2011200977SIBab2001

BAB 2

LANDASAN TEORI

2.1

Teori Umum

2.1.1

Pengertian Data Warehouse

Menurut Inmon (2005, p389), “A data warehouse is acollection of

integrated, subject oriented databases designed to support the DSS function,

where each unit of data is relevant to some moment in time,” yang mengandung

pengertian bahwa data warehouse merupakan kumpulan database yang bersifat

berorientasisubyek dan terintegrasi yang dirancang untuk mendukung sistem

pengambilan keputusan (DSS), dimana setiap data berhubungan dengan suatu

kejadian pada suatu waktu.

Menurut Wikramanayake dan Goonetillake (2007, p25), data sekarang

dapat disimpan dalam berbagai jenis database. Salah satu jenis database

arsitektur yang baru-baru ini muncul adalah data warehouse, yang merupakan

repositori dari beberapa sumber data heterogen, diatur dalam skema terpadu di

satu tempat dalam rangka untuk memfasilitasi manajemen pengambilan

keputusan. Teknologi data warehouse meliputi pembersihan data, integrasi data,

dan OLAP (Online Analytical Processing).

Menurut Sahama dan Croll (2007, p228), data warehouse adalah struktur

data yang dioptimalisasikan untuk distribusi, penyimpanan masal dan

pemrosesan query

secara kompleks. Dia mengumpulkan dan menyimpan

sekumpulan data historical yang terintegrasi dari beberapa sistem operasional

danmemasukkannya ke satu atau lebih datamart(s), dimana struktur data

dioptimalisasikan agar dapat diakses dengan cepat. Dan juga menyediakan akses

kepada pengguna akhir untuk mendukung dalam melihat informasi perusahaan.

Menurut Zaker, Amnuaisuk, dan

Haw (2009,

p39), data warehouse

adalah dasar bagi DSS(Decision Support Systems)

dengan kumpulan besar

informasi yang dapat diakses melalui aplikasi OLAP

(Online Analytical

Processing). Besarnya database yang menyimpan data dan historis yang berasal

dari beberapa sumber data eksternal.

Data warehouse adalah database

besar yang berisi data historis dalam

bentuk kubus (agregat) dan pembuat keputusan menggunakan data ini untuk

membuat keputusan di masa depan. Ullah, Zeeshan, dan Kundi (2011, p43).

Menurut Connolly, Begg, dan Holowczak (2008, p444), data warehouse

adalah sistem database

yang dirancang untuk mendukung proses pengambilan

keputusan dengan menampilkan view

yang terintegrasi akan data perusahaan

yang disalin dari berbagai sumber data.

Menurut Laudon

dan Laudon (2010,

p222), data warehouse

adalah

database yang menyimpan data saat ini dan data historis yang dibutuhkan oleh

pengambil keputusan diseluruh bagian perusahaan. Data berasal dari sistem

transaksi operasional utama, seperti sistem untuk penjualan, rekening nasabah,

dan manufaktur, dan dapat termasuk data dari transaksi website. Data warehouse

mengkonsolidasi dan menstandarisasi informasi dari berbagai

databaseoperasional sehingga informasi tersebut dapat digunakan diseluruh

bagian perusahaan untuk analisis manajemen dan pengambilan keputusan.

Data warehouse merupakan suatu media yang digunakan untuk

menyimpan data historis dari perusahaan berdasarkan periode atau jangka waktu

tertentu yang telah melalui tahap penyaringan dan diintegrasikan untuk

digunakan sebagai sumber analisis pada proses pengambilan keputusan yang

dilakukan oleh pihak pimpinan perusahaan. (Oktavia, 2011)

Perbedaan antara operasional data dan data warehouse :

Data Operasional

Data Warehouse

-Berorientasi aplikasi

-Data detil

-Data dapat di-update

-Disajikan untuk komunitas operasional

-Sesuai dengan SDLC

-Jumlah data yang diproses kecil

-No redundancy (Normalisasi)

-Struktur yang tetap

-Mendukung operasional sehari-hari

-Pengaksesan data besar

-Berorientasi subjek

-Ringkas dan telah disaring

-Tidak dapat di-update

-Disajikan untuk komunitas manajerial

-Siklus hidup yang lengkap

-Jumlah data yang diproses besar

-Redundancy (denormalisasi)

-Struktur yang fleksibel

-Mendukung kebutuhan manajerial

-Pengaksesan data kecil/sedang

Tabel 2.1 : Perbandingan Umum Data Operasional dan Data Warehouse

(Inmon, 2005, p15)

2.1.2

Keuntungan Data Warehouse

Menurut Connolly dan Begg (2005, p1152), data warehouse yang telah

diimplementasikan dengan baik dapat memberikan keuntungan yang besar bagi

organisasi, yaitu :

Potensi nilai kembali yang besar pada investasi

Sebuah organisasi harus mengeluarkan uang dan sumber daya

dalam jumlah yang cukup besar untuk memastikan kalau data

warehouse

telah diimplementasikan dengan baik, biaya yang

dikeluarkan tergantung dari solusi teknikal yang diinginkan. Akan

tetapi, setelah data warehouse

digunakan, maka kemungkinan

didapatkannya ROI (Return on Investment) relatif lebih besar.

Keuntungan kompetitif

Keuntungan kompetitif didapatkan apabila pengambil keputusan

dapat mengakses data yang dapat mengungkapkan informasi yang

sebelumnya tidak diketahui, tidak tersedia, misalnya informasi

mengenai konsumen, kebutuhan, dan permintaan yang tepat dan akurat.

Meningkatkan produktivitas para pengambil keputusan perusahaan

Data warehouse meningkatkan produktivitas para pengambil

keputusan perusahaan dengan menciptakan sebuah database

yang

terintegrasi secara konsisten, berorientasi pada subyek, dan data historis.

