atau optical disc. Jika skema
partisi
dipilih
secara
benar
untuk database, jumlah
data
online
seharusnya tidak mempengaruhi peformansi.
Partisi adalah pilihan desain
tepat guna
untuk database
yang
sangat besar, yang memungkinkan fragmentasi sebuah table
penyimpanan
(record) dalam jumlah yang besar, ke dalam beberapa
table
yang
lebih
kecil.
Aturan untuk partisi dapat berdasarkan
karakteristik data seperti area di dalam sebuah negara.
Dataflow mencakup proses meyanlinkan bahwa current state
dari
sebuah
data
dapat
dibangun
kembali
jika
ada
kehilangan
data,
atau kegagalan software/hardware. Data yang telah diarsipkan
sebaiknya disimpan sehingga memungkinkan pembaruan data dalam
data warehouse jika diperlukan.
|
 36
4. Outflow
Outflow meliputi proses yang diasosiasikan dengan bagaimana
membuat
data
tersedia bagi
pengguna
akhir. Outflow dimana
real
value
warehouse didasari oleh organisasi. Ini memerlukan re-
engineering proses bisnis untuk mencapai keuntungan kompetitif.
Dua aktivitas kunci yang ada di dalam outflow meliputi :
Accesing,
yaitu
hal
yang
berkaitan
dengan
bagaimana
memuaskan permintaan pengguna akhir akan data yang mereka
butuhkan. Hal utama adalah bagaimana menciptakan suasana
sehingga
pengguna
bisa
menggunakan query
tools
untuk
mengakses
sumber data secara efektif. Frekuensi akses
pengguna dapat bervarisai, mulai dari ad-hoc (sekali-kali) ,
rutin, sampai real-time.penting
untuk
memastikan bahwa sumer
daya sistem yang digunakan dengan sangat efektif dalam
menjadwalkan eksekusi dari query-query pengguna.
Delivering, yaitu hal
yang berkaitan dengan bagaimana
menyampaikan informasi workstation end-users secara proaktif.
Ini
adalah
area
yang
relatif
baru
dalam data
warehouse,
dan
disebut
juga sebagai
proses
yang bertipe ’publish-and-
subscribe’ proses warehouse
menerbitkan bermacam-macam
‘business objects’ yang direvisi secara periodik dengan
memonitor pola pemakaian. Pengguna mendaftar ke suatu set
obyek bisnis yang paling sesuai dengan kebutuhan mereka.
|
|
37
Data warehouse berisi summary data secara potensial menyediakan
jumlah sumber data akurat untuk menanggapi sebuah query
yang
spesifik termasuk data terperinci itu sendiri dan sejumlah tumpukan
lain yang sesuai dengan kebutuhan pengguna. Bagaimanapun
peformasi query akan bervariasi cukup signifikan, tergantung karakter
data target, isi yang paling penting dari data tersebut. Sebagai bagian
dari
manajemen
outflow,
sistem harus
memustuskan cara
terefesien
untuk menjawab query.
5. Metaflow
Metaflow meliputi proses yang terasosiasi dengan
manajemen
metadata. Flows yang sebelumnya menggambarkan manajemen data
warehouse
dengan melihat bagaimana data masuk dan keluar dari
warehouse.
Metaflow adalah
proses
yang
memindahkan metadata
(data tentang flows lain). Metadata adalah gambaran isi data dari data
warehouse, apa yang ada di dalam, dari mana asal mulanya, dan apa
yang telah terjadi setelah cleansing, integrating, dan summarizing.
Untuk merespon kebutuhan bisnis yang terus berubah, sistem
yang
sudah ada
juga
terus
berubah secara konstan.
Oleh sebab
itu,
warehouse terlibat dalam merespon perubahan yang terus menerus,
juga
merefleksikan
perubahan
tersebut
pada
sistem sumber
(source
legacy
systems)
dan
lingkungan
bisnis yang
berubah. Metaflow
(metadata) harus
secara
kontinu
di-update
dengan
perubahan
yang
terjadi.
|
|
38
Ketika menambahkan nilai (value) ke data, maka
administrator data warehouse
harus mengidentifikasikan desain
database
yang paling sesuai dengan kebutuhan, yang seringkali
memerlukan kompromi.
