BAB 2
LANDASAN TEORI
2.1 Pengertian Database
Menurut Connolly (2005, p15),
database adalah
kumpulan relasi-relasi
logikal
dari data, dan deskripsi dari data, yang dapat digunakan bersama dan dibuat untuk
memperoleh informasi yang dibutuhkan oleh perusahaan.
Menurut O’Brien (2005, p211),
database
adalah kumpulan terintegrasi dari
elemen data yang secara logika saling berhubungan.
Menurut Sawyer (2005, p116),
database
adalah kumpulan dari file–file yang
saling berhubungan pada sistem komputer.
2.2 Pengertian Datawarehouse
Menurut Kimball dan Caserta (2004, p23), datawarehouse adalah sebuah sistem
yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirimkan sumber data ke
dalam sebuah
penyimpanan
data
dimensional
dan
mendukung
serta
mengimplementasikan query dan analisis untuk tujuan pengambilan keputusan.
Menurut Inmon (2005, p.29), sebuah datawarehouse ialah sebuah kumpulan data
yang
mempunyai sifat
berorientasi
subjek,
terintegrasi, time-variant,
dan
bersifat
tetap
dari koleksi data dalam mendukung proses pengambilan keputusan managemen.
Menurut Laudon (2006, p.233), datawarehouse adalah database yang
menyimpan data penting saat
ini dan historis dari kebutuhan
informasi
untuk
manager
dalam perusahaan.
8
|
9
Menurut Inmon (2005, p.7), datawarehouse didefinisikan
dengan karakteristik
sebagai berikut:
1.
Subject Oriented (Berorientasi subjek)
Datawarehouse berorientasi subjek artinya datawarehouse
didesain untuk
menganalisa data berdasarkan subjek-subjek tertentu dalam organisasi, bukan pada
proses atau fungsi aplikasi tertentu.
Datawarehouse diorganisasikan disekitar
subjek-subjek
utama
dari
perusahaan
(customers,
products dan
sales)
dan
tidak
diorganisasikan
pada
area-area
aplikasi
utama
(customer
invoicing,
stock
control
dan
product
sales).
Hal
ini
dikarenakan
kebutuhan
dari datawarehouse
untuk
menyimpan data-data yang bersifat sebagai
penunjang suatu keputusan, dari pada
aplikasi yang berorientasi terhadap data. Jadi dengan kata lain, data yang disimpan
adalah berorientasi kepada subjek bukan terhadap proses.
2.
Integrated (Terintegrasi)
Datawarehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang
terpisah
kedalam suatu
format
yang
konsisten
dan
saling
terintegrasi
satu dengan
lainnya.
Dengan
demikian
data
tidak
bisa dipecah-pecah
karena
data
yang
ada
merupakan suatu kesatuan yang menunjang keseluruhan konsep datawarehouse itu
sendiri.
Syarat
integrasi
sumber
data
dapat
dipenuhi
dengan berbagai cara sepeti
konsisten
dalam penamaan
variabel,
konsisten
dalam ukuran
variabel,
konsisten
dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
Contoh
pada
lingkungan
operasional
terdapat
berbagai
macam aplikasi
yang
mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin dalam
aplikasi-aplikasi tersebut ada variabel yang memiliki maksud yang sama tetapi
|
10
nama dan
format
nya berbeda.
Variabel
tersebut
harus
dikonversi
menjadi
nama
yang sama dan format yang disepakati bersama. Dengan demikian tidak ada lagi
kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data
tersebut bisa dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.
3.
Non-Volatile
Karakteristik ketiga dari datawarehouse adalah non-volatile,
maksudnya data pada
datawarehouse
tidak
di-update
secara
realtime
tetapi
di
refresh dari sistem
operasional secara
reguler.
Data
yang baru
selalu ditambahkan
sebagai
suplemen
bagi
database
itu
sendiri dari
pada sebagai
sebuah
perubahan. Database
tersebut
secara kontinyu
menyerap data baru, kemudian secara incremental disatukan
dengan
data
sebelumnya.