Data warehouse mengintegrasikan data dari beberapa sistem yang tidak

compatible ke dalam bentuk informasi yang menyediakan satu

pandangan yang konsisten dari organisasi. Dengan mengubah data

menjadi informasi yang berguna, maka seorang manajer bisnis dapat

membuat suat analisis yang lebih baik, akurat, dan konsisten.

2.1.3

Fungsi Data Warehouse

Data warehouse mempunyai kegunaan sebagai berikut:

a. Pembuatan Laporan

Proses pembuatan laporan ini melibatkan query

sumber data

dengan model logika yang berbeda-beda

untuk menghasilkan sebuah

laporan yang bersifat human-readable.Contohnya, pengguna komputer

yang melakukanquery pada database

bagian Human Resources

danCapital Improvements

untuk menunjukkan tentang bagaimana

efisiensi ruang yang digunakan di seluruh perusahaan. (Moeller, 2007)

b. OLAP

OLAP adalah operasi basis data (database) untuk mendapatkan

dalam bentuk kesimpulan dengan menggunakan aggregasi sebagai

mekanisme utama. Mekanisme berupa analisis dan pengambilan

keputusan. (Subhan, 2009)

c. Proses Informasi Eksekutif

Data warehouse digunakan untuk mencapai ringkasan informasi

yang penting dengan tujuan membuat keputusan bisnis, tanpa harus

menjelajahi keseluruhan data. Dengan menggunakan datawarehouse,

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, yang dalam hal ini adalah pihak eksekutif.

(Chandra, 2010)

2.1.4

Karakteristik Data Warehouse

Menurut Inmon (2005, p29-32), karakteristik dari data warehouse yaitu

subject oriented, integrated, nonvolatile dan time variant.

Keempat karakteristik ini saling terkait satu sama lain, sehingga ke

semuanya harus diimplementasikan agar suatu data warehouse

bisa secara

efektif memiliki data yang mendukung pengambilan keputusan.

Subject Oriented

Artinya warehouse dikelompokan berdasarkan area subyek utama

suatu organisasi atau perubahan (seperti pelanggan, produk, dan

penjualan) dibandingkan terhadap area aplikasi yang dijalankan

(contohnya penagihan pelanggan, pengendalian stok, dan penjualan

produk). Ini ditunjukan dalam kebutuhan untuk menyimpan data

pendukung keputusan dibandingkan data berorientasi aplikasi.

Gambar 2.1 Aspek Subject Orientation pada Data Warehouse

(Sumber : Inmon, 2005, p30)

Integrated

Data diambil dari banyak sumber berbeda kemudian dimasukkan

ke dalam data warehouse. Selama data diambil, data tersebut diubah,

dilakukan format kembali, diurutkan, diringkas, dan seterusnya.

Hasilnya, data terletak dalam data warehouse

yang memiliki

pandangan terpadu dan terintegrasi.

Untuk menciptakan subyek area yang berguna, sumber data yang

berasal dari beberapa sistem yang berbeda, terlebih dahulu harus

terintegrasi sebelum digabungkan ke dalam sebuah data warehouse.

Sebagai contoh, terdapat 4 aplikasi yang menyimpan kode jenis

kelamin dalam database secara berbeda. Aplikasi A menyimpan kode

jenis kelamin dalam bentuk ‘m’ untuk laki-laki dan ‘f’ untuk

perempuan, sedangkan aplikasi B dalam bentuk ‘1’ dan ‘0’,

sedangkan aplikasi C dalam bentuk ‘x’ dan ‘y’, aplikasi D dalam

bentuk ‘male’ dan ‘female’. Melalui proses integrasi dihasilkan kode

jenis kelamin yang seragam untuk data warehouse yaitu ‘m’ dan ‘f’.

untuk lebih jelasnya dapat dilihat pada gambar berikut ini:

Gambar 2.2 Aspek Integrated dari Data Warehouse

(Sumber : Inmon, 2005, p31)

Nonvolatile

Data yang ada didalam data warehouse tidak diperbarui setiap

kali ada data baru dimasukan dari lingkungan operasional melainkan

direkam dalam sebuah snapshot. Snapshot akan terus dibuat saat ada

perubahan-perubahan yang

terjadi di dalam data warehouse

yang

tersimpan histori datanya.

Time variant

Karakteristik ini menyatakan bahwa setiap unit atau bagian data

dalam data warehouse bersifat akurat dalam suatu waktu tertentu.

Record yang ada dalam data warehouse selalu mempunyai sebuah

bentuk penandaan waktu yang menunjukan saat dimana record

tersebut masih akurat baik dalam bentuk timestamp

untuk sebuah

record tunggal atau timestamp untuk seluruh database.

2.1.5

Struktur Data Warehouse

Berdasarkan

pendapat

Inmon (2005, p33-34), struktur data warehouse

menunjukan detail level yang berbeda dalam datawarehouse.

Terdapat older

level of detail, current level of detail, level of lightly summarized data (level data

mart), dan level of highly summarized data. Data mengalir ke dalam

datawarehouse dari lingkungan operasional. Biasanya transformasi penting dari

data terjadi pada jalur dari level data operasional ke level data warehouse.

Sekali data disimpan, data melalui current detail ke older detail. Selama

data diringkas, data melalui current detail ke lightly summarized data, kemudian

dari lightly summarized data ke highly summarized data.

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

diperhatikanya current detail data adalah sebagai berikut :

Menggambarkan kejadian yang baru terjadi dan selalu menjadi perhatian

utama,

Hampir selalu disimpan di media penyimpanan karena cepat diakses

tetapi mahal dan kompleks dalam pengaturannya,

Dapat digunakan dalam membuat rekapitulasi sehingga current detail

data harus akurat,

Jumlahnya sangat banyak dan disimpan pada tingkat penyimpanan

terendah.

