2012100227ifbab2

BAB 2

LANDASAN TEORI

2.1

Database

2.1.1

Pengertian Database

Menurut Connolly dan Begg (2002, p15)¸ database merupakan

suatu kumpulan data

logikal yang berhubungan satu sama lain dan

deskripsi dari suatu data yang dirancang sebagai informasi yang

dibutuhkan oleh organisasi, sedangkan menurut McLeod dan Schell (2004,

p196), database adalah kumpulan seluruh sumber data berbasis komputer

milik

organisasi. Database yang dikendalikan oleh

sistem

manajemen

database adalah suatu set catatan data

yang

berhubungan

dan

saling

menjelaskan.

Jadi, database adalah kumpulan data yang saling berhubungan

secara logis dan terintegrasi dimana dapat digunakan sebagai sumber

kebutuhan sebuah organisasi.

2.1.2 Relational Database

Relational database adalah

representasi

logikal

dari

data.

Data

tersebut dapat diakses tanpa ada ketergantungan dengan struktur fisik dari

database

tersebut.

Relational

database

merupakan sistem

database

yang

paling

banyak

dipakai

saat

ini.

Salah

satu

bahasa

yang

sering

dipakai

untuk

memanipulasi

data

adalah

SQL.

Data

dalam relational

database

disimpan di dalam sebuah tabel dimana terdapat kolom dan baris.

2.2

Data Warehouse

2.2.1

Pengertian Data Warehouse

Menurut Inmon (2005, p389), data warehouse adalah sekumpulan

data yang bersifat subject-oriented, integrated, time-variant

dan non-

volatile untuk mendukung proses pengambilan keputusan.

Menurut

Mcleod dan Schell (2004, p205), data warehouse adalah

perkembangan dari konsep database yang menyediakan suatu sumber

data, data yang lebih baik bagi para pemakai dan memungkinkan pemakai

untuk memanipulasi dan

menggunakan data tersebut secara intuitif.

Data

warehouse

berukuran

sangat

besar, kualitas

datanya

tinggi,

dan

sangat

mudah diambil datanya.

Jadi, data warehouse adalah tempat penyimpanan data historis

yang berorientasi subjek untuk

mendukung proses pengambilan

keputusan.

2.2.2

Karakteristik Data Warehouse

Seperti yang telah dikemukakan terlebih dahulu pada sub bagian

pengertian

data

warehouse,

karakteristik

yang

harus

dimiliki

dalam

sebuah data

warehouse antara

lain adalah Subject

Oriented,

Integrated,

Time

Variant,

dan

Non

Volatile. Berikut

ini

dijelaskan lebih

lanjut

mengenai karakteristik ini.

•

Subject Oriented

Data warehouse

berorientasi

subjek

artinya data

warehouse

dirancang

untuk

menganalisis data berdasarkan subjek

–

subjek

tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi

tertentu.

Gambar 2. 1 Subject Orientation Data (Inmon, 2005, p30)

•

Integrated

Sumber

data berasal

dari

sistem –

sistem

aplikasi perusahaan

yang

berbeda

–

beda.

Sumber

data sering tidak konsisten misalnya

perbedaan

format

data.

Integrasi sumber data

harus

dibuat

konsisten

dalam menampilkan

data

agar

dapat

menyatukan

pandangan user

terhadap data.

Gambar 2. 2 Integration (Inmon, 2005, p31)

•

Non volatile

Karakteristik ketiga dari data warehouse adalah non volatile,

yaitu data pada data warehouse

cenderung statis dan berupa data

historical yang digunakan untuk analisis.

Pada gambar 2.3 ini, Inmon (2005, p31-p32) menjelaskan

bahwa

“Data

operasional

pada

tiap

–

tiap record

yang

ada,

umum

diakses dan dimanipulasi, perubahan maupun pembaruan data

merupakan sebuah hal

yang wajar dilakukan pada sistem ini. Namun,

data warehouse

juga dapat

diakses, namun tidak terlalu sering, dan

biasanya diambil dalam jumlah besar. Akan tetapi data yang ada tidak

diperkenankan untuk diperbaharui maupun diubah, apabila terjadi

perubahan

atau

pembaruan,

maka

data

tersebut

akan

masuk

sebagai

data baru. Oleh karena itu, data

yang

tersimpan

pada

sebuah

data

warehouse merupakan data yang bersifat historis”.

Gambar 2. 3 Non Volatile (Inmon, 2005, p32)

•

Time Variant

Data warehouse

dibandingkan dengan data operasional,

memiliki

perbedaan

cakupan

pada

aspek time variant. Time

variant

yang membedakan antara data pada data warehouse dengan data

operasional menurut Ponniah (2001, p22) adalah “Data yang disimpan

pada sistem operasional

merupakan keadaan terkini pada perusahaan.

Data

transaksi

lampau

juga

ada yang disimpan,

namun

pada

intinya

sistem

operasi

dirancang

memang

untuk

mendukung

operasi

harian

dari perusahaan sehingga data yang tersimpan harus mencerminkan

keadaan

terkini perusahaan.

Namun

pada data warehouse, data

yang

digunakan merupakan data untuk analisis dan pengambilan keputusan.

Dari

tujuan inilah

data yang

dimiliki

oleh

sebuah

data

warehouse

haruslah berupa data historis, bukan sekedar keadaan terkini dari

perusahaan. Data disimpan sebagai gambaran keadaan perusahaan di

masa

lampau hingga

saat

ini.”

Masih

menurut Ponniah

(2001, p23),

time variant memiliki keuntungan sebagai berikut:

•

Memungkinkan

untuk

menganalisis

hal

yang

terjadi

masa

lampau

•

Menghubungkan informasi yang ada ke masa kini

•

Memungkinkan adanya perkiraan atau ramalan

mengenai kondisi

masa yang akan datang.

Gambar 2. 4 Time Variant (Inmon, 2005, p33)

2.2.3

Kegunaan Data Warehouse

Data warehouse yang digunakan selama ini memberikan

kemudahan dan keuntungan, karena data warehouse biasanya digunakan

untuk melakukan empat tugas berbeda. Menurut Williams dan Sawyer

(2007, p533), keempat tugas data warehouse

tersebut

adalah sebagai

berikut:

a. Pembuatan laporan

Pembuatan laporan merupakan salah satu kegunaan

data

warehouse yang

paling

umum.

Dengan

menggunakan query

–

query

sederhana dalam data warehouse, dapat dihasilkan informasi per

tahun, per kuartal, per bulan bahkan per hari.

b. Online Analytical Processing (OLAP)

Data warehouse digunakan dalam melakukan analisis bisnis untuk

mengetahui

kecenderungan

pasar

dan faktor –

faktor penyebabnya,

karena

dengan

adanya data

warehouse

semua

informasi

baik

detil

maupun hasil ringkasan yang dibutuhkan dalam proses analisis mudah

didapat.