Berbeda
dengan database operasional yang dapat
melakukan update, insert dan delete terhadap data yang mengubah isi dari database
sedangkan pada datawarehouse
hanya ada dua kegiatan
memanipulasi data
yaitu
loading
data (mengambil data) dan akses data (mengakses datawarehouse
seperti
melakukan query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan
updating data).
4.
Time-variant (Rentang Waktu)
Seluruh
data
pada
datawarehouse dapat dikatakan akurat atau
valid pada
rentang
waktu
tertentu.
Untuk
melihat
interval
waktu
yang
digunakan
dalam mengukur
keakuratan suatu datawarehouse, kita dapat menggunakan cara antara lain :
• Cara
yang paling
sederhana adalah
menyajikan datawarehouse pada
rentang
waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.
• Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan
dalam datawarehouse baik implicit maupun explicit secara explicit dengan unsur
|
![]() 11
waktu
dalam
hari,
minggu,
bulan
dsb. Secara implicit misalnya pada
saat data
tersebut
diduplikasi
pada setiap akhir
bulan, atau
per
tiga
bulan. Unsur
waktu
akan tetap ada secara implicit didalam data tersebut.
• Cara yang ketiga, variasi waktu yang disajikan datawarehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian
data tertentu
sesuai keinginan pemakai dari keseluruhan data
yang ada bersifat
read-only. Gambar di bawah adalah Aspek Time Variancy dari Datawarehouse
(Inmon, 2005, p.32)
Gambar 2.1 Time Variance Datawarehouse
(Sumber Inmon, 2005, p.32)
|
12
2.3 Pengertian Data mart
Menurut Connolly (2005, p1171), data mart adalah subset dari datawarehouse
yang mendukung kebutuhan informasi dari suatu departemen atau fungsi bisnis tertentu.
Data
mart
merupakan
suatu
bagian
dari datawarehouse
yang
dapat
mendukung
pembuatan laporan dan analisis data pada suatu unit, bagian, atau operasi perusahaan.
Menurut Larson (2006, p30),
data mart
dilambangkan sebagai
tubuh
dari data
historis didalam sebuah penyimpanan elektronik yang tidak berhubungan didalam
operasi
harian di perusahaan.
Melainkan data
ini
digunakan
untuk
membuat business
intelligence.
Data
di
dalam data
mart
biasanya
digunakan di area
yang
spesifik dari
perusahaan.
Karakteristik perbedaan data mart dan datawarehouse, yaitu :
1. Data mart hanya berfokus pada kebutuhan user
yang berkaitan dengan satu
departemen atau fungsi bisnis.
2. Data mart tidak mengandung data operasional secara detail, tidak seperti
datawarehouse
3. Data yang ada di dalam data mart lebih sedikit daripada yang ada di dalam
datawarehouse, data mart juga lebih mudah dimengerti dan dinavigasikan.
2.4 Pengertian Skema Bintang
Menurut Ponniah (2001, pp210-216), skema bintang adalah teknik dasar
perancangan data untuk
datawarehouse. Struktur skema bintang adalah suatu struktur
yang dapat dengan mudah dipahami dan digunakan oleh pengguna. Struktur tersebut
mencerminkan
bagaimana
pengguna
biasanya memandang ukuran-ukuran kritis
mengikuti dimensi-dimensi bisnis yang ada. Dalam skema bintang tergambar dua jenis
|
![]() 13
tabel, yaitu tabel dimensi dan tabel fakta.
Menurut Conolly dan Begg (2005, p1183), star schema adalah struktur logical
yang mempunyai sebuah tabel fakta berisi data factual yang ditempatkan di tengah dan
dikelilingi oleh tabel dimensi berisi data referensi (yang dapat didenormalisasi). Pada
gambar
dibawah
menggambarkan
struktur bagaimana pengguna biasanya memandang
ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang ada.
Gambar 2.2 Star Schema
(Sumber Connolly dan Begg, 2005, p1184)
|
14
2.5 Pengertian Extract Transform Load ( ETL)
Menurut
Inmon
(2002,
p390).