Old Detail Data

Old detail data adalah 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 atau disk.

Data ini biasa memiliki tingkat frekuensi akses yang rendah. Penyusunan

file atau directory dari data ini disusun berdasarkan umur dari data yang

bertujuan mempermudah untuk pencarian atau pengaksesan kembali.

3. Lightly Summarized Data

Data ini merupakan ringkasan atau rangkuman dari current detail data.

Data ini dirangkum berdasarkan periode atau dimensi lainnya sesuai dengan

kebutuhan. Ringkasan dari current detail data belum bersifat total summary.

Data-data ini memiliki detil tingkatan yang lebih tinggi dari current detail

data

dan mendukung kebutuhan warehouse

pada tingkat departemen.

Tingkatan data ini disebut juga dengan datamart. Akses terhadap data jenis ini

banyak digunakan untuk view suatu kondisi yang sedang atau sudah berjalan.

4. Highly summarized data

Data ini merupakan tingkat lanjutan dari Lightly summarized data, yang

merupakan hasil ringkasan yang bersifat totalitas, dapat diakses misalnya

untuk melakukan analisis perbandingan data berdasarkan urutan waktu

tertentu dan analisis menggunakan data multi dimensi.

5. Metadata

Metadata merupakan data yang menjelaskan tentang data dan merupakan

suatu bentuk jaringan yang sangat penting bagi penggunaan data di

warehouse. Metadata

dibuat untuk menjawab kebutuhan dari suatu fungsi

tertentu karena setiap departemen biasanya menggunakan struktur data yang

spesifik meskipun sumber datanya sama. Peranan metadata yaitu :

Sebagai directory untuk membantu pengguna data warehouse

memanfaatkan isi data dan mengetahui lokasi data dalam data warehouse.

Sebagai tumpuan untuk menempatkan (mapping) data pada saat data

ditransformasikan dari OLTP kedalam lingkungan data warehouse.

Sebagai panduan untuk menghasilkan rangkuman dari current detailed

data menjadi lightly summarized data dan dari lightly summarized menjadi

highly summarized data.

2.1.6

Metode Perancangan Data Warehouse

Menurut Inmon, perancangan data warehouse terdiri atas :

Restrukturisasi

Suatu proses pengambilan hasil analisis terhadap kegiatan operasional dan

menemukan kebutuhan informasi yang dibutuhkan oleh perusahaan, setelah

itu pada perancangan resturkturisasi ini akan memberikan hasil berupa

laporan rolling summary data dari ruang lingkup perusahaan.

Pengindeksan

Mengidentifikasi dan menjabarkan proses bisnis sesuai dengan ruang

lingkup yang melandasi kebutuhan informasi dan permasalahan pada suatu

perusahaan.

Pemindaian berurutan, jika diperlukan

Gambar 2.3: Sequential Scanning(Inmon, 2000, p16)

Proses pengambilan data berdasarkan sequence

yang telah ditentukan

padadatabase. Data terpisahkan antara periode 1 dan 2 yang direkam pada

sequential scan/match

dan disimpan pada delta file.Setelah itu baru data

akan dimasukan ke dalam data warehouse.

Reorganisasi

Proses yang digunakan untuk melakukan cleansing

pada database

dengan

melihat data-data lama yang jarang digunakan untuk dipindahkan dan

disimpan, hal ini bertujuan untuk mempercepat akses database

karena

record lama yang tidak digunakan dapat memperlambat kecepatan akses.

Recovery

Proses recovery akan dilakukan apabila terjadi crash pada data warehouse

untuk mengembalikan database menjadi seperti semula yang sudah di back-

up sebelumnya.

Monitoring

Melakukan monitoring

terhadap proses

data warehouse

agar tidak terjadi

kesalahan pada saat pengolahan atau ketika meng-update data.

2.1.7

Anatomi Data Warehouse

2.1.7.1

Data Warehouse Fungsional

Tiap data warehouse fungsional mencakup sebuah grup tersendiri

yang berpisah seperti divisi, area fungsional, unit geografis, atau grup

pemasaran produk. Data warehouse fungsional berfokus pada

kebutuhan dari sebuah fungsi bisnis, misalkan departemen, divisi dan

sebagainya.

Gambar 2.4Bentuk Data Warehouse Fungsional (Fairuzelsaid,

2009)

2.1.7.2

Data Warehouse Terpusat

Berdasarkan Inmon (2005, p193), sebagian besar organisasi

membangun dan memelihara lingkungan data warehouse

terpusat

tunggal. Pengaturan ini dilakukan karena memiliki beberapa alasan

yaitu:

Data dalam data warehouse terintegrasi antar perusahaan dan

gambaran terintegrasi digunakan hanya pada kantor pusat,

Perusahaan mengoperasikan sebuah model bisnis terpusat,

Volume data dalam data warehouse seperti sebuah penyimpanan

tunggal yang terpusat,

Sekalipun data dapat diintegrasikan, jika data diedarkan melalui

banyak local sites, maka akan memperulit pengaksesan.

Gambar 2.5Bentuk Data Warehouse Terpusat (Fairuzelsaid, 2009)

2.1.7.3

Data Warehouse Terdistribusi

Berdasarkan Inmon (2005, p193), ada tiga tipe data warehouse

terdistribusi:

Bisnis terdistribusi secara geografis atau dibedakan menurut lini

produk. Oleh karena itu,

disebut datawarehouselocal

dan data

warehouse global. Datawarehouselocal mewakili data dan proses

di lokasi yang terpencil dan datawarehouse

global mewakili

bagian dari bisnis yang diintegrasikan melalui keseluruhan bisnis,

Lingkungan data warehouse

akan memegang banyak data dan

volume data akan didistribusikan melalui beberapa processor.