Dalam hal

ini data

warehouse

merupakan tool

yang

handal

untuk analisis data yang kompleks. Menurut Connolly dan Begg

(2002, p1153), sebuah organisasi

menerapkan beberapa sistem OLTP

yang berbeda untuk menjalankan proses bisnis seperti kendali

inventori, invoicing, dan point-of-sale.

Sistem ini

menghasilkan

data

operasional yang mendetil, up-to-date, dan dapat diubah – ubah. Data

di dalam OLTP, diorganisir berdasarkan kebutuhan transaksi yang

berhubungan dengan aplikasi bisnis serta mendukung pengambilan

keputusan operasional harian.

c. Data mining

Penggunaan data warehouse dalam pencarian pola dan hubungan

data, dengan tujuan membuat keputusan bisnis bagi para pihak

manajemen.

Dalam hal

ini,

perangkat

lunak

dirancang

untuk

pola

statistik dalam data untuk mengetahui kecenderungan yang ada,

misalnya kecenderungan pasar akan suatu produk tertentu.

d. Proses Informasi Eksekutif

Data

warehouse

digunakan

untuk

mencari

informasi summary

kunci yang penting, dengan tujuan membuat keputusan bisnis, tanpa

harus menjelajahi keseluruhan data yang ada.

2.2.4

Anatomi Data Warehouse

Menurut Inmon (2005, p193) anatomi data warehouse adalah data

warehouse fungsional, data

warehouse

terpusat

dan

data

warehouse

terdistribusi.

•

Data Warehouse Fungsional

Data

warehouse

fungsional menggunakan pendekatan

kebutuhan

dari

tiap

bagian

dari fungsi

bisnis

yang

ada.

Misalnya

departemen atau divisi, untuk mendefinisikan jenis data yang

ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran

data masing – masing.

Pendekatan ini banyak digunakan karena

sistem

memberikan

solusi yang mudah untuk dibangun dengan biaya investasi yang relatif

rendah

dan dapat

memberikan kemampuan

sistem

pengumpulan

data

yang terbatas kepada kelompok pemakai.

Penerapan

jenis sistem pengumpulan

data

seperti

ini beresiko

kehilangan konsistensi data di luar

lingkungan

fungsi

bisnis

yang

bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan

fungsional menjadi lingkup perusahaan, konsistensi data perusahaan

tidak lagi dapat terjamin.

Gambar 2. 5 Data Warehouse Fungsional (Prabowo, 1996)

•

Data Warehouse Terpusat

Data warehouse terpusat

adalah pendekatan yang paling baik

digunakan. Hal ini dikarenakan oleh keterbiasaan pengguna dengan

lingkungan mainframe terpusat. Data diambil dari seluruh sistem

operasional dan disimpan di dalam pusat penyimpanan data. Pengguna

kemudian menggunakan data yang telah terkumpul tersebut untuk

membangun data warehouse

fungsional, masing –

masing sesuai

dengan kebutuhannya.

Keuntungan

sistem ini

dibanding

dengan

data

warehouse

fungsional

adalah

bahwa

data benar

–

benar

terintegrasi.

Sistem ini

mengharuskan data dikirim tepat pada waktunya, agar tetap konsisten

dengan pemasok data lainnya. Di samping itu, pengguna

hanya dapat

mengambil data dari pusat pengumpulan saja dan tidak dapat

berhubungan secara langsung dengan pemasok datanya sendiri.

Gambar 2. 6 Data Warehouse Terpusat (Prabowo, 1996)

Penerapan

sistem ini

membutuhkan

biaya

pemeliharaan

yang

tinggi atas sistem pengumpulan data yang besar. Selain itu diperlukan

waktu yang lama untuk membangun sistem tersebut.

•

Data Warehouse Terdistribusi

Data warehouse terdistribusi dikembangkan berdasarkan

konsep

gateway data warehouse, sehingga memungkinkan pengguna

dapat langsung berhubungan dengan sumber data atau pemasok data

maupun dengan pusat pengumpul data lainnya. Gambaran pengguna

atas

data

adalah

gambaran

logika karena data mungkin diambil dari

berbagai sumber yang berbeda.

Gambar 2. 7 Data Warehouse Terdistribusi (Prabowo, 1996)

Pendekatan

ini

menggunakan

teknologi

client / server

untuk

mengambil data dari berbagai sumber, sehingga memungkinkan tiap

departemen

atau

divisi

untuk

membangun

sistem operasionalnya

sendiri serta dapat membangun pengumpul data fungsionalnya masing

–

masing dan menggabungkan bagian – bagian tersebut dengan

teknologi client / server. Pendekatan

ini

akan

menjadi sangat efektif

bila data tersedia dalam bentuk yang konsisten dan pengguna dapat

menambah data tersebut dengan informasi baru apabila ingin

membangun gambaran baru atas informasi.

Penerapan data warehouse terdistribusi ini memerlukan biaya

yang sangat besar karena setiap pengumpul data fungsional dan sistem

operasinya dikelola secara

terpisah.

Selain

itu,

agar

berguna

bagi

perusahaan,

data

yang

ada

harus

disinkronisasikan

untuk

memelihara

keterpaduan data.

2.2.5

Struktur Data Warehouse

Inmon (2005, p34) mengutarakan pendapat mengenai struktur dari

data warehouse sebagai berikut, “Ada beberapa tingkatan detail pada

lingkungan data warehouse. Tingkatan ini dikategorikan menjadi 4, yaitu:

Older Detail Level, Current Detail Level, Lightly Summarized Data Level,

dan Highly Summarized Data Level.

Aliran data awalnya terjadi dari environment

operasional

menuju

environment data warehouse. Pada aliran data inilah proses transformasi

terjadi.

Aliran data pada data warehouse selanjutnya berada pada

tingkatan detail. Seiring berjalannya waktu, data dari Current Detail Level

mengalir menuju Older Detail Level. Apabila terjadi summarize, data akan

beralih dari Current Detail Level menuju Lightly Summarized Data Level

yang kemudian akan menuju Highly Summarized Data Level.

Gambar 2. 8 Struktur Data Warehouse (Inmon, 2005, p34)

2.2.5.1 Current Detail Data

Current Detail Data berisi data yang mencerminkan

keadaan yang sedang berjalan saat ini dan merupakan level

terendah dari data warehouse. Oleh karena itu, data di

tingkat ini belum efisien untuk digunakan sekalipun

datanya lengkap/ detail. Hal ini dikarenakan terlalu

rumit/

kompleks

untuk

melakukan

analisis dengan data yang

banyak.