ETL
(Extract, Transform, Load)
adalah
proses
melakukan pencarian data,
mengintegrasikan, dan
menempatkan data ke dalam sebuah
datawarehouse.
Menurut Kimball dan Ross (2002, p401), ETL adalah kumpulan proses untuk
menyiapkan
data
dari operational source
untuk
datawarehouse.
Proses ini
terdiri dari
extracting, transforming,
loading
dan
beberapa
proses
yang
dilakukan
sebelum
dipublikasikan ke dalam datawarehouse.
Jadi, ETL adalah fase pemrosesan data dari sumber data masuk ke
dalam
datawarehouse. Tujuan dari ETL adalah mengumpulkan, menyaring, mengolah dan
menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam
datawarehouse. ETL juga dapat digunakan untuk mengintegrasikan data dengan sistem
yang sudah ada sebelumnya.
Hasil dari proses ETL adalah data yang memenuhi kriteria datawarehouse
seperti
data
historis,
terpadu,
terangkum, statis dan
memiliki
struktur
yang
dirancang
utuk keperluan proses analisis.
Proses ETL terdiri dari tiga tahap, yaitu :
1. Extract
Langkah pertama dari proses ETL adalah proses penarikan data dari satu atau lebih
sistem operasional
sebagai
sumber
data (data
bisa
diambil
dari
OLTP).
Pada
hakikatnya, proses ekstrasi adalah proses penguraian dan pembersihan data yang
diekstrak untuk mendapatkan suatu pola atau struktur data yang diinginkan.
|
15
2. Transform
Proses membersihkan data yang telah diambil pada proses ekstrak sebelumnya
sehingga data itu sesuai dengan struktur datawarehouse atau data mart.
Hal-hal yang dapat dilakukan dalam tahap transformasi adalah sebagai berikut :
-
Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam datawarehouse
-
Menerjemahkan
nilai
berupa
kode
(misal database
sumber
menyimpan
nilai
1
untuk pria dan 2 untuk wanita, tetapi datawarehouse
menyimpan M untuk pria
dan F untuk wanita). Proses yang dilakukan disebut automated data cleansing,
tidak ada pembersihan secara manual selama proses ETL
-
Mengkodekan nilai-nilai ke dalam bentuk bebas (misalnya memetakan “male”,
“I”, “Mr” ke dalam “M”)
-
Melakukan perhitungan nilai-nilai baru (misal, sale_amount= qty*unit_price)
-
Menggabungkan data dari berbagai sumber bersama-sama
Membuat ringkasan dari sekumpulan baris data (misalnya total penjualan untuk
setiap bagian).
Kesulitan yang terjadi pada proses transformasi adalah data harus digabungkan dari
beberapa sistem terpisah. Oleh karena itu harus dibersihkan sehingga konsisten dan
harus diagregasi untuk mempercepat analisis.
3. Load
Fase
load
merupakan
tahapan
yang
berfungsi
untuk
memasukkan data
ke
dalam
target
akhir,
yaitu
ke
dalam suatu
datawarehouse.
Waktu
dan
jangkauan
untuk
mengganti
atau
menambah
data tergantung
pada
perancangan datawarehouse
pada
waktu menganalisa keperluan informasi.
|
16
Fase load berinteraksi dengan suatu database, constraint didefinisikan dalam skema
database
sebagai
suatu
trigger
yang
diaktifkan
pada
waktu
melakukan load
data
(contohnya
:
uniqueness,
referential, integrity, mandotary fields)
yang
juga
berkontribusi untuk keseluruhan tampilan dan kualitas data dari proses ETL.
2.6 Pengertian Metadata
Menurut Inmon (2002, p393), metadata adalah data mengenai data atau deskripsi
dari struktur, isi, kunci, indeks, dan lain-lain mengenai data. Sedangkan Mallach (2002,
p474)
mengatakan metadata adalah data tentang data yang berguna sebagai pusat
penyimpanan
informasi untuk
menjelaskan kepada user
tentang apakah datawarehouse
itu, dari mana asalnya dan siapa yang bertanggung jawab atas hal tersebut dan
sebagainya.
