|
BAB 2
LANDASAN TEORI
2.1
Teori Umum
2.1.1 Data
Menurut O’brien (2001, p14), data adalah fakta atau observasi mentah, yang
pada
umumnya
mengenai
fenomena
fisik
atau transaksi
bisnis.
Secara
lebih
spesifik,
data
merupakan
objek
pengukuran atribut-atribut
dari
suatu
entitas
seperti manusia, tempat, benda, atau kejadian.
Menurut Stair dan Reynolds (2006, p15), data memiliki nilai yang kecil bila
berdiri sendiri, tetapi nilai tersebut bertambah besar jika terdapat hubungan di
dalamnya.
Jadi, data merupakan kumpulan fakta atau hasil observasi mentah, yang akan
semakin bertambah nilainya jika memiliki hubungan di dalamnya.
2.1.2 Database
Menurut Connolly dan Begg (2002, p15) database
merupakan suatu
kumpulan data logical
yang
terhubung satu sama
lain dan deskripsi dari suatu
data yang dirancang sebagai suatu informasi yang dibutuhkan oleh organisasi.
Sementara
database
system
merupakan
sistem
penyimpanan
informasi
yang
6
|
|
7
teroganisasi
secara
komputer
sehingga
memudahkan
pemakaian
dalam
pengolahan dan penggunaannya (McLeod dan Schell, 2004, p196).
Database system sendiri digambarkan sebagai suatu lemari file yang berisi
kumpulan file-file data yang terkomputerisasi. Pemilik lemari dapat melakukan
berbagai tindakan terhadap sistem yang dimilikinya, seperti :
a.
Penambahan file baru.
b.
Penambahan pada file yang ada.
c.
Pengambilan data pada file yang ada.
d.
Pemutakhiran data pada file yang ada.
e.
Penghapusan data pada file yang ada.
f. Penghapusan file yang tidak perlu.
Tujuan dari database system adalah melakukan perawatan informasi, informasi
tersebut dapat disajikan kapan saja apabila dibutuhkan oleh pengguna.
2.1.2.1
Komponen Database System
Database
system
terdiri
dari
4
komponen
penting
(Ramakrishnan
dan
Gehrke, 2000, p3) :
1. Data
Data adalah catatan atas kumpulan fakta. Data merupakan bentuk jamak
dari
datum,
yang
berasal
dari
bahasa
Latin
dengan arti
“sesuatu
yang
|
|
8
diberikan”. Dalam penggunaan sehari-hari data berarti suatu pernyataan
yang diterima secara apa adanya.
2. Hardware
Hardware
merupakan
perangkat
fisik
yang diperlukan
oleh
sistem
manajemen database untuk mengolah/menyimpan database.
3. Software
Software, yang menghubungkan antara perangkat fisik database dengan
user
yaitu sistem manajemen basis data (DBMS/Database Manajemen
System). Semua fungsi yang dibutuhkan user dalam
melakukan
manipulasi data yang tersedia, seperti membuat file, menghapus data,
menambah data ataupun mengubah data.
4. User
User di dalam database terbagi 3, yaitu :
a.
Programmer aplikasi yang menulis program piranti lunak yang dapat
mengakses database.
b.
Pengguna akhir (end-user)
yang
menggunakan piranti
lunak
dalam
mengakses database.
c.
Administrator
database
(DBA/Database
Administrator)
yang
bertanggung jawab terhadap keseluruhan sistem database.
|
|
9
2.1.3 Data warehouse
2.1.3.1
Pengertian Data warehouse
Ada
beberapa
pengertian
mengenai data
warehouse,
namun
dalam
berbagai
arti
data
warehouse tetap
memiliki
inti
yang sama.
Berikut
merupakan beberapa ahli yang menjabarkan mengenai arti data warehouse :
Menurut W.H. Inmon dan
Richard D.H., data warehouse adalah koleksi
data
yang
mempunyai
sifat
berorientasi
subjek,
terintegrasi,
time-variant,
dan
bersifat tetap
dari koleksi
data
dalam mendukung
proses
pengambilan
keputusan management.
Menurut Paul Lane, data warehouse merupakan database relasional yang
didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya
mengandung history data dari proses transaksi dan bisa juga data dari
sumber lainnya. Data warehouse memisahkan beban kerja analisis dari
beban kerja transaksi dan memungkinkan organisasi
menggabung/konsolidasi data dari berbagai macam sumber.
Menurut Vidette Poe, data warehouse merupakan database yang bersifat
analisis dan read only yang digunakan sebagai fondasi dari sistem penunjang
keputusan.
Berdasarkan penjelasan diatas, dapat disimpulkan bahwa data warehouse
merupakan
penyimpanan data historis yang saling berhubungan yang di
rancang untuk analisis dan query, yang bersifat berorientasi
subjek,
|
|
10
terintegrasi, time-variant,
dan bersifat
tetap dari
kumpulan
data yang
digunakan untuk mendukung proses pengambilan keputusan.