2.2.5.2 Older Detail Data

Older detail data merupakan data history dari suatu

perusahaan yang berupa hasil backup yang disimpan dalam

media penyimpanan dengan frekuensi akses yang relatif

rendah. Data pada tingkat ini biasanya berupa backup data

dari kurun waktu lama, misalnya dalam ukuran tahunan dan

sudah

hampir

tidak

pernah diakses lagi. Namun

penyusunan directory untuk data ini harus mencerminkan

umur dari data agar mudah untuk pengaksesan kembali.

2.2.5.3 Lightly Summarized Data

Lightly summarized data

merupakan data hasil

ringkasan atau summary dari current detailed data. Pada

tingkat

ini,

data

hasil

ringkasan

masih

belum dapat

digunakan

dalam proses

pengambilan

keputusan

karena

belum bersifat

“total summary”

dan

masih

bersifat

detail.

Lightly summarized data biasanya sering digunakan untuk

gambaran dari keadaan yang sedang berlangsung dan sudah

berlangsung.

2.2.5.4 Highly Summarized Data

Highly summarized data

merupakan hasil proses

summary yang bersifat “totalitas”. Data pada highly

summarized ini sangat mudah diakses. Data pada tingkat

inilah yang pada akhirnya dapat digunakan untuk

mendukung pengambilan keputusan terutama di kalangan

eksekutif perusahaan. Hal ini disebabkan karena data pada

tingkat ini dianggap sudah cukup representatif dan ringkas.

Akan tetapi data ini tetap dapat merepresentasikan keadaan

data

secara keseluruhan.

Hal

ini

tentu

saja

sangat

memudahkan kalangan eksekutif karena tidak perlu lagi

membaca

dan

melakukan analisis data

untuk

waktu

yang

cukup lama.

2.2.6

Arsitektur Data Warehouse

Dalam melakukan perancangan data warehouse,

harus ditentukan

terlebih dahulu arsitektur yang paling cocok untuk melakukan

pengembangan data warehouse. Connolly dan Begg (2002, p1053)

memberikan suatu

gambaran typical arsitektur dari data warehouse, yaitu

sebagai berikut:

Gambar

2.9

Typical

Architecture

Data

Warehouse

(Connolly dan Beg, 2002, p1053)

Connolly dan Begg (2002, p1156-1161) mengidentifikasi

komponen data warehouse yang terdapat pada arsitektur data warehouse,

yaitu:

1. Operational Data

Data operasional berfokus pada fungsi – fungsi transaksional. Data

ini merupakan bagian dari infrastruktur perusahaan, detil, tidak ada

redudansi

(data

tidak

berulang

–

ulang),

dapat

di-update (diubah –

ubah), dan data ini merefleksikan nilai sekarang.

2. Operational Data Source (ODS)

ODS adalah tempat penyimpanan sementara dari data operasional

saat

ini

yang

terintegrasi

yang digunakan

untuk analisis. Membangun

ODS dapat

merupakan

tahap

yang berguna dalam membangun

data

warehouse karena sebuah ODS dapat menyuplai data yang sudah

diekstrak

dari

sistem sumber

dan

dibersihkan.

Ini

berarti

pekerjaan

mengintegrasi

dan

merestrukturisasi

data

untuk data

warehouse

menjadi lebih sederhana.

3. Load manager

Load manager menampilkan semua operasi yang terkait dengan

ekstraksi

dan

data

dalam data

warehouse. Data

bisa saja

diekstrak

secara

langsung

dari

sumber

data

atau

secara

umum dari

ODS.

4. Warehouse manager

Warehouse manager

menampilkan

semua

operasi

yang

terkait

dengan

manajemen

data

dari data warehouse. Operasi yang

ditampilkan oleh warehouse manager meliputi:

a. Analisis data untuk menjamin konsistensi.

b. Transformasi

dan

penggabungan

sumber

data

dari

tempat

penyimpanan sementara ke tabel data warehouse.

c. Pembuatan indeks dan view pada tabel base.

d. Membuat denormalisasi (jika perlu).

e. Membuat agregasi (jika perlu).

Backing-up dan archiving data.

5. Query manager

Query manager

menampilkan semua operasi yang terkait dengan

manajemen query pengguna. Operasi yang ditampilkan oleh

komponen ini meliputi mengarahkan query pada tabel yang cocok dan

menjadwalkan pelaksanaan query.

6. Detailed data

Komponen

ini

menyimpan

semua

detail

data

dalam

skema

database. Detail data terbagi 2 yaitu:

a. Current detail data

Data

ini

berasal

langsung

dari

operasional

database

dan selalu

mengacu pada data perusahaan sekarang. Current detail data

diatur

sepanjang

sisi –

sisi

subjek

seperti

data

profil pelanggan,

data aktivitas pelanggan,

data sales,

data

demografis, dan

lain –

lain.

b. Old detail data

Data ini menampilkan current detail data yang berumur atau

histori dari subyek area. Data ini yang dipakai untuk menganalisis

trend yang akan dihasilkan.

7. Lightly and highly summarized data

Area data warehouse ini menyimpan semua data lightly dan highly

summarized yang sudah terdefinisi sebelumnya yang dibuat oleh

warehouse

manager.

Tujuan

informasi

yang

terangkum ini

adalah

meningkatkan performansi query.

8. Archive / backup data

Area warehouse

ini menyimpan detail data dan summarized data

dengan tujuan mengarsip dan melakukan backup data.

9. Metadata

Metadata

merupakan data mengenai data yang mendeskripsikan

data warehouse. Metadata digunakan untuk membangun, memelihara,

mengatur, dan

menggunakan data warehouse. Metadata mengandung

lokasi dan deskripsi dari komponen –

komponen data warehouse;

nama,

definisi,

struktur,

dan

isi

dari

data

warehouse

dan

end

user

view; identifikasi dari pembuat sumber – sumber data (record system);

aturan –

aturan integrasi dan transformasi yang digunakan untuk

mempopulasikan data warehouse; history dari update dan refresh data

warehouse; pola – pola matriks

yang digunakan untuk performa

menganalisis data warehouse; dan seterusnya.

10. End – user access tool

Tool ini mencakup:

a. Reporting and query tool

Reporting

tools

meliputi

production

reporting

tools dan

report

writers. Productions reporting tools

digunakan untuk

menghasilkan laporan operasional yang teratur atau untuk

mendukung sejumlah pekerjaan dengan volume yang tinggi seperti

pesanan pelanggan dan pembayaran karyawan.

Query tool untuk data warehouse

relasional

dirancang

untuk dapat menerima

SQL atau untuk menghasilkan pernyataan

SQL agar dapat melakukan query pada data yang disimpan di

dalam warehouse.