Menurut
Connolly
(2005,
p1055), metadata
digunakan
untuk
berbagai
tujuan
meliputi :
-
Proses ekstraksi dan loading. Metadata digunakan untuk memetakan sumber data ke
dalam pandangan umum dari data dalam warehouse.
-
Proses
manajemen
warehouse.
Metadata
digunakan
untuk
mengotomatiskan
pembuatan tabel ringkasan.
-
Sebagai
bagian
dari
proses
manajemen
query.
Metadata
digunakan
untuk
menghubungkan suatu query dengan sumber data yang tepat.
|
17
Metadata dalam datawarehouse dibagi menjadi 3 kategori (Ponniah, 2001, p36), yaitu :
-
Metadata
operasional,
berisi
mengenai
informasi
tentang
sumber
data
operasional
yang memiliki struktur data
yang berbeda, ukuran field yang berbeda, dan tipe data
yang berbeda.
-
Metadata
ekstraksi
dan
transformasi,
berisi
mengenai
data
ekstraksi
dari
sumber
data, penamaan, frekuensi ekstraksi, metode ekstraksi, dan peraturan untuk ekstraksi.
-
Metadata pengguna akhir, adalah sebuah peta navigasi dari datawarehouse. Ini
memampukan pengguna akhir untuk menemukan informasi dari datawarehouse.
2.7 Pengertian Data Mining
Menurut Han, Jiawei (2006, p5) data mining merupakan
pemilihan
atau
“menambang” pengetahuan dari jumlah data
yang
banyak. Sedangkan
menurut
Berry
(2004, p7), data mining adalah
kegiatan
mengeksplorasi
dan
menganalisis
data
dalam
jumlah
yang
besar
untuk
menemukan
pattern dan
rule
yang
berarti.
Data
mining
digunakan
untuk
mencari
informasi bisnis
berharga dari basis data yang sangat besar,
yang dipakai untuk
memprediksi trend dan sifat-sifat bisnis serta pola-pola yang tidak
diketahui sebelumnya.
Menurut
Prescott,
Hoffer
dan
McFadden
(2005,
p482),
data
mining adalah
penemuan
pengetahuan
dengan
menggunakan
teknik-teknik
yang
tergabung
dari
statistic, tradisional, artificial intelligence dan grafik computer.
Menurut
Han
(2006,
p21),
Fungsi
data
mining
digunakan
untuk
menentukan
jenis
pola
yang
terdapat
dalam database.
Dalam
beberapa
kasus,
mungkin
beberapa
pengguna
tidak
tahu
bahwa pola-pola
menarik
yang
terdapat
dalam data
mereka,
dan
karena hal itu mereka ingin mencari beberapa jenis pola data secara parallel. Karenanya
|
18
data mining sistem memiliki peranan penting dalam menghasilkan jenis-jenis pola yang
berbeda untuk mengakomodasi keinginan pengguna akan pola yang beragam.
Selanjutnya,
sistem data mining
harus
dapat
menemukan bermacam-macam pola dari
berbagai
macam sumber.
Sistem data
mining
juga
harus
membantu
pengguna
untuk
menemukan petunjuk yang tepat dan spesifik. Karena beberapa pola dalam data mining
tidak
menyimpan seluruh datanya dalam database,
ukuran kepastian atau kepercayaan
biasanya terkait dengan setiap pola yang ditemukan.
Menurut
Berson,
Smith,
dan
Thearling
(2000.
P37-38) pada
dasarnya
aplikasi
data mining digunakan untuk melakukan empat macam funsi, yaitu :
1. Fungsi Klasifikasi (Classification)
Data mining dapat digunakan untuk mengelompokan data-data yang jumlahnya
besar menjadi data-data yang lebih kecil.
2. Fungsi Segmentasi (Segmentation)
Disini data mining juga digunakan
untuk melakukan segmentasi (pembagian)
terhadap data berdasarkan karakteristik tertentu.