2.1.3.2 Karakteristik Data warehouse
Menurut W.H. Inmon
(2005, p29), karakteristik yang dimiliki oleh
sebuah data warehouse adalah sebagai berikut:
2.1.3.2.1
Subject-oriented
Subject-oriented
sebagai
data
warehouse yang
dikelompokakan
berdasarkan area subjek utama suatu organisasi atau perusahaan (seperti
pelanggan, produk, dan penjualan) dibandingkan dengan 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.
2.1.3.2.2 Integrated
Artinya data-data yang diambil dari berbagai sumber untuk
dimasukkan ke data warehouse mempunyai gambaran atau struktur fisik
yang sama setelah dikonversi, diformat
ulang, diurutkan kembali dan
diringkas.
Karena
sumber
data
warehouse lebih
dari
satu,
maka
besar
kemungkinannya terdapat inkonsistensi dalam penanaman, ciri-ciri
fisik,
ukuran atribut, dan seterusnya sehingga harus diintegrasikan terlebih
dahulu sebelum dimasukkan ke data warehouse.
|
|
11
2.1.3.2.3 Nonvolatile
Data yang ada di dalam data warehouse tidak diperbaharui setiap kali
ada
data
baru
dimasukkan dari
lingkungan operasional,
melainkan
direkam dalam sebuah
snapshot.
Snapshot
akan
terus
dibuat
saat
ada
perubahan-perubahan
yang
terjadi
sehingga
di
dalam data
warehouse
tersimpan historis data.
2.1.3.2.4 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.
2.1.3.3 Keuntungan Data warehouse
Menurut Connolly dan Begg (2005, p1152), data warehouse yang sukses
diimplementasikan dapat memberikan keuntungan sebagai berikut:
a.
Pengembalian yang besar dari investasi (Polential high returns on
investment)
Sebuah perusahaan harus mengeluarkan jumlah
yang besar untuk
mengimplementasikan
suatu data
warehouse
secara
sukses
dan
jumlahnya bervariasi tergantung atas solusi teknis yang diberikan.
|
|
12
Tetapi survey International data Corporation
(IDC)
pada tahun
1996
melaporkan bahwa rata-rata 3 tahun returns on investment (ROI)
dalam data warehousing mencapai 401%, lebih dari 90%-nya
mencapai lebih dari 40% ROI, setengahnya mencapai lebih dari 160%
ROI dan seperempatnya mencapai lebih 600% ROI (IDC,1996).
b.
Keuntungan Kompetitif (Competitive advantage)
Pengembalian yang besar atas investasi perusahaan adalah hasil dari
keuntungan kompetitif yang mendampingi teknologi
ini.
Keuntungan
kompetitif dapat
diperoleh
dengan
memfasilitasi
para
pengambil
keputusan
mengakses
data
yang dapat
memperlihatkan
apa
yang
sebelumnya tidak terlihat.
c.
Meningkatkan produktivitas dari para pengambil keputusan (Increased
productivity of corporate decision-makers)
Data warehousing dapat meningkatkan produktivitas dari para
pengambil
keputusan dengan
membuat sebuah
database
terpadu dari
data-data yang konsisten, berorientasi pada subjek dan bersejarah.
Data warehouse menyatukan data dari berbagai sistem ke dalam
sebuah bentuk konsisten. Dengan merubah data menjadi informasi
yang
berguna,
data
warehouse dapat
memfasilitasi
para
pengambil
keputusan
untuk
melakukan
analisis yang
lebih
nyata,
akurat
dan
konsisten.
|
 13
2.1.3.4 Struktur Data warehouse
Data warehouse memiliki struktur sebagai berikut :
Gambar 2.1
struktur data warehouse
(sumber : William H. Inmon (2005,
p34))
2.1.3.4.1 Old Detail Data
Old
Detail Data
merupakan
data
historis, dapat berupa
hasil backup
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.
|
|
14
2.1.3.4.2 Current Detail Data
Current detail data mencerminkan keadaan yang sedang berjalan saat
ini dan merupakan tingkat terendah dalam data warehouse serta biasanya
memerlukan
media
penyimpanan
yang cukup besar. Alasan perlu
diperhatikannya current detail data :
• Menggambarkan kejadian yang sedang terjadi.
• Jumlahnya sangat banyak dan disimpan pada tingkat penyimpanan
terendah.
• Biasanya disimpan di media penyimpanan karena diperlukan akses
yang cepat tetapi mahal dan kompleks dalam pengaturannya.
Digunakan dalam membuat rekapitulasi sehingga current detail data
harus akurat.
2.1.3.4.3 Lightly Summarized Data
Lightly summarized data merupakan ringkasan dari current detail
data. Di dalam tahap ini data belum dapat digunakan untuk pengambilan
keputusan karena data masih belum bersifat “total summary” dan
masih
bersifat detil. Fungsi summary ini untuk meningkatkan kerja query karena
dapat
menghilangkan
kebutuhan
operasi summary
yang
terus-menerus
(seperti grouping atau sorting).
2.1.3.4.4 Highly Summarized Data
|
|
15
Highly
summarized
data merupakan
hasil
proses
summary
yang
bersifat “total summary”. Pada tingkat ini data sangat mudah diakses dan
pada akhirnya dapat digunakan sebagai pengambil keputusan
bagi para
eksekutif perusahaan. Hal ini sangatlah memudahkan para eksekutif
karena mereka tidak perlu lagi membaca atau melakukan analasis dalam
waktu yang lama.