Secara logical hanya ada satu data warehouse, tetapi secara fisikal

terdapat banyak data warehouse yang semuanya mempunyai

hubungan yang dekat tetapi diletakkan pada processor yang

terpisah. Konfigurasi ini dapat disebut dengan teknologi data

warehouse terdistribusi,

Lingkungan data warehouse

tumbuh dalam sebuah kebiasaan

yang tidak terorganisasi. Data warehouse

yang pertama muncul,

kemudian diikuti yang lainnya. Kurangnya

koordinasi dari

pertumbuhan data warehouse

yang berbeda biasanya

menghasilkan sebuah perbedaan secara politik dan organisasi.

Kasus ini dapat disebut dengan data warehouse terdistribusi yang

secara bebas berkembang.

Gambar 2.6Bentuk Data Warehouse Terdistribusi

(Fairuzelsaid, 2009)

2.1.7.4

Arsitektur Data Warehouse

Menurut Connolly dan Begg (2010, p1203-1206), arsitektur data

warehouse terdiri atas :

Operational Data

Sumber data untuk data warehouse disediakan dari :

Mainframe data operasional yang menangani generasi pertama secara

hirarkis dan database jaringan. Diperkirakan bahwa mayoritas data

operasional perusahaan disimpan di sistem ini.

Data masing-masing departemen yang disimpan dalam sistem file

kepemilikan seperti VSAM, RMS, dan relasional DBMS

seperti

Informix dan Oracle.

Data internal yang tersimpan di dalam workstation dan server

pribadi.

Sistem eksternal seperti internet, database komersial, atau database

yang berhubungan dengan supplier dan customer.

Operational Data Store (ODS)

Suatu Operational Data Store (ODS) adalah suatu media penyimpanan

dan pengintegrasian data operasional yang digunakan untuk analisis. ODS

menyediakan data dengan cara yang sama seperti data warehouse, tetapi

sesungguhnya bertindak secara sederhana sebagai tempat penampungan

sementara sebelum dan dipindahkan ke warehouse.

ODS diciptakan ketika sistem operasional ditemukan tidak mampu untuk

untuk mencapai keberhasilan sistem pelaporan.

ODSmenyediakan manfaat

yang berguna dari suatu relational database dalam mengambil keputusan

yang mendukung fungsi data warehouse.

Membangun ODS dapat membantu dalam pembuatan data warehouse

sebab suatu ODS dapat menyediakan data yang telah diekstrak dan di-

cleansing dari sistem sumber. Ini berarti bahwa proses integrasi dan

restrukturasi data untuk data warehouse menjadi lebih sederhana.

Load Manager

Load manager melaksanakan semua operasi yang berhubungan dengan

pengambilan dan load data ke dalam data warehouse. Data diekstrak secara

langsung dari sumber data atau dari penyimpanan data operasional. Operasi

yang dilakukan oleh load manager dapat meliputi perubahan bentuk yang

sederhana untuk mempersiapkan data tersebut agar dapat dimasukkan ke

dalam warehouse.

Warehouse Manager

Warehouse manager melaksanakan semua operasi yang berhubungan

dengan manajemen data. Operasi yang dilakukan oleh warehouse manager

meliputi :

Analisis data untuk memastikan konsistensi.

Transformasi dan penggabungan sumber data dari tempat

penyimpanan data sementara ke dalam tabel-tabel data warehouse.

Pembuatan index dan view pada tabel-tabel.

Melakukan agregasi (jika diperlukan).

Melakukan back-up dan mengarsip data.

Dalam beberapa hal, warehouse manager juga menghasilkan profil query

untuk menentukan kesesuaian index dan agregasi. Suatu profil query dapat

dihasilkan baik untuk masing-masing user, kelompok user, atau data

warehouse dan didasarkan pada informasi yang menggunakan karakteristik

query seperti frekuensi, target tabel, dan ukuran dari hasil yang telah

ditetapkan.

Query Manager

Query manager melaksanakan semua operasi yang berhubungan dengan

manajemen user query. Komponen ini secara khusus dibangun

menggunakan peralatan akses data end-user, peralatan pengontrol data

warehouse, fasilitas database, dan pembangunan program. Kompleksitas

query manager ditentukan oleh fasilitas yang disajikan melalui peralatan

akses para end-user database.

Operasi yang dilakukan komponen ini meliputi pengarahan query pada

tabel yang sesuai dan penjadwalan pelaksanaan query. Terkadang query

manager juga menghasilkan profil query yang mengijinkan warehouse

manager menentukan kesesuaian indeks dan agregasi.

Detailed Data

Area ini menyimpan semua data yang terperinci di dalam skema

database. Dalam banyak kasus data yang terperinci tidaklah disimpan secara

online tetapi dapat disediakan melalui agregasi data pada tingkatan detil

berikutnya. Bagaimanapun, secara regular, data yang terperinci ditambahkan

untuk melengkapi data yang dibutuhkan.

Lightly Summarized Data

Area ini menyimpan semua data lightly dan highlysummarized

(teragregasi) yang dihasilkan oleh warehouse manager. Area ini adalah

tempat penampungan sementara sebelum dilakukan perubahan secara

berkelanjutan merespon perubahan profil query.

Tujuan informasi ringkasan adalah untuk mempercepat pencapaian query.

Meskipun biaya operasi akan meningkat sehubungan dengan proses

peringkasan data tersebut, namun ini merupakan offset untuk melaksanakan

operasi ringkasan (seperti penyortiran dan pengelompokkan) secara terus

menerus untuk menjawab user query. Data ringkasan diperbaharui secara

terus-menerus ketika ada data baru yang terisi ke dalam warehouse.