3. Fungsi Asosiasi (Association)
Pada
fungsi
asosiasi
ini,
data
mining
digunakan
untuk
mencari
hubungan
antara
karakteristik tertentu.
4. Fungsi Pengurutan (Sequencing)
Pada fungsi
ini, data mining digunakan
untuk
mengidentifiksaikan perubahan pola
yang terjadi dalam jangka waktu tertentu.
|
19
2.8 Pengertian Business Intelligence
Menurut David (2003, p.6), business
intelligence adalah proses, teknologi, dan
alat bantu yang digunakan untuk
mengubah data menjadi
informasi,
informasi
menjadi
pengetahuan,
dan
pengetahuan
menjadi rencana
yang
digunakan
untuk
menggerakan
tindakan
bisnis
yang
menguntungkan. Business intelligence menggunakan data
warehousing, business analytic tools, dan knowledge management.
Menurut
Oguz
(2003),
business
intelligence
adalah
kategori
luas
dari
aplikasi
dan teknik untuk mengumpulkan, menyimpan, dan menganalisis, dan menyediakan
akses ke data untuk
membantu pengguna dalam membuat keputusan bisnis dan
keputusan strategis yang lebih baik.
Menurut Larson (2006, p.11), business intelligence yaitu menyampaikan
informasi yang akurat dan berguna kepada para pembuat keputusan dalam suatu batasan
waktu untuk mendukung pembuatan keputusan yang efektif.
Tujuan
dari
business intelligence
adalah
untuk
memungkinkan
akses
yang
interaktif (terkadang real-time) terhadap data, dan memberikan kemampuan kepada para
manager serta analisis bisnis untuk melakukan analisis yang tepat. Dengan menganalisis
data, situasi, dan performa yang bersifat historical serta actual, pembuatan keputusan
akan lebih bernilai sehingga memungkinkan
mereka, para pengambil keputusan untuk
membuat
keputusan
yang
lebih
baik.
Proses
dari business
intelligence berdasarkan
transformasi dari data menjadi informasi, kemudian menjadi keputusan, dan pada
akhirnya menjadi tindakan (Turban, 2007, p. 24). Menurut Bart Czernicki arsitektur dari
business intelligence adalah sebagai berikut :
|
![]() 20
Gambar 2.3 Arsitektur Business Intelligence
(Sumber Bart Czernicki, 2010, p11)
Beberapa
keuntungan
yang
didapatkan
bila
suatu
organisasi
mengimplementasikan business intelligence adalah sebagai berikut:
1.
Meningkatkan nilai data dan informasi organisasi
Melalui pembangunan business intelligence, maka seluruh data dan informasi
dapat diintegrasikan sedemikian rupa sehingga
menghasilkan
pengambilan
keputusan yang lengkap. Informasi-informasi yang dulunya tidak dicakupkan
sebagai salah satu faktor pengambilan keputusan dapat dengan mudah dilakukan
‘connecty and combine’ dengan menggunakan
business intelligence. Data dan
informasi yang dihasilkan pun juga menjadi lebih mudah diakses dan lebih mudah
untuk dimengerti.
|
21
2.
Memudahkan pemantauan kinerja organisasi
Dalam mengukur
kinerja
suatu
organisasi
seringkali
dipergunakan
ukuran
yang
disebut
key performance indicator
(KPI). KPI tidak selalu diukur dengan satuan
uang,
namun
dapat
juga
berdasarkan
kecepatan pelaksanaan suatu
layanan.
Business
intelligence dapat
dengan
mudah
menunjukkan
pencapaian
KPI
suatu
organisasi dengan mudah, cepat, dan tepat. Dengan demikian akan memudahkan
pihak-pihak
yang
terlibat
dalam pengambilan
keputusan
untuk
langkah-langkah
antisipasi yang diperlukan.
3.
Meningkatkan nilai investasi teknologi informasi yang sudah ada
Business intelligence tidak
perlu/harus
mengubah
atau
menggantikan
sistem
informasi
yang
sudah
digunakan
sebelumnya.