2.1.3.4.5
Metadata
Metadata memuat
informasi
yang penting dalam data warehouse dan
bukan merupakan hasil dari kegiatan operasional seperti keempat jenis
diatas. Metadata digunakan dalam banyak fungsi, antara lain :
a.
Sebagai direktori
yang
dipakai
oleh user
dalam
mencari
lokasi
data
dalam data warehouse.
b. Sebagai panduan pemetaan dalam proses transformasi dari data
operasional ke dalam lingkungan data warehouse.
c.
Sebagai pandauan untuk proses detail data menjadi summary data
untuk diolah
menjadi lightly summarized data dan kemudian
menjadi
highly summarized data.
2.1.3.5 Arsitektur Data warehouse
Menurut Connolly dan Begg
(2005,
p1156)
arsitektur data
warehouse
terdiri dari struktur
atau komponen-komponen yang
saling
menunjang satu
sama lain dalam membangun data warehouse.
|
 16
Gambar dibawah ini
menunjukan arsitektur dan komponen
utama dalam
sebuah data warehouse
:
Gambar 2.2
Arsitektur Data warehouse
(Sumber : Connolly dan Begg 2005, 1157)
Komponen-komponen dari data warehouse diatas antara lain :
1.
Operational Data, yaitu sumber data yang digunakan untuk
mendukung
kegiatan harian diperusahaan.
2.
Operational
Data Source (ODS), merupakan
sebuah struktur
gabungan
yang
dirancang untuk mendukung baik pemrosesan transaksi
operasional dan pemrosesan analitis.
3.
Load Manager disebut juga front end component, melaksanakan semua
operasi
yang terkait dengan proses extraction dan loading dari data ke
data warehouse.
|
|
17
4. Warehouse
Manager,
melakukan
seluruh
operasi-operasi
yang
berhubungan
dengan
kegiatan
manajemen
data
di
dalam warehouse.
Operasi-operasi tersebut meliputi :
• Analisis terhadap data untuk memastikan konsistensi.
• Transformasi
dan
penggabungan
sumber
data
dari
tempat
penyimpanan sementara menjadi tabel-tabel data warehouse.
• Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar.
• Melakukan denormalisasi dan agregasi jika diperlukan.
• Backing-Up dan mengarsipkan data.
5.
Query Manager disebut juga komponen back-end, melakukan operasi-
operasi
yang
berhubungan
dengan
manajemen user
queries.
Operasi-
operasi yang dilakukan oleh komponen ini termasuk mengarahkan query
kepada
tabel-tabel
yang
tepat
dan
menjadwalkan
eksekusi
dari query
tersebut.
6.
Detailed Data, merupakan area dalam data warehouse yang menyimpan
semua data detail.
7. Lightly
and
Highly
Summarized
Data,
merupakan
area
dalam
data
warehouse yang menyimpan semua agregat data yang digeneralisasikan
oleh warehouse manager.
8. Archive / Backup Data, merupakan area dalam data warehouse yang
menyimpan
detail
dan
ringkasan
data dengan tujuan untuk arsip dan
backup data.
|
|
18
9. Metadata,
merupakan
area
dalam
data
warehouse
yang
menyimpan
semua metadata (data yang menerangkan data lain) yang digunakan oleh
semua
proses
dalam data
warehouse.
Metadata
digunakan
dalam
berbagai macam tujuan, meliputi :
a.
Proses extraction dan loading
Metadata digunakan
untuk
mapping
sumber
data
ke
dalam
view
yang sesuai dari data dalam data warehouse.
b.
Proses pengaturan data warehouse
Metadata
digunakan
untuk
mengotomisasikan
produksi
dari
ringkasan table.
c.
Bagian dari query management
Metadata digunakan untuk menghubungkan secara langsung query
management dengan sumber data yang dibutuhkan.
10. End
User
Access
Tools,
merupakan
elemen
yang
digunakan
oleh
pengguna
untuk
berinteraksi
dengan data
warehouse dengan
tujuan
mencari, mengakses, dan mendapatkan informasi yang dibutuhkan
untuk pengambilan keputusan strategis. End user access tools dapat
dikategorikan kedalam lima kelompok utama, yaitu :
•
Reporting dan query tools
•
Application development tools
•
Executive Information System(EIS) tools
•
Online Analytical Processing (OLAP) tools
•
Data mining tools
|
 19
2.1.4 Konsep pemodelan Data warehouse
Pemodelan data warehouse menggunakan konsep pemodelan
multidimensional,
yang terdiri
dari
satu
tabel
bernama
tabel
fakta
dan
sekumpulan
tabel-tabel
lain
yang
lebih
kecil
bernama
tabel
dimensi.
Setiap
tabel dimensi memiliki satu primary key yang dihubungkan tepat dengan satu
komponen dari composite key di tabel
fakta. Sehingga primary key dari tabel
fakta terdiri dari dua atau lebih foreign key dari tabel-tabel dimensi.