Query tool sangat populer

antara pengguna

bisnis aplikasi.

b. Application development tool

Kebutuhan –

kebutuhan end-users seperti

membangun

kemampuan

untuk

membuat

laporan

dan query

tools

keduanya

sangat tidak memadai karena analisis yang dibutuhkan tidak dapat

dijalankan. Dalam situasi seperti ini, pengguna akan membutuhkan

application development tools

yang dirancang untuk kebutuhan

client-server.

c. Executive information system (EIS) tool

Executive Information System sebenarnya

dikembangkan

untuk mendukung pengambilan keputusan tingkat tinggi. Namun,

semakin

meluas

untuk

mendukung semua

tingkat

pengelolaan.

Sekarang

ini batasan perbedaan antara

EIS dan

decision support

tools lainnya

semakin

tidak

jelas

karena

para

pengembang

EIS

menambahkan

fasilitas query

tambahan dan

menyediakan custom-

built application untuk bisnis adalah seperti penjualan, pemasaran,

dan keuangan.

d. Online analytical processing (OLAP) tool

Online

Analytical

Processing

Tools merupakan

konsep

database

multidimensi

dan

mengijinkan pengguna

untuk

menganalisis data menggunakan view yang kompleks dan

multidimensi.

Contoh

–

contoh

bisnis

aplikasi

OLAP

meliputi

penilaian keefektifan strategi pemasaran, prediksi penjualan

produk, kapasitas perencanaan.

e. Data mining tool

Data mining adalah proses menemukan korelasi, pola, dan

gaya baru yang bermanfaat dengan ‘menggali’ (mining) data dalam

jumlah yang banyak dengan menggunakan teknik statistika,

matematika, intelejensia semu.

2.2.7

Aliran Data Pada Data Warehouse

Data warehouse memfokuskan pada manajemen dari lima aliran

data utama yaitu inflow, upflow, downflow, outflow, dan meta-flow. Proses

yang

berasosiasi

dengan

setiap

aliran data (Connolly dan Begg, 2005,

p1161), yaitu:

Inflow: Proses yang berhubungan dengan pengekstrakan (extraction),

pembersihan (cleansing),

dan

pemuatan

(loading) data

dari

sistem –

sistem sumber ke dalam data warehouse.

b. Upflow: Proses yang berhubungan dengan penambahan nilai dari data

dalam

data warehouse

melalui peringkasan (summarizing),

pengemasan (packaging), dan pendistribusian data.

c. Downflow: Proses yang berhubungan dengan pengarsipan (archiving)

dan pembuatan cadangan (back-up) data dalam data warehouse.

d. Outflow:

Proses

yang

berhubungan

dengan pengadaan

data agar

tersedia bagi end-user.

e. Meta-flow:

Proses

yang

berhubungan

dengan

manajemen

dari

metadata.

2.2.8

Tahapan Perancangan Data Warehouse

Menurut Kimball dan Ross (2010, p210), diperlukan sembilan

tahapan dalam membangun data warehouse. Sembilan langkah (Nine-Step

Methodology) tersebut, yaitu:

•

Choosing the process

Memilih

proses

(fungsi)

bisnis

yang

merujuk

pada

subyek

masalah

atau kebutuhan bisnis dan menganalisa data yang tersedia pada

perusahaan.

•

Choosing the grain

Memilih

grain

memilih

secara

tepat apa yang

direpresentasikan

oleh

record tabel fakta. Grain adalah setiap baris item individual yang ada

dalam tabel

fakta.

Ketika

grain

telah

dipilih,

pemilihan

dimensi

sesuai proses bisnis dapat dilakukan.

•

Identifying and conforming the dimensions

Tabel dimensi menyiapkan konteks untuk menanyakan pertanyaan

tentang

fakta

yang ada di dalam tabel fakta. Kumpulan dimensi

yang

dibuat dengan baik akan mempermudah dalam pemahaman serta

menggunakan data mart. Kemudian mengidentifikasikan detail

dimensi yang secukupnya untuk menggambarkan klien dan properti

pada grain yang tepat.

•

Choosing the facts

Grain dari tabel fakta menentukan fakta mana yang bisa dipakai dalam

proses bisnis

yang ditentukan. Semua

fakta

harus dinyatakan secara

pasti oleh grain.

Dengan kata

lain, jika

grain merupakan setiap baris

item individual

pada

tabel

fakta, maka

fakta

adalah

numerik

yang

mengacu pada baris item tertentu.

•

Storing pre-calculations in the fact table

Setelah fakta-fakta yang telah dipilih masing-masing harus dikaji

ulang untuk menentukan apakah ada peluang untuk menggunakan pre-

calculations. Sebuah contoh umum dari kebutuhan untuk menyimpan

pre-calculations terjadi ketika fakta – fakta terdiri dari keuntungan dan

kekurangan.

•

Rounding out the dimension tables

Pada tahap ini, kita kembali ke dalam tabel dimensi dan menambahkan

deskripsi pada tabel dimensi sebanyak – banyaknya. Deskirpsi harus

jelas dan mudah dimengerti.

•

Choosing the duration of database

Memilih durasi database adalah mengukur seberapa lama tabel fakta

tersebut disimpan. Sebagian besar perusahaan, mempunyai kebutuhan

untuk melihat data pada periode tertentu dalam jangka waktu satu atau

dua tahun. Untuk tipe perusahaan lainnya,

seperti

asuransi,

mungkin

membutuhkan data yang periodenya lebih lama yaitu sekitar lima atau

lebih dari lima tahun.

•

Tracking slowly changing dimensions

Perubahan dimensi dapat terjadi dengan seiring berjalannya waktu

pada tabel dimensi. Perubahan yang dimaksud adalah penambahan

data

(insert)

ataupun

perubahan

data

(update).

Untuk

mengatasinya

ada tiga tipe Slowly Changing Dimension (SCD) yaitu :

1. Menulis ulang semua atribut dimensi yang berubah.

2. Menambah atribut dimensi yang berubah menyebabkan record

dimensi baru dibuat.

3. Perubahan atribut dimensi menyebabkan atribut alternatif dibentuk

sehingga baik nilai yang lama dan yang baru dapat di akses secara

bersamaan pada tabel dimensi yang sama.

•

Deciding the query priorities and the query modes

Dalam langkah

ini,

memperkirakan untuk

membuat rancangan fisikal.

Yang

paling

penting

dalam rancangan

fisikal

yang

mempengaruhi

persepsi data mart end-user’s adalah urutan dari perintah fisikal yang

ada

dalam tabel

dan

ketersediaan

ringkasan.

Dibalik

semua

ini

ada

tambahan

rancangan

fisikal

yang

mempengaruhi administration,

backup, indexing performance, dan security.

2.3

Tabel Fakta

Fakta adalah sebuah

ukuran dari kinerja bisnis, biasanya berupa angka –

angka dan penjumlahan (Kimball dan Ross, 2002, p402).