Archive or Backup Data

Area ini menyimpan semua detil dan ringkasan data untuk kepentingan

archiving dan backup. Walaupun ringkasan data dibangun dari detil data,

akan memungkinkan untuk membuat cadangan ringkasan data secara online

jika data ini ditunjukkan melebihi penyimpanan waktu untuk detil data. Data

ditransfer ke gudang atau penyimpanan seperti magnetic tape dan optical

disk.

Metadata

Area ini menyimpan semua definisi metadata yang digunakan oleh semua

proses di dalam warehouse. Metadata

digunakan untuk berbagai tujuan

termasuk :

Proses extract dan load –

metadata digunakan untuk memetakan

sumber data ke dalam pandangan umum sebagai warehouse.

Proses manajemen warehouse

–

metadata digunakan untuk

mengotomatisasi pembuatan tabel ringkasan.

Sebagai bagian proses manajemen query – metadata digunakan untuk

menghubungkan suatu query dengan sumber data yang tepat.

Struktur metadata berbeda untuk masing-masing proses, sebab memiliki

tujuan yang berbeda. Ini berarti bahwa berbagai salinan metadata yang

menggambarkan data item yang sama dipegang di dalam data warehouse.

Manajemen metadata

di dalam data warehouse adalah suatu tugas yang

sangat kompleks yang tidak boleh diremehkan.

10. End-User Access Tools

Tujuan prinsip data warehousing adalah untuk menyediakan informasi

kepada para user bisnis untuk pengambilan keputusan. Para user berinteraksi

dengan warehouse menggunakan peralatan akses end-user.

Menurut Connoly dan Begg (2010, p1206-1207) End-User tools dibagi

menjadi 4 grup :

Sebagai alat untuk laporan dan query

Menghasilkan program laporan dan laporan tertulis, sedangkan query

tools didesain untuk menerima SQL atau menghasilkan pernyataan

SQL untuk melakukan query data di dalam data warehouse.

Perangkat pengembangan aplikasi

Keperluan end-user dari laporan dan alat query terkadang tidak

cukup karena analisis yang diperlukan tidak dapat ditampilkan atau

karena interaksi pengguna memerlukan keahlian yang tinggi dari

user. Beberapa dari alat pengembangan aplikasi ini terintegrasi

dengan alat OLAP yang terkenal, dan dapat mengakses semua sistem

database utama, termasuk Oracle, Sybase, dan Informix.

Perangkat Online Analytical Processing (OLAP)

Perangkat OLAP berdasarkan dari konsep multidimensional database

dan mengijinkan pengguna untuk menganalisa dan menggunakan

kompleks multidimensional views. Aplikasi bisnis khusus ini

digunakan untuk menilai keefektifan marketing, perkiraan sales

produk, dan rencana kapasitas.

Perangkat Data Mining

Data mining adalah proses menemukan korelasi baru, pola, arah yang

baru dengan menganalisa sejumlah besar menggunakan statistik,

matematika, dan teknik Artificial Intelligence (AI).

Gambar 2.7Arsitektur Data Warehouse

Sumber : Connolly dan Begg (2010, p1204)

2.1.8

External Data dan Data Warehouse

Menurut Inmon (2005, pp257-258), kebanyakan organisasi

membangun data warehouse mereka pada data yang berasal dari sistem

yang ada (yakni, diatas data internal ke perusahaan). Dihampir setiap

kasus, data ini dapat disebut data internal, terstruktur. Data internal

berasal dari perusahaan dan telah dibentuk ke dalam format yang teratur.

Satu keseluruhan besar atas data lain yang sah digunakan untuk sebuah

perusahaan yang tidak dihasilkan dari sistem perusahaan sendiri disebut

data eksternal dan biasanya memiliki perusahaan dalam format tidak

terduga. Data warehouse adalah tempat yang ideal untuk menyimpan

data eksternal.

Menurut Inmon (2005, p268), data warehouse mampu menangani

lebih dari data internal, terstruktur. Ada banyak informasi yang relevan

untuk menjalankan perusahaan yang berasal dari sumber-sumber di luar

perusahaan.

2.1.9

Skema Data Warehouse

2.1.9.1 Tabel Fakta

Menurut Inmon (2005, p497), tabel fakta adalah tabel pusat dari

skema bintang dimana data yang sering muncul akan ditempatkan disini.

Disebut juga tabel utama (major table), merupakan inti dari skema bintang

dan berisi data aktual yang akan dianalisis (data kuantitatif dan transaksi).

Tabel fakta adalah tabel yang umumnya mengandung angka dan data

historis dimana 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 atau merupakan tabel terpusat dari

skema bintang.

Tabel fakta menyimpan tipe-tipe measure

yang berbeda, seperti

measure, yang secara langsung terhubung dengan tabel dimensi dan measure

yang tidak berhubungan dengan tabel dimensi.

Sedangkan menurut Conolly dan Begg (2010, p1227), ”Every

dimensional model (DM) is composed of one table with a composite primary

key,

called the fact table”, yang berarti tabel fakta adalah satu tabel pada

dimensional model (DM) yang isinya composite primary key (PK). Jadi PK

pada tabel fakta merupakan beberapa Foreign Key (FK).

2.1.9.2 Tabel Dimensi

Menurut Inmon (2005, p495), tabel dimensi adalah tempat dimana

data-data yang tidak berhubungan yang berelasi dengan tabel fakta

ditempatkan di dalam tabel dimensional. Bisa disebut juga tabel kecil (minor

table), biasanya lebih kecil dan memegang data deskriptif yang

mencerminkan dimensi suatu bisnis.

Sedangkan menurut Connolly dan Begg (2010, p1227), “ a set of

smaller tables called dimension tables”, yang berarti tabel dimensi adalah

sekumpulan tabel-tabel yang lebih kecil dari tabel fakta pada

dimensionalmodel

(DM). Setiap tabel dimensi mempunyai non-composite

PK.