2.1.4.1 Tabel Fakta
Menurut Ralph Kimball (2002,p16), tabel fakta adalah tabel utama dalam
konsep pemodelan multidimensional dimana hasil perhitungan bisinis
disimpan.
Gambar 2.3
Contoh tabel fakta (Kimball 2002, p17)
Tabel fakta memiliki dua atau lebih foreign keys, misalnya yang ditandai
dengan
‘FK’ pada gambar 2.3, sebagai penghubung ke primary keys dalam
tabel-tabel
dimensi.
Misalnya, product
key
pada
tabel
2.3
yang
menghubungkan dengan product key
dalam tabel dimensi produk. Tabel
fakta
itu
sendiri
pada
umumnya
memiliki
sebuah
primaty
key yang
merupakan
gabungan
dari foreign
keys.
Primary
key ini
dikenal
sebagai
composite atau concatenated key. Setiap tabel fakta dalam konsep
|
|
20
pemodelan
multidimensional
memiliki
sebuah
composite
key,
dan
sebaliknya, setiap tabel yang memiliki composite key merupakan tabel fakta.
Menurut
Ponniah
(2001,
p214), karakteristik
tabel
fakta
adalah
sebagai
berikut :
a.
Memiliki Concatenated Key
Primary
key
dari
tabel
fakta
adalah
gabungan dari primary key tabel-
tabel dimensinya.
b.
Data Grain
Data grain adalah tingkat kekhususan untuk pengukuran atau kalkulasi.
c.
Fully Additive Measures
Perhitungan dari fully additive measures dilakukan dengan penjumlahan
sederhana. Saat menjalankan query untuk mengkalkulasi measure dalam
tabel fakta,
measure tersebut haruslah berupa fully additive. Jika tidak,
maka hasilnya tidak akan benar.
d.
Semi-additive Measures
Semi-additive
Measures
adalah atribut turunan dan tidak bisa
ditambahkan. Semi-additive measures harus dihilangkan dari fully-
additive measure saat melakukan query.
e.
Tabel bersifat dalam, tidak lebar
Tabel fakta memiliki lebih sedikit jumlah atribut dibandingkan dengan
tabel dimensi.
f. Sparse Data
Tabel
fakta dapat
memiliki
kombinasi
dari
tabel-tabel
dimensi
yang
menyebabkan
isi dari
tabel
fakta
memiliki
nilai null.
Kita tidak perlu
|
 21
menyimpan nilai null dalam tabel fakta, sehingga terkadang dalam tabel
fakta terdapat sejumlah gap.
g.
Degnerate Dimensions
Saat memilih atribut-atribut dari sitem operasional, terdapat sejumlah
elemen data dimana tidak dapat dimasukkan sebagai atribut tabel
dimensi maupun fakta, misalnya nomor order, nomor transaksi, dan
lain-lain.
Tetapi
atribut
ini dapat
digunakan
dalam
beberapa
tipe
analisis. Atribut ini disebut juga degenerate dimension dan
disimpan
sebagai atribut tabel fakta.
2.1.4.2 Tabel Dimensi
Menurut Ralph Kimball (2002, p19), tabel dimensi berisi penjelasan
deskriptif dari sebuah bisnis.
Gambar 2.4
Contoh tabel dimensi produk (Ralph Kimball 2002, p20)
|
|
22
Dalam pemodelan
multidimensional
yang
baik, tabel
dimensi
memiliki
banyak
kolom atau
atribut.
Bahkan
tidak
aneh
jika
sebuah
tabel
dimensi
memiliki 50 sampai 100 atribut. Tabel dimensi relatif pendek dalam jumlah
baris, namun dapat menjadi lebar karena banyaknya
kolom. Sebuah
tabel
dimensi diidentifikasikan dengan sebuah primary key, yang ditandai dengan
‘PK’ (lihat gambar 2.4). Atribut tabel dimensi yang baik adalah berupa teks
dan dapat menjelaskan tabel dimensi itu sendiri. Walaupun sebuah data
berupa angka, data itu tetap dapat dimasukkan ke dalam tabel dimensi
asalkan data itu merupakan deskripsi, bukan merupakan pengukuran.
Menurut Ponniah (2001, p213) sebuah tabel dimensi memiliki beberapa
karakteristik sebagai berikut :
a.
Memiliki Dimension Tabel Key
Primary Key dari tabel dimensi mengidentifikasi setiap barisnya secara
unik.
b.
Tabel Bersifat Lebar
Pada
umumnya,
sebuah
tabel
dimensi
dapat
memiliki
banyak
atribut
atau kolom.
c.
Atribut Berupa Teks
Dalam tabel
dimensi
akan
jarang ditemukan
nilai-nilai
angka
untuk
perhitungan. Atribut-atributnya mewakili deskripsi teks dari komponen
dimensi bisnis.
d.
Atribut-atribut tidak Terhubung Secara Langsung
Terkadang
dalam suatu
tabel
fakta
dapat
ditemukan
bahwa
beberapa
atributnya tidak terhubung dengan atribut lain secara langsung.
|
|
23
e.
Tidak Ternomalisasi
Atribut dalam tabel dimensi selalu digunakan terus-menerus dalam
query.