Sebaliknya,
business intelligence
hanya
menambahkan
layanan
pada
sistem-sistem tersebut
sehingga
data
dan
informasi yang sudah ada dapat menghasilkan informasi yang komprehensif dan
memiliki kegunaan yang lebih baik.
4.
Menciptakan pegawai yang memiliki akses informasi yang baik
Dalam melaksanakan pekerjaanya sehari-hari, seluruh level dari suatu organisasi
selalu berkaitan dan/atau membutuhkan akses data dan informasi. Business
intelligence
mempermudah
seluruh
level
pegawai
dalam mengakses
data
dan
informasi yang diperlukan sehingga membantu membuat
suatu keputusan. Jika
seperti ini tercapai, maka misi dan strategi organisasi yang sudah ditetapkan dapat
dengan lebih mudah terlaksana terpantau tungkat pencapaiannya.
|
22
2.9 Pengertian OLAP (Online Analytical Processing)
Sebuah
OLAP
digunakan
untuk
mengelola informasi
yang
dapat
dilihat
dari
berbagai
aspek.
OLAP
memungkinkan
pengguna untuk mendapatkan pengertian dan
pengetahuan yang lebih dalam tentang berbagai aspek dari data perusahaan secara cepat,
konsisten
dan
akses
yang
interaktif
ke
seluruh view dari
data
yang
memungkinkan.
Menurut Connolly dan Begg (2002, p1101), OLAP adalah istilah yang mendeskripsikan
sebuah
teknologi
yang menggunakan
multidimensional
view
dari
agregat
data
untuk
menyediakan
akses
yang
cepat
bagi
informasi
strategis
dengan
tujuan -
tujuan
dari
advance analysis.
2.10 Pengertian OLTP (Online Transaction Processing)
Banyak perusahaan yang membutuhkan kegiatan untuk menyimpan semua hal
yang telah dilakukan perusahaan tersebut
untuk menjalankan bisnis mereka. Karena
banyaknya kebutuhan untuk menyimpan data secara bersamaan, sebuah perusahaan
membutuhkan sebuah sistem OLTP. Menurut Connolly dan Begg (2005, p1149), OLTP
adalah suatu sistem yang telah dirancang untuk menangani jumlah
hasil transaksi
yang
tinggi, dengan transaksi yang ada pada umumnya membuat perubahan yang kecil bagi
data operasional oranisasi. Oleh karena
itu data organisasi memerlukan penanganannya
operasinya setiap hari.
Transactional data merupakan informasi yang disimpan, digunakan untuk
mengawasi interaksi atau transaksi bisnis yang dilakukan oleh perusahaan. Secara umum
perusahaan
membutuhkannya
untuk
terus
mengawasi
apa
yang
telah
terjadi
dan
apa
yang
harus
dilakukan.
Ketika
transaksi
–
transaksi ini disimpan dan
dikelola
oleh
komputer, inilah disebut sebagai OLTP (Larson, 2006, p27).
|
23
Sistem OLTP
dirancang
untuk
memungkinkan
terjadinya
concurrency
yang
tinggi,
membuatnya mungkin bagi
banyak pengguna,
untuk
mengakses
sumber data
yang
sama
serta
melakukan
proses
yang
mereka butuhkan. Setiap interaksi yang
dilakukan perusahaan
dalam bisnisnya
adalah transaksi
bisnis,
sehingga
dapat disebut
sebagai transactional data.
Seluruh
penjumlahan
dari
transaksi –
transaksi tersebut
yang disimpan
dalam
sistem OLTP
adalah
sebuah
histori
dari
sebuah
perusahaan.
Data
transaksi
ini
mengandung angka- angka
yang
mentah,
yang digunakan untuk menghitung ukuran-
ukuran yang digunakan untuk membuat business inteligence.
2.11 Pengertian Dashboard
Menurut Malik (2005) sebuah dashboard adalah sebuah tampilan komputer yang
kaya dengan grafik, laporan, indicator visual, dan mekanisme pengumuman yang
digabungkan menjadi sebuah tampilan informasi yang dinamis dan relevan.