2.3
Teori Perancangan Data Warehouse
2.3.1
Perancangan Database dari Data Warehouse
Alat
yang
digunakan
untuk
merancang
data
warehouse
adalah
skema
bintang (star schema).
1. Definisi Skema Bintang / Star Schema
Menurut Thomas Connoly, “Star Schema is a logical structure
that
has a fact table containing factual data in the center, surrounded by
dimension
tables containing
reference
data (which
can
be
denormalized)”
(2002, p1079),
yang berarti skema bintang
merupakan struktur logical
yang
memiliki
tabel
fakta
yang
berisi
data
fakta,
dikelilingi
oleh
tabel
dimensi
yang berisi data referensi (yang dapat didenormalisasikan).
2. Keuntungan Skema Bintang
Keuntungan menggunakan skema bintang menurut Thomas Connolly adalah:
•
Efisiensi, struktur database yang konsisten sehingga lebih efisien dalam
mengakses
data
dengan
menggunakan alat
/ tool
untuk
menampilkan
data termasuk laporan tertulis dan query.
|
|
39
•
Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang
dapat beradaptasi terhadap perubahan kebutuhan pengguna, karena
semua tabel dimensi memiliki kesamaan dalam hal menyediakan akses
ke tabel fakta.
•
Extensibility, model dimensional dapat dikembangkan. Seperti
menambah tabel fakta selama data masih konsisten, menambah
tabel
dimensi
selama
ada
nilai
tunggal
di tabel dimensi tersebut yang
mendefinisikan
setiap record
tabel
fakta
yang
ada,
menambahkan
attribute tabel dimensi, dan memecah record tabel dimensi yang ada
menjadi level yang lebih rendah dari level sebelumnya.
•
Kemampuan untuk
menggambarkan situasi bisnis pada umumnya,
pendekatan standar untuk menangani situasi umum di dunia bisnis yang
terus bertambah.
•
Proses query
yang bisa diprediksi, aplikasi data warehouse
yang
mencari
data
dari
level
yang di
bawahnya
akan
dengan
mudah
menambah jumlah atribut pada tabel dimensi dari sebuah skema
bintang.
Aplikasi
yang
mencari
data dari
level
yang
setara
akan
menghubungkan tabel fakta yang terpisah melalui tabel dimensi yang
dapat diakses bersama.
|
 40
3. Tipe Tabel Skema Bintang
Dalam skema bintang ada dua tipe tabel, yaitu tabel
fakta dan tabel
dimensi. Tabel fakta dapat disebut juga sebagai tabel mayor, terdiri dari data
kuantitatif atau data fakta mengenai bisnis, informasi yang diquery. Infomasi
ini
selalu diukur
secara
statistik dan dapat
mengandung
banyak
kolom
dan
baris. Tabel dimensi disebut juga sebagai tabel minor, karena lebih kecil dan
mencerminkan dimensi bisnis.
4. Jenis Skema Bintang
Skema Bintang Sederhana
Dalam skema ini, setiap tabel harus memiliki primary key yang
unik
yang
terdiri
dari
satu
kolom
atau
lebih. Primary
key
dari
tabel
fakta terdiri dari satu atau lebih foreign key. Foreign key adalah kolom
pada satu tabel yang nilainya didefinisikan oleh primary key pada tabel
yang lain.
Gambar 2.8 menggambarkan hubungan antara tabel fakta dan
tabel dimensi.
Tabel fakta
memiliki tiga foreign key, dimana masing-
masing foreign key itu merupakan primary key pada tabel dimensi.
Gambar 2.8 Skema Bintang Sederhana
|
 41
Skema Bintang dengan banyak Tabel Fakta
Skema bintang dapat memiliki lebih dari satu tabel fakta, karena
adanya
fakta
yang
tidak
saling berhubungan.
Misalnya
disamping
penjualan terdapat tabel fakta forecasting dan tabel fakta result. Tetapi
walaupun terdapat banyak tabel fakta, tabel dimensinya tetap digunakan
secara bersama-sama.
Gambar 2.9 menunjukkan adanya 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.
Gambar 2.9 Skema Bintang dengan beberapa Tabel Fakta
Skema Bintang dengan Tabel Dimensi Tambahan
Tabel
dimensi
mungkin
juga
mengandung foreign
key
yang
mereferensikan primary key di
tabel dimensi lain.