Untuk
efisiensi,
sebaiknya
query
menggunakan atribut
yang
disalurkan
langsung
dari
tabel
dimensi
ke
tabel
fakta,
tanpa
melalui
tabel lainnya.
f. Drilling down, Rolling up
Atribut
dalam tabel
dimensi
menyediakan
kemampuan
untuk
mengambil dari tingkat agragasi yang tinggi ke tingkat detail yang
rendah. Misalnya, tiga atribut kode pos, kota, dan propinsi yang
membentuk hirarki. Kita dapat mencari total penjualan berdasarkan
propinsi, lalu turun menjadi total penjualan berdasarkan kota, lalu
berdasarkan kode pos, atau sebaliknya.
g.
Multiple Hirarchies
Sebuah
tabel dimensi terkadang terdiri dari beberapa
hirarki,
sehingga
drilling down dapat dilakukan diantara berbagai hirarki.
h.
Memiliki Sedikit Baris
Tabel dimensi memiliki lebih sedikit baris dibandingkan dengan tabel
fakta.
2.1.5 Pemodelan Multidimensional
2.1.5.1 Skema Bintang
Menurut Connolly dan Begg (2005, p1183), skema bintang adalah suatu
struktur logical yang
memiliki sebuah
tabel fakta berisikan data-data fakta
|
 24
ditengahnya,
dan
dikelilingi
oleh
tabel-tabel
dimensi
yang
berisikan data-
data referensi (bisa dalam bentuk denormalisasi).
Skema
bintang
dapat
meningkatkan kecepatan, karena denormalisasi
informasi ke dalam sebuah tabel dimensi. Denormalisasi
sangat disarankan
bila terdapat sejumlah entitas yang berhubungan dengan tabel dimensi yang
sering diakses, untuk menghindari perlunya menghubungkan tabel lain untuk
mengakses atribut
tersebut. Namun denormalisasi tidak disarankan jika data
tambahan tidak sering diakses, karena dalam kasus itu menghubungkan tabel
lain tidak akan terlalu memperlambat performa query.
Gambar 2.5
Contoh skema bintang transaksi Loan
|
|
25
Beberapa keuntungan skema bintang menurut Ponniah (2001, p220) :
a.
Mudah dimengerti
Skema bintang merefleksikan bagaimana pengguna berpikir dan
mencari data
untuk query dan
analisis. Skema bintang
mendefinisikan
hubungan antara tabel sama seperti bagaimana pengguna
memvisualisasikan hubungannya pada umumnya sehingga mudah
dimengerti oleh pengguna.
b.
Mengoptimalkan navigasi
Hubungan-hubungan
antara
tabel
dalam skema
bintang
sederhana,
sehingga
navigasinya
dapat
menjadi
optimal.
Walaupun query
yang
digunakan terlihat kompleks, tetapi navigasi di dalamnya tetap
sederhana.
c.
Cocok untuk pemrosesan query
Struktur skema bintang adalah struktur berpusat pada query, sehingga
menjadikan skema bintang paling cocok untuk pemrosesan query. Setiap
query dieksekusikan
dengan
terlebih
dahulu
memilih
baris dari
tabel
dimensi menggunakan filter dariparameter query, lalu menemukan baris
yang
terhubung
dengannya
dalam tabel
fakta.
Hal
ini
memungkinkan
karena hubungan yang sederhana dan tidak adanya tabel penghubung
lainnya dari tabel dimensi ke tabel fakta.
2.1.5.2 Skema Snowflake
Menurut Connolly dan Begg (2005, p238), skema snowflake adalah
variasi dari skema bintang dimana tabel dimensi tidak berisikan data hasil
denormalisasi. Sehingga tabel dimensi dapat memiliki dimensi lagi.
|
|
26
Menurut Ponniah (2001, p238), keuntungan dari skema snowflake adalah
sebagai berikut :
a.
Memerlukan tempat penyimpanan yang kecil
b.
Struktur ternomalisasi mudah diupdate dan dipelihara
Sedangkan kekurangannya adalah :
a.
Skema kurang intuitif dan pengguna akhir terhambat oleh kompleksitas
b.
Kemampuan untuk melihat isi skema menjadi sulit
c.
Menurunkan performa query karena hubungan tambahan
2.1.5.3 Skema Starflake
Menurut
Connolly
dan
Begg
(2005,
p1185),
skema
starflake adalah
struktur
campuran
antara
skema
bintang
dan
skema
snowflake.
Beberapa
tabel
dimensi dapat disajikan
dalam bentuk
skema bintang
maupun
skema
snowflake untuk memenuhi kebutuhan query yang berbeda-beda.
2.1.6 Data mart
Menurut
Connolly
dan
Begg
(2005,
p1171), data
mart adalah bagian dari
data warehouse yang mendukung kebutuhan dari suatu departemen atau fungsi
bisnis tertentu.
Data
mart
merupakan
bagian
dari
data
warehouse yang
mendukung
kebutuhan fungsi bisnis tertentu. Sebuah
data mart
menyimpan sebagian data
ke
dalam data warehouse, biasanya
berupa
data
yang berisi
ringkasan
yang
biasanya berhubungan dengan fungsi bisnis tertentu.
|
|
27
Karakteristik yang mebedakan data mart dengan data warehouse antara lain:
• Sebuah data mart hanya berfokus kepada kebutuhan dari pengguna yang
berhubungan pada suatu departemen atau fungsi bisnis.