Menurut Kimball dan Ross, tabel fakta pada sebuah skema bintang ialah

tabel pusat dengan pengukuran performa bisnis dalam bentuk angka

yang

memiliki

karakteristik yang

berupa composite

key,

yang tiap -

tiap

elemennya

adalah

foreign key yang didapat dari

tabel dimensi. Sedangkan menurut Inmon

(2005,

p497)

tabel

fakta

adalah

pusat

dari

tabel

star join dimana data

dengan

banyak kepentingan disimpan.

2.4

Tabel Dimensi

Dimensi adalah sebuah entitas independent

pada

sebuah

model

dimensional yang berfungsi sebagai pintu masuk atau mekanisme untuk memecah

–

mecah pengukuran tambahan yang ada pada tabel fakta dari model dimensional

(Kimball dan Ross, 2002, p399).

Pengertian tabel dimensi menurut Kimball dan Ross adalah sebuah tabel

pada

model dimensional

yang

memiliki sebuah

primary key tunggal dan kolom

dengan atribut deskriptif. Pengertian lain dari tabel dimensi adalah tempat dimana

data tambahan yang berhubungan dengan tabel fakta ditempatkan pada sebuah

tabel multidimensional (Inmon, 2005, p495).

2.5

Skema Bintang

Menurut Connolly dan Begg (2005, p1183) skema bintang adalah struktur

logis fakta yang memiliki tabel yang berisi data faktual di tengah, dikelilingi oleh

dimensi tabel yang berisi data atau referensi yang dapat di-denormalized.

Menurut Poe (1996, p33), skema bintang adalah metode perancangan

yang dilakukan dengan struktur yang sederhana dengan menggunakan beberapa

tabel dan jalur yang terhubung dengan baik dan jelas.

Dengan menggunakan skema bintang ini akan menghasilkan waktu respon

yang lebih cepat dalam query

dan dibanding dengan proses transaksional yang

menggunakan struktur normalisasi. Selain itu, skema bintang memudahkan end

user untuk memahami struktur database pada data warehouse yang dirancang.

Dalam skema

bintang terdapat

dua

tipe tabel

yaitu

tabel

fakta

dan

tabel

dimensi. Tabel fakta disebut juga tabel mayor terdiri dari data kuantitatif atau data

fakta mengenai bisnis, informasi yang di-query. Informasi ini sering diukur secara

numerik dan dapat mengandung banyak kolom dan baris.

Tabel dimensi disebut

juga tabel minor karena lebih kecil dan mencerminkan dimensi bisnis.

2.5.1

Perancangan Skema Bintang

Menurut Poe (1996, p121-122), skema bintang terdiri dari dua

jenis tabel, yaitu tabel fakta (fact table) dan tabel dimensi (dimension

table). Tabel fakta terdiri dari data kuantitatif

atau

data

fakta

mengenai

bisnis, informasi yang akan di-query. Informasi sering berupa

pengumpulan

numerik

dan

terdiri

dari

banyak

kolom dan

jutaan

baris

sedangkan tabel dimensi lebih kecil dan menunjang data deskriptif yang

mencerminkan dimensi dari baris. Query SQL kemudian digunakan untuk

pendefinisian awal dan digunakan sebagai jalur penghubung antara tabel

fakta dan tabel dimensi, dengan bantuan pada data untuk mengembalikan

informasi yang terpilih.

2.5.2

Jenis – Jenis Skema Bintang

2.5.2.1 Skema Bintang Sederhana

Pada skema

bintang sederhana, setiap tabel harus mempunyai

primary key yang terdiri atas satu kolom atau lebih. Primary key dari tabel

fakta terdiri dari satu atau lebih foreign key.

Gambar 2. 10 Skema Bintang Sederhana

Pada gambar di atas terlihat hubungan antara tabel fakta dan tabel

dimensi.

Terdapat

satu

tabel

fakta dan

tiga

tabel

dimensi.

Tabel

fakta

memiliki primary key yang terdiri dari tiga foreign key yaitu key-1, key-2,

key-3,

yang

masing

–

masing

merupakan primary key pada ketiga tabel

dimensi yang ada. Terjadi hubungan many to one antara foreign key pada

tabel fakta dengan primary key pada tabel dimensi.

2.5.2.2 Skema Bintang dengan Beberapa Tabel Fakta

Skema bintang juga dapat terdiri dari beberapa tabel fakta. Hal ini

terjadi karena pada tabel fakta berisi kenyataan yang tidak saling

berhubungan atau dikarenakan perbedaan waktu pemuatan data. Skema

bintang juga dapat meningkatkan kinerja (performance), terutama jika

data

tersebut dalam

jumlah

yang besar.

Skema

bintang

dengan

banyak

tabel fakta terlihat seperti pada gambar di bawah ini:

Gambar 2. 11 Skema Bintang dengan Beberapa Tabel Fakta

2.6

Skema Snowflake

Menurut Connolly dan Begg (2002, p1080), skema snowflake adalah

bentuk lain dari skema bintang, tabel dimensi tidak berisi data yang

didenormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya.

Ciri – ciri snowflake adalah :

1. Tabel dimensi dinormalisasi dengan dekomposisi pada level atribut.

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.

2.7

Denormalisasi

Gambar 2. 12 Skema Snowflakes

Berdasarkan Poe (1996, p137), denormalisasi adalah proses penggabungan

tabel

agar

meningkatkan

performance

yang

ada.

Ini

merupakan

sebuah

proses

yang melanggar aturan bentuk normal dalam proses normalisasi. Alasan

melakukan denormalisasi:

•

Mengurangi jumlah dari hubungan yang terjadi antara tabel – tabel, yang

menyebabkan harus mengalami proses pada waktu dilakukan pencarian.

•

Untuk membuat struktur fisik dari database semakin mendekati model dimensi

dari pemakai.

•

Membuat

struktur

tabel sesuai

dengan

yang

ingin

dinyatakan

oleh pemakai,

memungkinkan terjadinya akses langsung.

Sedangkan kelemahan yang timbul bila memakai konsep denormalisasi

tentunya

memerlukan

memory space

(tempat penyimpanan)

yang

besar

sehingga

hal ini secara tidak langsung akan membuat redudansi data.

2.8

OLAP

(On-line Analytical Processing)

Menurut Connoly dan Begg (2005, p1205) OLAP (On-line Analytical

Processing)

adalah

perpaduan dinamis,

analisis, dan konsolidasi dari data

multi-

dimensional yang besar.

Menurut Inmon (2005, p533) OLAP merupakan departemen pengolahan

untuk mart dan lingkupan.

Menurut Ponniah (2001, p352) karakteristik OLAP adalah:

Pengguna

memiliki multidimensional dan

logical view

dari

data di dalam

data warehouse.

Memfasilitasi query yang interaktif dan analisis yang kompleks kepada

pengguna .