Jadi, kesimpulan nya tabel dimensi adalah tabel yang berisikan

kategori dengan ringkasan data detil yang dapat dilaporkan seperti laporan

keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (yang

berupa per bulan, per kuartal, dan per tahun).

2.1.9.3 Skema Bintang (Star Schema)

Pengertian Skema Bintang (Star Schema)

Menurut Connolly dan Begg (2010, p1227), skema bintang (star

schema)

adalah struktur logikal yang mempunyai sebuah tabel fakta

berisi data faktual yang ditempatkan di

tengah, dikelilingi oleh tabel

dimensi berisi data referensi (yang dapat didenormalisasi).

Gambar 2.8Skema Bintang (Star Schema)

(Sumber : Connolly dan Begg, 2010, p1228)

Keuntungan dan kerugian Skema Bintang (Star Schema)

Keuntungan :

Mudah dimengerti oleh para pengguna.

Lebih mudah untuk melakukan drill down data sehingga membuat

proses navigasi lebih optimal.

Proses query yang lebih mudah.

Performa query yang lebih baik.

Kerugian :

Membutuhkan space yang cukup besar pada database.

Butuh effort

untuk melakukan maintenance data karena

strukturnya tidak ternormalisasi.

2.1.9.4 Skema Bola Salju (Snowflake Schema)

Pengertian Skema Bola Salju(Snowflake Schema)

Menurut Connolly dan Begg (2010, p1229), skema bola salju

(snowflake schema) adalah variasi lain dari skema bintang dimana tabel

dimensi tidak berisi data yang denormalized. Suatu tabel dimensi dapat

memiliki tabel dimensi lainnya.

Gambar 2.9Skema Bola Salju (Snowflake Schema)

(Sumber : Connolly dan Begg, 2010, p1229)

Keuntungan dan kerugian Skema Snowflake (Snowflake Schema)

Keuntungan :

Menghemat space pada database.

Struktur yang ternormalisasi lebih mudah untuk di-update dan di-

maintain karena referential integrity terjamin.

Kerugian :

Skema sangat kompleks dan susah dimengerti oleh para pengguna.

Kemampuan untuk melakukan drill down informasi menjadi sulit,

karena jumlah tabelnya yang makin banyak.

Performasi

query

menurun dikarenakan banyaknya tambahan

operasi join table.

2.1.10

Data Warehouse Data Flows

Menurut Conolly dan Begg (2005, p1162), Data Warehouse

fokus pada

manajemen lima arus data primer, yaitu:

Inflow adalah proses yang berhubungan dengan pengekstrakan (extraction),

pembersihan (cleaning), dan pemuatan (loading) data dari sumber data ke

dalam data warehouse.

Upflow adalah proses yang berhubungan dengan penambahan nilai ke dalam

data di dalam data warehouse melalui peringkasan, pemadatan, dan

pendistribusian data.

Downflow adalah proses mengarsip dan membuat backup data dalam data

warehouse.

Outflow adalah proses membuat data agar tersedia bagi end-user.

Metaflow adalah proses yang berhubungan dengan manajemen metadata.

2.1.11

Istilah dalam Data Warehouse

Beberapa istilah-istilah yang berhubungan dengan data warehouse antara

lain:

Decision Support System (DSS)

Menurut O’Brien (2005, p448), DSS

atau sistem pendukung keputusan

adalah sistem informasi berbasis komputer yang menyediakan dukungan

informasi yang interaktif bagi manajer dan praktisi bisnis selama proses

pengambilan keputusan.

Sistem pendukung keputusan menggunakan model analisis, database

khusus, penilaian dan pandangan pembuatan keputusan, dan proses

pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan

keputusan bisnis yang semi terstruktur dan tak terstruktur.

Datamart

Datamart menurut Inmon (2005, p389) adalah struktur data yang terbagi-

bagi yang diperoleh dari data warehouse

dimana data tersebut telah

didenormalisasi berdasarkan kebutuhan informasi manajemen.

Menurut McLeod dan Schell (2004, p195), berpendapat bahwa datamart

adalah database

yang berisi data yang hanya menjelaskan segmen dari

operasi perusahaan.

Menurut Connolly dan Begg (2010, p1214), datamart adalah serangkaian

data yang mendukung kebutuhan dari departemen tertentu atau fungsi bisnis.

Jadi datamart

merupakan serangkaian data yang hanya menjelaskan

segmen dari operasi perusahaan yang nantinya akan menjadi data warehouse.

Online Transaction Processing (OLTP)

Menurut Inmon (2005, p500), “the high-performance transaction

processing, the high-performance transaction processing environment”.

Yang berarti lingkungan dimana terjadi proses transaksi dengan performa

yang tinggi. Pada OLTP, setiap transaksi yang masuk ke dalamsistem harus

dapat diakses.

Berdasarkan penjelasan tersebut maka dapat diambil simpulan bahwa

OLTP

merupakan suatu jenis sistem yang menangani transaksi dengan

performa tinggi yang dibutuhkan untuk menangani kegiatan operasional

sehari-hari dalam suatu organisasi.

Online Analytical Processing (OLAP)

Menurut Connolly dan Begg (2010, p1250), OLAP (Online Analytical

Processing)

adalah sintesis, analisis, dan konsolidasi dinamis dari sejumlah

besar multidimensional data.

Sedangkan menurut Hoffer, Prescott, dan McFadden. (2005, p480),

OLAP

adalah penggunaan sekumpulan alat grafikal yang menyediakan

kepada pengguna sebuah tampilan multidimensional dari data pengguna dan

memampukan pengguna untuk menganalisa dan menggunakan teknik

penyajian yang sederhana.