• Data mart berisi data yang lebiih sedikit diabanding data warehouse
sehingga lebih mudah dimengerti.
• Data mart biasanya tidak berisi fungsi operasional yang mendetail seperti
data warehouse
Ada beberapa pendekatan untuk membangun data mart. Salah satunya
adalah
dengan
membangun
data
mart yang
akan
berkelanjutan
untuk
diintegraikan
menjadi
sebuah data warehouse. Pendekatan lainnya adalah
dengan
membangun
infrastruktur data
warehouse perusahaan
pada
saat
bersamaan dibangun pula satu data mart atau lebih untuk memenuhi kebutuhan
bisnis yang berlangsung.
Jadi, data mart
adalah bagian kecil data
warehouse yang dirancang untuk
memenuhi suatu unit bisnis tertentu.
2.1.7 OLTP
OLTP (Online Transaction Processiing), menurut Kimball dan Ross (2002,
p408)
adalah
“Deskripsi
awal
dari
sistem yang
berhubungan
dengan
proses
memasukkan data ke dalam sebuah database”.
|
|
28
Menurut
Rainer et al (2009, p234), OLTP (Online Transaction Processiing)
adalah
proses
pemrosesan
transaksi
bisnis
secra
online langsung langsung
setelah transaksi itu terjadi.
OLTP
dirancang
untuk
memungkinkan terjadinya pengaksesan secara
bersamaan oleh beberapa
user terhadap sumber data yang sama dan
mengatur
proses
yang diperlukan. Sesuai dengan namanya, OLTP
mengijinkan transaksi
untuk mengakses langsung ke database. Transaksi yang dilakukan termasuk
operasi insert, update dan delete.
Database OLTP biasanya bersifat relasional
dan
dalam bentuk
normalisasi
ketiga,
serta
yang
terpenting,
database
OLTP
dibangun untuk mampu menangani banyak transaksi dengan performa tinggi.
Jadi dapat disimpulkan, bahwa
memungkinkan banyak user untuk
mengakses
secara
bersamaan
terhadap
sumber
database yang
sama,
dimana
databasenya bersifat relasional dan sudah ternormalisasi.
2.1.8 OLAP
Menurut
Connolly
dan
Begg
(2005,
p1205), OLAP (online Analytical
Processing) adalah perpaduan dinamis, analisis dan konsolidasi dari data multi-
dimensional berukuran besar.
Menurut Turban et al (2005, p76), OLAP
menggambarkan
pemrosesan
analitis
dari
data
setelah
transaksi
terjadi. Kelebihan OLAP
adalah
kemampuannya
untuk
menciptakan
struktur
bisnis
dan
menggabungkannya
|
|
29
dengan cara tertentu seningga pengguna dapat dengan cepat menjawab berbagai
pertanyaan bisnis.
Jadi, OLAP adalah perpaduan dan pemrosesan analitis data
multidimensional
untuk membantu
pengguna
menjawab
berbagai
pertanyaan
bisnis.
2.1.9 Cube
Data warehouse
dan OLAP didasarkan pada multidimensional data model.
Model ini merepresentasikan data dalam bentuk data cube, data dimodelkan dan
ditampilkan sebagai multiple
dimension.
Data
cube
ini
didasarkan
pada
dimensions table dan facts table. Dengan cube data menjadi lebih mudah untuk
dimanipulasi. Setiap sumbu cube mewakili dimensi-dimensi. Terdapat measure
yaitu nilai kuantitatif database yang ingin kita analisa. Biasanya measure
berupa
nilai
penjualan,
biaya,
dan
sejenisnya. Measure
dihitung
berdasarkan
dimensi-dimensi dari cube.
2.1.10
ETL
ETL adalah sebuah proses untuk membersihkan data sebelumnya data
tersebut dimasukkan ke dalam data warehouse. ETL terdiri dari proses extract,
transform dan load.
Ekstraksi
adalah
langkah
pertama
dalam memasukkan
data
ke data
warehouse. Ekstrasksi
berarti
membaca
dan
mengerti
data
sumber
serta
|
|
30
memasukkan data yang dibutuhkan oleh data warehouse ke dalam untuk peoses
selanjutnya.
Setelah
data
diekstraksi,
terdapat
beberapa
kemungkinan
transformasi,
seperti
membersihkan
data
(memeriksa
ejaan
yang
salah,
menyelesaikan
konflik domain, mengembalikan elemen yang hilang dan menyatukan ke dalam
sebuah format standar), menggabungkan
data dari berbagai sumber,
menghilangkan duplikasi data serta memberikan warehouse key.
Tahap terakhir dari proses ETL adalah memasukkan data (Load).
Memasukkan
data
ke
dalam lingkungan data
warehouse berarti
memasukkan
tabel
dimensional
yang
berkualitas
ke
dalam
lokasi
penyimpanan
sementara
pada setiap data mart.