Memungkinkan pengguna untuk menelusuri detail yang lebih baik atau untuk

menelusuri agregasi dari matriks sepanjang dimensi bisnis tunggal atau di

beberapa kumpulan dimensi.

Menyediakan

kemampuan

untuk

melakukan perhitungan

rumit dan

perbandingan.

Menyajikan hasil dalam beberapa cara, seperti chart atau grafik.

Jadi,

OLAP

adalah

analisis

data multidimensional

yang

besar

yang

digunakan untuk mengolah mart serta lingkupannya secara dinamis.

2.9

ETL (Extract, Transform, Loading)

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

“the process of finding data, integrating it, and placing it in a data warehouse”.

Proses

ETL

mengambil

data

dari

source

systems menggunakan

query.

ETL berkoneksi dengan

source system database dan mengambil data dengan

query.

Setelah data

hasil query diambil

langkah

selanjutnya

dilakukan eksekusi

proses ETL dan mengirimkannya ke database data warehouse.

ETL

(Extract,

Transform,

and

Load) adalah

proses

–

proses dalam

data

warehouse yang meliputi:

a. Mengekstrak data dari sumber – sumber eksternal.

b. Mentransformasikan data ke bentuk yang sesuai dengan keperluan.

c. Memasukkan data ke target akhir, yaitu data warehouse.

ETL

merupakan

proses

yang

sangat penting,

dengan

ETL

data

dapat

dimasukkan

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 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 yang historis, terpadu, terangkum, statis, dan

memiliki struktur yang dirancang untuk keperluan proses analisis.

2.9.1

Extract

Langkah

pertama

pada proses

ETL adalah

mengekstrak

data dari

sumber –

sumber data. Kebanyakan proyek data warehouse

menggabungkan data dari sumber – sumber yang berbeda. Sistem – sistem

yang terpisah sangat mungkin menggunakan format data yang berbeda.

Ekstraksi adalah mengubah data ke dalam suatu format yang berguna

untuk proses transformasi.

Pada

hakekatnya

proses

ekstraksi

adalah

proses

penguraian

dari

data yang diekstrak untuk mendapatkan

struktur atau pola data yang

diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka

data tidak dimasukkan ke dalam data warehouse.

2.9.2

Transform

Tahapan transformasi menggunakan serangkaian aturan –

aturan

atau

fungsi

–

fungsi

dalam data

yang

telah

diekstraksi,

yang

akan

menentukan

bagaimana

data

akan digunakan

untuk

analisis

dan

dapat

melibatkan

transformasi

seperti

penjumlahan

data, data

encoding,

penggabungan data, pemisahan data, kalkulasi data, dan pembuatan

surrogate key.

Data

akan

disimpan

dalam bentuk

detail

dan

ringkasan

untuk

menyediakan

fleksibilitas

dalam memenuhi

kebutuhan

informasi

yang

beragam pada

pengguna.

Data

tersebut

kemudian

dihubungkan

dengan

surrogate key (sebuah key yang menghubungkan struktur data warehouse

dan terpisah dari sistem sumber) dan diagregasi untuk mempercepat proses

analisis.

Output

dari

transformasi

adalah

data

yang

telah

bersih

dan

konsisten dengan data yang tersimpan pada warehouse, dan lebih jauh lagi

adalah dalam bentuk

yang

telah siap

untuk dianalisis oleh pengguna dari

data warehouse.

2.9.3

Loading data ke dalam data warehouse dapat terjadi setelah semua

transformasi dilakukan atau sebagai bagian dari proses transformasi.

Ketika

data

dimasukkan

dalam data

warehouse,

batasan

–

batasan

tambahan

yang

didefinisikan

dalam skema

database

dan

trigger

diaktivasi ketika loading data akan dilakukan, yang juga akan memberikan

kontribusi pada

keseluruhan

kualitas performa

dari proses

ETL.

Jangka

waktu proses loading bergantung pada kebutuhan organisasi.

Jadi,

ETL

adalah

proses

–

proses

dalam data

warehouse

yang

bertujuan untuk mengumpulkan, menyaring, mengolah, dan

menggabungkan data

yang relevan

dari

berbagai

sumber

untuk

disimpan

ke dalam data warehouse dengan menggunakan query.

2.10

Metadata

adalah

data

dari data. Menurut Inmon (2005, p102)

metadata

adalah sebuah komponen penting dalam

data warehouse, yang telah menjadi

bagian dari pengolahan

informasi

selama ada program dan data. Di dalam dunia

data warehouse, metadata berada dalam level yang penting, yaitu mempengaruhi

tujuan paling efektif dalam data warehouse. Dengan bantuan metadata, end user

dapat dengan cepat menuju data yang penting atau menentukan bahwa data

tersebut

tidak

ada. Metadata

juga

bertindak

seperti

indeks

dari

sebuah

data

warehouse.

Menurut Connoly dan Begg (2005, p1159) metadata juga bisa digunakan

untuk hal-hal berikut ini:

a. Proses

pengambilan

dan

pemuatan

data

(metadata

digunakan

untuk

memetakan sumber data ke dalam suatu view data di dalam warehouse).

b. Proses manajemen warehouse (metadata digunakan untuk otomatisasi

produksi dari tabel rangkuman).

c. Sebagai bagian dari proses manajemen query (metadata digunakan untuk

mengarahkan sebuah query ke sumber data yang paling tepat).

2.11

Data Mart

Menurut Connolly dan Begg (2005, p1171) data mart adalah subyek dari

data warehouse yang mendukung kebutuhan suatu departemen atau fungsi bisnis.

Sedangkan menurut Inmon (2005, p370) data mart adalah struktur data

yang didedikasikan

untuk memenuhi kebutuhan analisis

sekelompok orang,

seperti departemen akuntansi atau departemen keuangan.

Menurut Inmon (2005, p371) data mart terdiri dari dua tipe yaitu

independent data mart dan dependent data mart. Independent data mart adalah

data mart yang dibangun langsung dari aplikasi turunannya. Sedangkan

dependent data mart adalah suatu data mart yang dibangun dari data yang berasal

dari data warehouse.

2.12

Granularity

Menurut Inmon (2005, p41) granularity adalah masalah desain paling

penting dalam data warehouse. Karena mempengaruhi volume data yang berada

dalam data

warehouse

berbanding

terbalik

dengan

level

detail

dari

sebuah

query.

Semakin

kecil level

dari granularity,

semakin

fleksibel

data

yang

dikeluarkan.

Semakin

tinggi level granularity,

data

yang

dikeluarkan

malah

semakin tidak tetap.

2.13

Business Intelligence

2.13.1 Definisi Business Intelligence

Menurut

Turban,

et. al (2007, p24),

business intelligence

adalah

kerangka

kerja

konseptual

untuk

mendukung

keputusan bisnis. Business

intelligence menggabungkan

arsitektur,

basis

data atau

data warehouse,

analytical tools dan aplikasi.