Tabel dimensi
yang
direferensikan ini dinamakan outboard atau secondary dimension table.
|
 42
Gambar 2.10 Skema Bintang dengan Tabel Dimensi Tambahan
Skema Snowflake
Menurut
Thomas
Connoly,
“snowflake
schema
is
a
variant
of
the star schema where dimension table do not contain denormalized
data” (2002, p1080),
yang berarti
skema snowflake merupakan bentuk
lain
dari skema
bintang
dimana tabel
dimensi
tidak
mengandung data
yang telah dinormalisasi. Suatu tabel dimensi dapat memiliki tabel
dimensi lainnya.
Ciri-ciri snowflake adalah:
1. Tabel
dimensi dinormalisasi
dengan
dekomposisi
pada
level
attribute.
2. Setiap dimensi mempunyai satu key untuk setiap level pada hirarki
dimensi.
3. Kunci
level
terendah
menghubungkan tabel dimensi
dengan
tabel
fakta dan tabel atribut berlevel rendah.
|
 43
Keuntungan dari skema snowflake adalah :
• Kecepatan memindahkan data dari OLTP kedalam metadata
•
Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi
dimana dengan tipe yang seperti ini seluruh struktur dapat
digunakan sepenuhnya
•
Banyak
yang
beranggapan
lebih
nyaman
merancang
dalam
bentuk
normal ketiga.
Kerugiannya adalah
mempunyai
masalah yang besar dalam hal kinerja
(performance), hal
ini disebabkan semakin banyaknya join antar tabel-
tabel yang dilakukan dalam skema snowflake ini, maka semakin lambat
juga kinerja yang dilakukan.
Gambar 2.11 Skema Snowflake
|
|
44
2.3.2
Metodologi Perancangan Data Warehouse
Metodologi yang digunakan dalam penulisan skripsi ini antara lain :
1.
Requirement Collection and Analysis, menggunakan teknik Fact Finding.
Teknik
fact
finding
merupakan
teknik
yang
digunakan
untuk
mengumpulkan fakta atau informasi yang dapat dilakukan dengan cara:
•
Examining
documentation,
teknik
ini
digunakan
untuk
mencari
dokumentasi yang dapat digunakan untuk
menyediakan
informasi
yang berhubungan dengan permasalahan, misalnya dokumentasi
mengenai
sistem yang
sedang
berjalan,
contoh
laporan-laporan
yang ada di perusahaan tersebut baik yang masih manual ataupun
yang sudah terkomputerisasi.
•
Interview (wawancara), teknik
ini dilakukan dengan
memberikan
beberapa
pertanyaan
sehubungan
dengan topik penelitian,
misalnya
menanyakan kebutuhan apa
yang
masih belum ada
dan
dibutuhkan oleh eksekutif perusahaan.
•
Questionare, teknik ini dilakukan dengan memberikan angket
yang
berisi
pertanyaan-pertanyaan
yang
berhubungan dengan
topik kepada sejumlah orang.
|
|
45
•
Observasi, teknik
ini dilakukan dengan cara meneliti
langsung ke
perusahaan
yang berkaitan dengan pembelajaran sistem.
Pembelajaran
sistem dapat
dilakukan
dengan
cara
berpartisipasi
langsung atau melihat aktivitas dari sistem. Tujuan dari observasi
yaitu melihat kompleksitas data.
•
Research,
teknik
ini
digunakan
untuk research
aplikasi
dan
juga
masalah. Dapat dilakukan dengan mencari informasi dari buku-
buku referensi, internet, dan sebagainya.
2.
Perancangan
Logical
menggunakan
Nine-Step
Methodology
(Kimball,2002), yang terdiri dari :
i.
Pemilihan Proses
Pemilihan proses dilakukan untuk mencari subyek permasalahan
dari
data mart
untuk
fungsi
bisnis
yang
berkaitan
dengan
penjualan.
ii.
Pemilihan Grain
Pemilihan grain ditujukan untuk memperoleh calon tabel fakta.
Dengan
menentukan
grain, berarti
secara
langsung
juga
menentukan apa yang akan ditampilkan pada tiap record dari
tabel
fakta.
Ketika
grain
untuk
tabel
fakta
telah
dipilih,
maka
dapat diidentifikasikan dimensi untuk tabel fakta tersebut.
|
|
46
iii.