Data mart kemudian
memberikan
index kepada setiap
data yang masuk untuk meningkatkan performa query. Ketika setiap data mart
telah
diberikan
index
dan
hubungan
yang tepat,
pengguna
akan
mengetahui
perubahan dalam dimensi – dimensi yang ada dan asumsi baru bahwa measure
atau perhitungan pada table fakta juga telah lengkap.
2.1.11
Tahapan Perancangan Data warehouse
1.
Pemilihan proses
•
Data mart yang pertama kali dibangun haruslah data mart yang dapat
dikirim tepat waktu dan dapat menjawab semua pertanyaan bisnis yang
penting.
|
|
31
• Pilihan terbaik
untuk
data
mart
yang pertama
adalah
yang
berhubungan dengan sales,
misal property sales, property
leasing,
property advertising.
2.
Pemilihan sumber
• Untuk memutuskan
secara
pasti
apa
yang
diwakili atau
direpresentasikan oleh sebuah tabel fakta.
•
Misal, jika sumber dari sebuah tabel fakta properti sale adalah properti
sale
individual
maka
sumber
dari sebuah
dimensi
pelanggan
berisi
rincian pelanggan yang membeli properti utama.
3.
Mengidentifikasi dimensi
• Set dimensi yang dibangun dengan baik, memberikan kemudahan
untuk memahami dan menggunakan data mart
•
Dimensi ini penting untuk menggambarkan fakta-fakta yang terdapat
pada tabel fakta
•
Misal, setiap
data pelanggan
pada tabel dimensi
pembeli
dilengkapi
dengan
id_pelanggan,
no_pelanggan, tipe_pelanggan,
tempat_tinggal,
dan lain sebagainya.
•
Jika ada dimensi
yang muncul pada dua data mart, kedua data mart
tersebut harus berdimensi sama, atau paling tidak salah satunya berupa
subset matematis dari yang lainnya.
|
|
32
•
Jika
sebuah
dimensi
digunakan
pada
dua
data
mart atau lebih, dan
dimensi
ini
tidak disinkronisasi,
maka
keseluruhan
data
warehouse
akan gagal, karena dua data mart tidak bisa digunakan secara bersama-
sama
4.
Pemilihan fakta
• Sumber dari sebuah tabel fakta menentukan fakta mana yang bisa
digunakan dalam data mart
•
Semua
fakta
harus
diekspresikan
pada
tingkat yang telah
ditentukan
oleh sumber
5. Menyimpan pre-kalkulasi di tabel fakta
• Hal ini terjadi apabila fakta kehilangan statement
6.
Melengkapi tabel dimensi
•
Pada
tahap
ini
kita
menambahkan
keterangan selengkap-lengkapnya
pada tabel dimensi
•
Keterangannya
harus
bersifat
intuitif dan
mudah
dipahami
oleh
pengguna
7.
Pemilihan durasi database
•
Misalnya pada suatu perusahaan
asuransi,
mengharuskan
data
disimpan selama 10 tahun atau lebih
|
|
33
8.
Menelusuri perubahan dimensi yang perlahan
• Ada tiga tipe perubahan dimensi yang perlahan, yaitu :
Tipe 1. Atribut dimensi yang telah berubah tertulis ulang
Tipe 2. Atribut dimensi yang telah berubah menimbulkan sebuah
dimensi baru
Tipe 3. Atribut dimensi yang telah berubah menimbulkan alternatif
sehingga nilai atribut lama dan yang baru dapat diakses secara bersama
pada dimensi yang sama.
9. Menentukan prioritas dan model query
• Dalam tahap ini menggunakan perancangan fisik.
Dengan menggunakan
langkah-langkah diatas, kita dapat
membangun
sebuah data warehouse yang baik.
2.2
Teori khusus
2.2.1
Klasifikasi Transaksi Keuangan
1.
Peminjaman (Loan)
Indonesia Eximbank
memberikan Peminjaman
(peminjaman
modal
kerja
dan/atau investasi) baik secara konvensional maupun berdasarkan prinsip
syariah kepada badan usaha baik badan
usaha yang berbentuk badan
hukum
|
|
34
maupun
tidak berbentuk badan
hukum termasuk perorangan dan berdomisili
di dalam atau luar wilayah Negara Republik Indonesia.
2. Money Market
a)
Money Market
Money market (pasar uang) adalah pasar dengan instrumen financial jangka
pendek,
umumnya yang
diperjualbelikan berkualitas
tinggi.
Jangka
waktu
instrumen
pasar
uang
biasanya
jatuh
tempo
dalam waktu
satu
tahun atau
kurang. Pasar uang sering juga disebut pasar kredit jangka pendek.
b)
Bond
Dalam keuangan, obligasi adalah keamanan utang, di mana penerbit resmi
berutang pemegang hutang dan, tergantung pada ketentuan obligasi, wajib
untuk membayar bunga (kupon) untuk menggunakan dan / atau untuk
membayar ke pihak bank kemudian tanggal, jatuh tempo. Obligasi
merupakan suatu kontrak formal untuk membayar uang yang dipinjam
dengan bunga pada interval yang tetap.