Menurut

Forrester

Research,

business

intelligence adalah

serangkaian metodologi, proses, arsitektur, dan teknologi yang mengubah

data

mentah

menjadi

informasi

yang bermakna

dan berguna

untuk

menambah wawasan tactical

dan operasional serta untuk pengambilan

keputusan. (http://en.wi k ipedia.o rg/w iki/Bu s ines s _int e lli g en c e).

Jadi, business intelligence adalah serangkaian metodologi,

arsitektur, dan teknologi yang

mengubah data menjadi informasi yang

berguna untuk mendukung keputusan bisnis perusahaan.

2.13.2 Arsitektur Business Intelligence

Menurut Vercellis (2009, p9), arsitektur dari sebuah business

intelligence system, terdiri dari enam komponen utama yaitu:

1. Data sources

Pada tahap pertama, diperlukan suatu proses untuk mengumpulkan dan

mengintegrasikan data yang disimpan dalam berbagai sumber yang

bervariasi,

yang

mana

saling

berbeda baik itu asal maupun jenisnya.

Sumber ini kebanyakan berasal dari data

yang

terdapat pada operational

systems, tetapi bisa juga berasal dari dokumen yang tidak terstruktur

seperti email dan data yang dikirimkan oleh pihak luar.

2. Data warehouse dan data marts

Dengan

menggunakan

extraction

dan transformation

tool yang

dikenal

sebagai

ETL (extract, transform, load), data

yang

berasal

dari

berbagai

sumber yang berbeda disimpan ke dalam database

yang ditujukan

untuk

mendukung analisis business intelligence. Database inilah yang biasanya

dikenal dengan sebutan data warehouse dan data marts.

3. Data exploration

Pada level ketiga ini, tool yang berfungsi untuk keperluan analisis business

intelligence pasif

digunakan.

Tool ini

terdiri

dari

query

dan

reporting

systems, serta statistical methods. Metodologi ini bersifat pasif karena para

pengambil keputusan harus mengambil keputusan berdasarkan hipotesis

mereka sendiri atau mendefinisikan kriteria dari data extraction, kemudian

menggunakan tools analisis untuk menemukan jawaban dan

mencocokkannya dengan hipotesa awal mereka.

4. Data mining

Level keempat

ini

terdiri dari

sejumlah

metodologi business intelligence

yang

bersifat

aktif

yang

tujuannya

adalah

untuk

mengekstrak

informasi

dan pengetahuan dari data.

Metodologi ini berisi sejumlah model matematika untuk pengenalan pola,

pembelajaran

mesin,

dan

teknik data mining. Tidak seperti tool

yang

digunakan pada

level

sebelumnya,

model

dari business

intelligence

yang

bersifat aktif ini tidak mengharuskan para pengambil keputusan untuk

mengeluarkan hipotesis apapun.

5. Optimization

Pada level ini, solusi terbaik harus dipilih dari sekian alternatif yang ada,

biasanya sangat banyak dan beragam.

6. Decisions

Pada

level terakhir

ini

yang

menjadi persoalan utama

adalah

bagaimana

menentukan keputusan akhir yang akan diambil yang dikenal sebagai

decision making process.

Walaupun

metodologi business intelligence

berhasil diterapkan, pilihan

untuk mengambil sebuah keputusan ada pada

para pengambil keputusan. Pertimbangan untuk mengambil keputusan ini

biasanya

diambil

juga

dari

informasi yang tidak terstruktur serta tidak

formal dan memodifikasi rekomendasi serta kesimpulan yang dicapai

melalui penggunaan model matematika.

2.13.3 Jenis – Jenis Business Intelligence

Menurut Turban, et. al (2007, p257), business intelligence terbagi

ke dalam lima jenis yaitu:

1. Enterprise reporting

Enterprise reporting digunakan untuk menghasilkan laporan – laporan

statis yang didistribusikan ke banyak orang. Jenis laporan ini sangat

sesuai untuk laporan operasional dan dashboard.

2. Cube analysis

Tools cube yang berbasis pada business

intelligence digunakan

untuk

menyediakan analisis OLTP multidimensional yang ditujukan untuk

manajer bisnis dalam lingkungan yang terbatas.

3. Ad hoc querying and analysis

Tools

relational

OLAP digunakan untuk memberikan

akses

kepada

user agar dapat melakukan query

pada

database,

dan

menggali

informasi sampai pada tingkat paling dasar dari informasi

transaksional. Query ini berfungsi untuk mengeksplor informasi yang

dilakukan oleh user.

4. Statistical analysis and data mining

Tools statistic, matematis, dan

data mining digunakan untuk

melakukan

analisis

prediksi

atau menentukan

korelasi

sebab

akibat

diantara dua matrik. Analisis keuangan serta ramalan juga dilakukan

pada jenis ini.

5. Report delivery and alerting

Mesin distribusi laporan digunakan secara proaktif untuk mengirimkan

laporan secara lengkap atau memberikan

peringatan

kepada populasi

user

yang

besar

(internal

dan

eksternal).

Distribusi

ini

berdasarkan

pada jadwal dan event yang disimpan dalam database.

2.13.4 Siklus Hidup Business Intelligence

Menurut

www.athena -solutions.c o m ,

siklus

hidup

untuk

pengembangan

dan

implementasi

untuk

business intelligence,

data

warehousing, dan coorporate performance management yaitu:

1. Perancangan proyek, organisasi dan manajemen.

Bekerja

dengan

bisnis

untuk mengumpulkan

dan

menemukan

kebutuhan

bisnisnya,

membuat

model data

berdasarkan

pada

kebutuhannya

dan

mendesain

fungsional business

intelligence dari

kebutuhan yang telah ditemukan.

3. Mendesain model data dan basis data untuk mengimplementasikan

model ini.

4. Mengintegrasikan data dari aplikasi yang lain seperti CRM (Customer

Relationship Management), ERP (Enterprise Resource Planning), dan

Web.

5. Memilih dan menggunakan tools ETL (Extract, Transform, and Load)

kepada database yang dibutuhkan.

Memilih

dan

menggunakan

tools Business Intelligence

dan OLAP

(Online Analytical Processing) untuk

menyediakan fungsi bisnis yang

berguna bagi perusahaan.

2.13.5 Manfaat Business Intelligence

Menurut

Williams,

et. al

(2007,

p38), business intelligence dapat

digunakan untuk memberikan manfaat bagi sebuah bisnis secara umum

serta menghasilkan contoh - contoh nyata yang berhubungan dengan

fungsi bisnis tersebut. Manfaat tersebut yaitu:

1. Efisiensi transaksi

Efisiensi transaksi ini dapat dicapai karena dapat mengubah

proses - proses yang tidak terstruktur menjadi proses yang terstruktur

dan berulang - ulang. Contohnya adalah model optimisasi pendapatan

yang digunakan pada

industri

hotel dan penerbangan,

model optimasi

jaringan

logistic

dan rantai suplai yang digunakan

pada

industri

penyaluran dan jasa.