Jadi, OLAP

adalah kategori teknologi software

yang dapat

memungkinkan penganalisa, manajer, dan eksekutif untuk melihat data yang

ada dengan akses yang cepat, konsisten dan interaktif sehinggan dapat

melihat informasi yang sudah ditransformasi dari data mentah menjadi

dimensi keadaan nyata yang dapat dimengerti dengan mudah oleh user.

Extract, Transform, Load (ETL)

Menurut Inmon (2005, p497) Extract, Transform, Load (ETL) adalah

proses melakukan pencarian data, mengintegrasikan, dan menempatkan data

ke dalam sebuah data warehouse. Proses-proses dalam data warehouse yang

meliputi:

Mengekstrak data dari sumber-sumber eksternal,

Mentransformasikan data ke bentuk yang sesuai dengan keperluan bisnis,

Memasukkan data ke target akhir, yaitu data warehouse,

ETL

merupakan proses yang sangat penting, dengan ETL

data dapat

dimasukkan ke dalam data warehouse. ETL

juga dapat digunakan untuk

mengintegrasikan data dengan sistem yang sudah ada sebelumnya. Tujuan

ETL

adalah mengumpulkan, menyaring, mengolah, dan menggabungkan

data-data yang relevan dari berbagai sumber untuk disimpan ke dalam data

warehouse. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi

kriteria data warehouse seperti data historis, terpadu, terangkum, statis, dan

memiliki struktur yang dirancang untuk keperluan proses analisis.

Extract

Langkah pertama pada proses ETL adalah mengekstrak data dari sumber-

sumber data. Kebanyakan proyek data warehouse

menggabungkan data

dari sumber-sumber yang berbeda. Pada hakekatnya, proses ekstraksi

adalah proses penguraian, pembersihan dari data yang diekstrak untuk

mendapatkan struktur atau pola data yang diharapkan.

Transform

Tahapan transformasi menggunakan serangkaian aturan atau fungsi untuk

mengekstrak data dari sumber dan selanjutnya akan dimasukkan ke dalam

data warehouse. Berikut adalah hal-hal yang dapat dilakukan dalam

tahapan transformasi:

Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data

warehouse.

Menerjemahkan nilai-nilai yang berupa kode (contohnya apabila

database sumber menyimpan nilai 1 untuk laki-laki dan nilai 2 untuk

perempuan, tetapi data warehouse

yang telah ada menyimpan M

untuk laki-laki dan F untuk perempuan, hal

ini disebut dengan

automated data cleansing, tidak ada pembersihan secara manual ynag

ditunjukkan selama proses ETL).

Mengkodekannilai-nilai ke dalam bentuk bebas (contohnya

memetakan“MALE”,”I” dan “MR”ke dalam M).

Melakukan perhitungan nilai-nilai baru (contohnya

sale_amount =

qty * unit price).

Menggabungkan data secara bersama-sama dari berbagai sumber.

Membuat ringkasan dari sekumpulan baris data (contohnya total

penjualan untuk setiap toko atau setiap bagian).

Load

Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke

dalam target akhir, yang biasanya ke dalam suatu data warehouse. Jangka

waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data

warehouse dapat setiap minggu menulis keseluruhan informasi yang ada

secara kumulatif, data diubah, sementara data warehouse yang lain (atau

bagian lain dari data warehouse

yang sama) dapat menambahkan data

baru dalam suatu bentuk historikal. Waktu dan jangkauan untuk

mengganti atau menambah data tergantung dari perancangan data

warehouse pada waktu menganalisis keperluan informasi.

Membangun ETL,

Setiap data warehouse memiliki data yang berbeda persyaratan, oleh

karena itu, ETL tool yang sesuai adalah solusi yang lebih baik untuk

memenuhi persyaratan. (Miranda dan Elfreida, 2010)

Ekstraksi

Perlu menentukan sistem database yang akan digunakan dan juga

mencari tahu data apa yangdiperlukan sebelum mendapatkannya.

Penurunan biaya perangkat keras dan penyimpanan telahmengatasi

masalah pada menghindari duplikasi data dan juga kekhawatiran pada

kurangnya ruangpenyimpanan sebagai tempat penyimpanan data yang

berlebihan atau yang tidak diperlukan. Namun,mungkin tidak ada alasan

untuk menyimpan data yang tidak diperlukan dan telah diidentifikasi

tidakberguna dalam proses pengambilan keputusan. Oleh

karena itu,

diperlukan untuk mendapatkan hanyaekstrak data yang relevan sebelum

membawa ke data warehouse. (Mallach, 2000)

Transformasi

Setelah penggalian data dari berbagai sumber, transformasi dibutuhkan

untuk menjamin konsistensi data. Agar mengubah data ke dalam data

warehouse dengan benar, perlu mengetahui cara pemetaan bidang sumber

data eksternal ke data warehouse. Transformasi dapat dilakukan selama

ekstraksi data atau saat memuat data ke dalam data warehouse. Integrasi

ini bisa menjadi masalah yang kompleks ketika jumlah sumber data

menjadi lebih besar.

Setelah proses penggalian, mengubah dan pembersihan telah dilakukan,

data diambil ke dalam data warehouse. Pemuatan data dapat

dikategorikan ke dalam dua jenis; pemuatan data yang saat ini ada dalam

database operasional dan pemuatan pembaruan data warehouse dari

perubahan yang telah terjadi dalam database operasional. Untuk

menjamin kesegaran data, data warehouse perlu untuk terus

memperbaharui datanya. Banyak persoalan yang perlu untuk

dipertimbangkan terutama saat memuat data yang sudah diperbaharui ke

data warehouse. Sementara melakukan pemutakhiran data warehouse,

perlu memastikan bahwa tidak ada data yang dilepaskan dan juga untuk

memastikan overhead minimum selama proses scanning file yang ada.