Identifikasi Dimensi
Dimensi
menentukan
apa
saja
yang
menjadi
pertanyaan yang
diminta yang berhubungan dengan fakta di tabel fakta. Dimensi
yang
dibentuk
dengan
baik
dapat
membuat data
mart
mudah
dimengerti dan mudah digunakan.
iv.
Pemilihan Fakta
Pemilihan
fakta
yang dimaksudkan
di
sini
adalah
memilih
measure. Measure merupakan suatu nilai yang ingin dihitung atau
diukur dan tipe datanya harus berupa angka (numeric / currency).
v.
Penyimpanan Pre-calculation di Tabel Fakta
Pre-calculation berisikan formula untuk menentukan perhitungan-
perhitungan.
Biasanya
perhitungan yang dilakukan berhubungan
dengan laba dan rugi.
vi.
Penentuan Tabel Dimensi
Dimensi
merupakan
sudut
pandang user
terhadap data dan
tergantung kebutuhan masing-masing user. Setelah dimensi
terbentuk, deskripsi mengenai dimensi tersebut juga dibuat untuk
menjelaskan deskripsi dari dimensi-dimensi yang ada. Perlu
diperkirakan juga dimensi apa saja
yang mungkin dapat berubah
untuk jangka waktu kedepannya.
|
|
47
vii.
Pemilihan Durasi Database
Pemilihan durasi database ini ditujukan untuk mengetahui mulai
kapan
tabel
fakta
ini
digunakan.
Biasanya
perusahaan
meminta
dari tahun yang sedang berjalan sampai 2 tahun sebelumnya. Tapi
ada
pula
yang
meminta
sampai 5-10 tahun ke belakang, seperti
perusahaan asuransi.
viii.
Menelusuri Slowly Changing Dimension
Client lama dan branch lama masih menggunakan transaksi lama,
jadi
data warehouse
perlu
meng-generate dimensi
yang
penting
ini agar dapat digunakan oleh berbagai
macam client dan branch
untuk periode waktu tertentu.
Ada 3 bentuk dasar perubahan dimensi, antara lain :
1. Adanya
perubahan
dimensi
menyebabkan
atribut
di-
overwrite.
2. Ada perubahan dimensi
menyebabkan terbentuknya record
baru.
3.
Ada
perubahan
dimensi
menyebabkan
terbentuknya
atribut
alternatif, sehingga baik atribut
lama
maupun
baru
dapat
diakses bersama pada dimensi yang sama.
|
|
48
ix.
Penentuan Prioritas dan Cara Query
Langkah ini berhubungan dengan perancangan fisik. Yang perlu
diperhatikan adalah pengurutan table fakta pada disk dan
penyimpanan ringkasan
/
agregat, administrasi, backup, performa
pengindeksan, dan keamanan.
2.4
Teori Penjualan
Menurut Kamus
Besar
Bahasa
Indonesia, penjualan berarti proses,
pembuatan,
cara
menjual,
serta
tempat
menjual.
Proses penjualan merupakan rangkaian kegiatan
operasi yang melayani pelanggan, membantu pelanggan memilih produk dan jasa yang
mereka
butuhkan,
mengirim produk
dan
jasa
yang
diminta,
dan
menagih
pembayaran
untuk produk dan jasa tersebut.
Berdasarkan
hukum permintaan
yang
isinya
“pengurangan
harga
akan
mempengaruhi tingkat permintaan terhadap produk”, jika harga semakin murah, maka
permintaan akan semakin tinggi, dan juga sebaliknya. Proses penjualan dapat
ditingkatkan dengan memberikan promosi berupa diskon, mengiklankan produk agar
konsumen menjadi lebih familiar, dan sebagainya.
|
|
49
Penjualan menurut cara pembayarannya dapat dibedakan menjadi penjualan
tunai dan penjualan kredit (angsuran). Pada penjualan tunai, konsumen harus langsung
membayar
untuk
memperoleh
barang
yang dibelinya.
Sedangkan
penjualan
kredit,
konsumen dapat melakukan pembayaran secara bertahap sesuai dengan ketentuan
penjualan yang ada untuk mendapatkan barang yang dibelinya.
Seefisien
apapun
proses
organisasi
yang
ada,
jika proses
penjualan
tidak
berfungsi dengan baik, maka tidak mungkin organisasi tersebut dapat meraih
penghasilan yang baik.
|