2. Otomatisasi proses manual

Proses –

proses yang tadinya dilakukan secara manual dapat

dibuat menjadi otomatis karena keberadaan manusia dapat dihilangkan

atau digantikan dalam sebuah proses. Contohnya adalah perencanaan

operasi dan penjualan, segmentasi

pelanggan, perancangan anggaran,

analisis perubahan, laporan kinerja, analisis produktivitas.

3. Penerapan teknik analisis

Sejumlah mode analisis yang kompleks dapat diintegrasikan ke

dalam proses

proses

yang

ada.

Metode

analisis

ini

memiliki

kemampuan analisis yang dapat dipercaya untuk dapat digunakan oleh

user

dengan hanya membutuhkan kurva

pembelajaran yang singkat.

Contohnya

adalah dashboard

dan

scorecard

eksekutif,

aplikasi

pendeteksi kecurangan dan penilaian kredit, analisis pengaturan

kampanye penjualan, ramalan penjualan, segmentasi pelanggan.

4. Pengiriman informasi

Business

intelligence dapat

mengirimkan

rincian

informasi

dalam

jumlah yang besar ke dalam

sebuah proses. Kumpulan

informasi transaksional yang ada pada perusahaan dapat dimanfaatkan

untuk

mendeteksi

penjualan

serta

mengurangi

biaya.

Contohnya

adalah pengenalan pola dan data mining, analisis rantai suplai, analisis

operasi, analisis tren pendapatan, aplikasi manajemen retail.

5. Pelacakan

Business

intelligence memberikan

kebebasan

untuk

melacak

status, input, dan output dari sebuah pekerjaan atau secara terperinci.

Sistem pelacakan

yang

dilakukan

secara

manual

berdasarkan

pada

lembar

kerja

dapat

digantikan

oleh

sistem yang

bersifat

otomatis.

Contohnya adalah dashboard, scorecard pemasok, inventori.

2.14

Teori Pendukung

2.14.1 Retailing

Menurut Berman dan Joel (2006, p4), retailing adalah

aktivitas

bisnis yang meliputi penjualan barang – barang dan jasa kepada konsumen

untuk kebutuhan pribadi mereka, keluarga, ataupun kebutuhan rumah

tangga.

Sedangkan

menurut Ronald dan Ricky (2009, p169) retailers

adalah mereka yang menjual produk secara langsung kepada pelanggan.

2.14.2 Pembelian

Menurut

Mulyadi (2001,

p299),

sistem pembelian digunakan

dalam perusahaan

untuk

pengadaan

barang

yang

diperlukan

oleh

perusahaan. Transaksi pembelian digolongkan menjadi dua yaitu

pembelian lokal dan impor. Pembelian lokal adalah pembelian dari

pemasok dalam negeri sedangkan pembelian impor adalah pembelian dari

pemasok luar negeri. Fungsi yang terkait dalam sistem pembelian adalah:

1. Fungsi

Gudang:

bertanggung

jawab

untuk

mengajukan

permintaan pembelian sesuai dengan posisi persediaan yang

ada di gudang dan untuk menyimpan barang yang telah

diterima oleh fungsi penerimaan.

Fungsi Pembelian: bertanggung jawab untuk memperoleh

informasi

mengenai harga

barang,

menentukan

pemasok

yang

dipilih

dalam pengadaan

barang,

dan

mengeluarkan

order pembelian kepada pemasok yang dipilih.

3. Fungsi Penerimaan: bertanggung jawab untuk memeriksa

mutu, jenis, dan kuantitas barang yang diterima dari pemasok

guna menentukan dapat tidaknya barang tersebut diterima

oleh perusahaan, dan untuk menerima barang dari pembeli

yang berasal dari transaksi retur penjualan.

Menurut Mulyadi (2001, p301), di dalam prosedur order

pembelian,

fungsi

pembelian

mengirim surat

order

pembelian

kepada

pemasok yang dipilih dan memberitahukan kepada unit –

unit organisasi

lain dalam perusahaan (misalnya fungsi penerimaan, fungsi yang meminta

barang) mengenai order pembelian yang sudah dikeluarkan oleh

perusahaan.

Sedangkan dalam prosedur penerimaan barang,

fungsi penerimaan

melakukan pemeriksaan mengenai jenis, kuantitas, dan mutu barang yang

diterima untuk menyatakan penerimaan barang dari pemasok tersebut.

Menurut Mulyadi (2001, p335), retur pembelian adalah barang

yang sudah diterima dari pemasok adakalanya tidak sesuai dengan barang

yang

dipesan

menurut

surat order

pembelian.

Hal

tersebut

terjadi

kemungkinan karena barang yang diterima tidak cocok dengan spesifikasi

yang tercantum dalam surat order pembelian, barang mengalami

kerusakan

dalam pengiriman,

atau

barang

diterima

melewati

tanggal

pengiriman

yang

dijanjikan

oleh

pemasok.

Sistem retur

pembelian

digunakan dalam perusahaan untuk pengembalian barang yang sudah

dibeli kepada pemasoknya.

2.14.3 Service Level Agreement

Menurut Hurwitz, et. al (2009, p152), negosiasi SLA (service level

agreement) merupakan perpaduan antara teknologi

informasi

dan

bisnis.

Beberapa

service-level adalah

non-negotiable.

Teknologi

informasi

dan

bisnis harus bekerja sama untuk membangun SLA tersebut.

Tipe SLA meliputi:

1. Lama respon.

2. Ketersediaan pada hari – hari yang ditentukan.

3. Perfect Order.

4. Adanya persetujuan terhadap suatu prosedur apabila terjadi

penurunan tingkat layanan yang telah disetujui.

2.14.4 Service Metrics

Menurut Ayers dan Odegaard (2008, p137) kebutuhan akan service

metrics didorong oleh keinginan untuk men-deliver dan menghasilkan

kualitas pelayanan yang tinggi. Service metrics merepresentasikan

indikator – indikator. Indikator – indikator yang digunakan adalah:

1. Order fill rate

Order fill rate adalah persentase pemenuhan kuantitas pemesanan

barang oleh supplier.

Order fill rate merupakan salah

satu komponen

yang menentukan perfect order.

2. On-time delivery

On-time delivery adalah pemenuhan ketepatan pengiriman barang oleh

supplier. On-time delivery juga

merupakan

salah satu komponen dari

perfect order

3. Perfect order

Perfect order berarti semua barang yang dipesan, dikirim tepat waktu

dan dokumen pemesanan yang terkait dilaksanakan dengan sempurna.

Perfect order tergantung pada order fill rate dan on-time delivery