Jadi
obligasi
atau
pendapatan
tetap adalah
seperti
pinjaman,
pemegang
obligasi adalah pemberi pinjaman (Loan), penerbit obligasi adalah
peminjam (customer), dan kupon adalah bunga.
c)
Forex Exchange
Foreign Exchange (Forex) merupakan bursa valas yang memperdagangkan
dua pertukaran mata uang asing yang berbeda. Hal ini karena keuangan
global di seluruh dunia desentralisasi untuk perdagangan mata uang.
Keuangan pusat di seluruh dunia merupakan fungsi
jangkar perdagangan
|
|
35
antara berbagai jenis pembeli dan penjual dengan pengecualian akhir
pekan.
Pasar valuta asing menentukan nilai relatif
dari
mata
uang
yang berbeda.
Pasar valuta asing membantu perdagangan internasional dan investasi,
dengan memungkinkan konversi mata uang
2.2.2 Pernyataan Standar Akutansi Keuangan (PSAK)
Pernyataan standar akuntansi keuangan (PSAK) adalah akuntansi laporan
keuangan perbankan yang cara penghitungannya menggunakan Historical Cost
Accounting (HCA) atau berdasarkan data historis, seperti asumsi nilai tukar dan
laba rugi.
PSAK No. 50 & 55 pada dasarnya akan digunakan untuk kepentingan
penyusunan dan penyajian laporan keuangan, termasuk laporan keuangan
publikasi
sebagaimana diatur dalam ketentuan
Bank Indonesia
mengenai
laporan keuangan publikasi.
Sebagai bagian dari komitmennya untuk secara bertahap menerapkan
International Financial Reporting Standards(IFRS), Ikatan Akuntan Publik
Indonesia (IAPI) mengeluarkan PSAK 50 dan 55(Revisi 2006), yang berlaku
untuk masa pelaporan keuangan mulai dari 1 Januari 2010.
Penerapan PSAK 50 dan 55 (Revisi 2006)
menimbulkan banyak tantangan
bagi industri jasa keuangan, secara umum tantangan berikut ini dihadapi:
|
|
36
a)
Klisifikasi, pengakuan dan pengukuran (termasuk nilai wajar, aturan
penghentian pengakuan dan suku bunga efektif).
b) Penurunan nilai pada asset keuangan (termasuk pinjaman, surat-surat
berharga dan piutang yang dapat dijual)
c)
Akutansi lindung nilai dan derivatif melekat.
Lembaga Pembiayaan Ekspor Indonesia (Indonesia Eximbank) menyadari
akan
kebijakan
ini
dan
telah
mengimplementasikan sebiah aplikasi
Financial
Resources planning(FRP), bernama
Financial
Studio
(FS)
yang
dapat
menghasilkan
laporan
keuangan
sesuai dengan
kebijakan
PSAK
50
dan
55
(Revisi 2006). Aplikasi ini dikembangkan oleh vendor asing bernama Finarch,
yang bekerjasama dengan Anabatic Technologies sebagai vendor local.
Laporan ini bertujuan untung menggambarkan secara garis besar proses
implementasi yang dimulai dari analisa kebutuhan bisnis sampai fase pengujian
akhir atas sistem terkait.
Proyek
implementasi
sistem
PSAK
50 dan 55 (Revisi 2006) telah selesai,
dan aplikasi FS ini digunakan oleh Indonesia Eximbank untuk membantu dalam
penyusunan laporan keuangan 31 Desember 2010 dan 31 Juli 2011.
2.2.3
Aktivitas Proyek Implementasi Sistem
Proyek
implementasi
sistem sistem
PSAK
50
dan
55
(Revisi
2006)
ini
memiliki tiga aktifitas utama yaitu:
1.
Analisa Kebutuhan Bisnis
|
|
37
Aktivitas
ini
terkait
dengan
menentukan transaksi-transaksi
yang
berdampak dari kebijakan PSAK 50 dan 55 (Revisi 2006).Aktivitas ini
bertujuan sebagai persyaratan awal perancangan aplikasi FS.
2.
Perancangan dan Konfigurasi Sistem
Aktivitas ini
melibatkan Finarch, Anabatic
Technologies dan tim PSAK
Indonesia Eximbank, mulai dari menyusun data-data yang di perlukan
untuk aplikasi FS, hingga konfigurasi yang dilakukan oleh Finarch dan
Anabatic Technologies. Dalam aktivitas ini, Finarch, Anabatic
Technologies
dan
tim PSAK
Indonesia
Eximbank
saling berkomunikasi
secara
terus
menerus
untuk
merumuskan
dan
menghasilkan
konfigurasi
aplikasi FS yang sesuai dengan kebutuhan pengguna akhir (end users).
3.
User Acceptance Test (UAT)
Aktivitas
untuk
melakukan
uji
coba terhadap
proses
perhitungan
dan
pembukuan di aplikasi FS melibatkan end users yang merupakan tim
PSAK Indonesia Eximbank. Aktivitas ini bertujuan untuk meyakinkan
Indonesia
Eximbank
untuk
penyusunan keuangan yang sesuai dengan
kebijakan PSAK 50 dan 55 (Revisi 2006).
|