Gambar 2.10 Proses ETL (Miranda dan Elfreida, 2010)

DBMS (Database Management System)

Menurut Connolly dan Begg (2010, p66), DBMS adalah software yang

memungkinkan pengguna untuk menetapkan, menciptakan, memelihara, dan

mengontrol akses ke database.

Granularity

Menurut Inmon (2005, p41), granularity mengarah ke level of detail atau

ringkasan data pada warehouse. Semakin detil data semakin rendah tingkat

granularity. Semakin ringkas data maka semakin tinggi tingkat granularity.

Ringkasan dari semua transaksi pada suatu bulan akan menjadi tingkat yang

tinggi atas granularity.

Granularity dari data akan menjadi sebuah persoalan desain utama pada

lingkungan data warehouse

karena mempengaruhi volume data

pada data

warehouse dan jenis query yang dapat dijawab. Pada banyak kasus, data yang

masuk ke data warehouse berada pada tingkat granularity yang terlalu tinggi

artinya developer harus menghabiskan banyak sumber daya untuk memecah

data. Kadang-kadang data yang masuk ke data warehouse

pada tingkat

granularity yang terlalu rendah.

Estimasi Kapasitas Media Penyimpanan

Dalam penyimpanan data, kapasitas media penyimpanan menjadi aspek

yang perlu untuk dipertimbangkan. Oleh karena itu perhitungan estimasi

kapasitas diperlukan untuk mengetahui banyaknya kapasitas yang

diperlukan. Rumus yang digunakan untuk perhitungan kebutuhan

penyimpanan record adalah :

= R x (n + (1+i)

)

R = Jumlah record

= Tahun

i = persentase pertumbuhan record per tahun

Contoh estimasi media penyimpanan dalam jangka waktu 8 tahun :

Num_Rows = Menentukan jumlah baris dalam tabel.

Num_Col = Menentukan jumlah kolom dalam tabel

Fixed_data_size= Jumlah bytes yang dibutuhkan oleh semua kolom

sesuai dengan tipe datanya masing-masing.

Null_bitmap = Bit status null kolom = 2 + ((Num_col+7)/8).

Row_Size = fixed_data_size + null_bitmap + 4 (Nilai 4 presentasi data

row header)

Rows_Per_Page = 8096 / (Row_Size + 2)

Num_Of_Pages = Num_Rows / Row_Per_Pages

Table_Size= 8192 x Num_Of_Pages

2.1.12

Teknik Pencarian Fakta (Fact Finding)

Menurut Connolly dan Begg (2010, p341), pencarian fakta (fact finding)

dapat didefinisikan sebagai suatu proses formal yang menggunakan teknik

seperti wawancara (interview)

dan kuisioner untuk mengumpulkan

fakta/kebenaran mengenai sistem, kebutuhan, dan berbagai pilihan.

Pada umumnya, database developer

menggunakan beberapa teknik fact

finding

selama proyek database

berlangsung. Menurut Connolly dan Begg

(2010, p344), terdapat lima teknik fact finding yaitu :

Memeriksa Dokumentasi (Examining Documentation)

Wawancara (Interviewing)

Melakukan Observasi Aktivitas Operasional di dalam Organisasi

(Observing the Enterprise in Operation)

Melakukan Riset (Research)

Kuesioner (Questionnaires)

2.2

Teori Khusus

2.2.1

Sales Order

Menurut menurut La Midjan (2001,p183), Sales Order merupakan

penghubung antara beragam fungsi yang diperlukan untuk memproses langganan

dengan menyiapkan peranan penjualan barang atau jasa.

2.2.2

Perbaikan

Secara umum perbaikan (maintenance) dapat didefinisikan sebagai

serangkaian aktivitas yang diperlukan untuk mempertahankan dan menjaga suatu

produk atau sistem tetap berada dalam kondisi yang aman, ekonomis, efisien,

dan pengoperasian yang optimal. Aktivitas pemeliharaan dalam perusahaan

sangat diperlukan karena setiap peralatan mempunyai umur penggantian (usefull

life), di mana suatu saat dapat mengalami kegagalan atau kerusakan, kerusakan

(failure) dari suatu peralatan atau mesin tidak dapat diketahui secara pasti, dan

manusia selalu berusaha untuk meningkatkan umur penggunaan dengan

melakukan pemeliharaan (maintenance). Kegiatan pemeliharaan (maintenance)

dibagi menjadi 2 jenis, yaitu pemeliharaan pencegahan (preventive maintenance)

dan pemeliharaan perbaikan (corrective maintenance).

Menurut Assauri (2008,p102), preventive maintenanceadalah kegiatan

perawatan yang dilakukan untuk mencegah timbulnya kerusakan dan

menemukan kondisi yang dapat menyebabkan fasilitas atau mesin produksi

mengalami kerusakan pada waktu melakukan produksi. Dengan adanya

preventivemaintenance, diharapkan semua mesin yang ada akan terjamin

kelancaran proses kerjanya sehingga tidak ada yang terhambat dalam proses

produksinya dan selalu dalam keadaan optimal. (Abbas, Steven, Christian, dan

Sumanto, 2009)

2.2.3

Pembelian

Menurut Kakouris (2006, p709), pembelian sekarang diakui sebagai

sebuah fungsi strategis, tidak hanya karena keputusan dibuat oleh manajer

pembelian yang memiliki pengaruh besar pada kinerja perusahaan secara

keseluruhan, tetapi juga karena para pebisnis harus mengatur proses yang

menghubungkan mereka dengan para pemasok mereka. Sedangkan sesuai dalam

kamus bahasa Indonesia, pembelian memiliki arti sebagai berikut proses, cara,

perbuatan membeli: ia bertugas di bagian alat-alat kantor.

Jadi, pembelian adalah urutan kerja atau salah satu proses yang berkaitan

dengan pengadaan barang dagangan.