Menurut
Few
(2006,
p34),
Dashboard
adalah
tampilan
visual
dari
informasi
yang
paling
penting
yang
diperlukan untuk mencapai satu atau beberapa tujuan yang
digabungkan serta disusun dalam sebuah layar sehingga informasi tersebut dapat diakses
dengan mudah.
Oleh
karena
itu,
sebuah
dashboard
dapat
menjadi
sebuah
ringkasan
pengukur
dari
sebuah
performa
bisnis
terpenting
yang telah
terlaksana.
Tiap-tiap
komponen
dashboard yang ditampilkan pada layar, memberikan suatu informasi spesifik dari
sebuah pengukuran.
Sama seperti sebuah dashboard
yang
terdapat
pada
mobil atau
motor
yang
menyediakan
informasi
kritis
yang
diperlukan
untuk
menjalankan
mobil
|
24
tersebut,
dashboard
juga
memiliki
tujuan
yang
serupa,
yaitu
dalam
mendukung
keputusan strategis tau kegiatan operasional harian.
Menurut
Malik
(2005, p8),
karakteristik
dasar
yang
harus
dimiliki
sebuah
dashboard dapat dijelaskan dengan singkatan
SMART.
Adapun
elemen-elemen
dari
SMART adalah sebagi berikut :
-
Synergetic
Harus ergonomis dan efektif secara visual bagi sebuah pengguna untuk
mengsinergiskan informasi menyangkut aspek-aspek berbeda dalam sebuah tampilan
layar tunggal.
-
Monitor KPI
Harus menampilkan Key Performance Indicators yang kritis yang dibutuhkan dalam
membuat keputusan efektif.
-
Accurate
Informasi yang ditampilkan haruslah akurat agar dapat meraih kepercayaan diri yang
penuh
dari
pengguna
dalam kepada
dashboard.
Data-data
yang
mendukung
dashboard harus sudah dicoba dan divalidasikan dengan baik.
-
Responsive
Harus bisa merespon terhadap perubahan dengan menciptakan peringatan kepada
pengguna
dalam bentuk
tampilan
visual pada
dashboard
untuk
menarik
perhatian
pengguna kepada masalah kritis secepat mungkin.
-
Timely
Harus menampilkan informasi yang paling baru agar dapat mengambil
keputusan
yang efektif. Informasi tersebut haruslah real-time dan right-time.
|
![]() 25
2.12 Langkah – Langkah Pengembangan Business Intelligence
Gambar 2.4 Engineering stages
(Sumber Business Intelligence Roadmap, 2003, p6)
1. Justification : Menetapkan kebutuhan bisnis yang mendukung proyek baru.
2. Planning
:
Mengembangkan strategi dimana proyek dapat diselesaikan dan
dikembangkan.
3. BusinessAnalysis : Menampilkan analisis secara rinci dari
masalah bisnis atau
peluang bisnis untuk mendapatkan solusi yang berpotensi.
4. Design
:
Menyusun solusi untuk menyelesaikan permasalahan bisnis atau
untuk mendapatkan peluang bisnis.
5. Construction
:
Membangun solusi yang
harus menyediakan pengembalian
investasi dengan jangka waktu yang sudah ditentukan.
|
![]() 26
Gambar 2.5 Development Step Dependencies
Sumber (Business Intelligence Roadmap, 2003, p15)
The Justification Stage
Langkah 1: Business Case Assesment
Masalah bisnis atau peluang bisnis didefinisikan dan solusi business intelligence yang
diusulkan.
Masing-masing aplikasi business intelligence yang dikeluarkan
harus sesuai
dengan yang biaya telah ditentukan dan harus didefinisikan secara jelas keuntungan dari
penyelesaian masalah bisnis atau mengambil keuntungan dari peluang bisnis.
|
27
Kegiatan Business Case Assesment
Tentukan
kebutuhan bisnis,
menilai
solusi dari
sistem pendukung keputusan,
menilai
sumber-sumber operasional dan prosedur, menilai para pesaing business intelligence,
menentukan
tujuan
aplikasi business
intelligence,
mengusulkan
solusi
business
intelligence, lakukan analisis biaya, melakukan
penilaian risiko, menulis laporan
penilaian
The Planning Stage
Langkah 2: Enterprise Infrastructure Evaluation
Aplikasi business intelligence adalah inisatif yang digunakan banyak perusahaan, sebuah
infrastruktur
perusahaan harus diciptakan untuk mendukung mereka. Beberapa
komponen
infrastruktur
mungkin
sudah
berada
di
tempat
sebelum proyek
business
intelligence pertama
diluncurkan.
Komponen
infrastruktur
lainnya
mungkin
harus
dikembangkan dari waktu ke waktu sebagai bagian dari proyek business
intelligence.
Sebuah infrastruktur perusahaan memiliki dua komponen:
1. Technical
Infrastructure,
yang
mencakup
perangkat
keras,
perangkat
lunak,
middleware,
sistem
manajemen
database,
sistem operasi,
komponen
jaringan,
repository metadata, utilitas, dan seterusnya.
Kegiatan Technical Infrastructure
Menilai platform yang ada, mengevaluasi dan memilih produk-produk baru, menulis
laporan penilaian teknis infrastruktur, memperluas platform saat ini
2. NonTechnical Infrastructure, yang meliputi metadata standar, data-penamaan
standar, data model perusahaan logis (berkembang), metodologi, pedoman, prosedur
|
28
pengujian, perubahan pengendalian proses, prosedur untuk manajemen isu dan
penyelesaian sengketa, dan sebagainya.
Kegiatan NonTechnical Infrastructure
Menilai efektivitas komponen nontechnical infrastructure yang ada, menulis laporan
penilaian infrastruktur nonteknis, meningkatkan infrastruktur nonteknis
Langkah 3: Project Planning
Keputusan business intelligence mendukung proyek-proyek
yang
sangat
dinamis
Perubahan ruang lingkup, staf, anggaran, teknologi, perwakilan bisnis, dan sponsor
sangat dapat mempengaruhi keberhasilan proyek. Oleh karena itu, perencanaan proyek
harus rinci, dan kemajuan yang sebenarnya harus diawasi ketat dan dilaporkan.
Kegiatan Project Planning
Tentukan persyaratan proyek, tentukan kondisi sumber file dan database, tentukan atau
merevisi perkiraan biaya, merevisi penilaian risiko, mengidentifikasi faktor-faktor
keberhasilan, siapkan project charter, buat rencana proyek tingkat tinggi, kickoff proyek.
The Business Analysis Stage
Langkah 4: Project Requirement Definition
Mengelola lingkup proyek adalah salah satu tugas yang paling sulit di dalam keputusan
business intelligence yang mendukung proyek-proyek. Sangat sulit mengurangi
keinginan untuk mendapatkan hal hal yang instan, tetapi membatasi keinginan itu adalah
salah satu aspek yang paling penting dari negosiasi persyaratan untuk setiap
penyampaiannya.
Tim proyek
harus
mengharapkan persyaratan
untuk berubah selama
|
29
siklus
pembangunan
sebagai
pembelajaran orang
bisnis
mengenai
kemungkinan
dan
keterbatasan dari teknologi business intelligence selama menjalankan proyek.
Kegiatan Project Requirement Definition
Tentukan
persyaratan
untuk
peningkatan infrastruktur teknis,
menentukan
persyaratan
untuk peningkatan infrastuktur nonteknis, menetapkan persyaratan untuk sumber data,
tentukan persyaratan untuk sumber data, review lingkup proyek, memperluas model data
logis, tentukan persiapan perjanjian tingkat layanan, menulis dokumen aplikasi
persyaratan
Langkah 5: Data Analysis
Tantangan terbesar untuk semua
pendukung keputusan
proyek-proyek business
intelligence adalah
kualitas
dari
sumber
data.
Kebiasaan
buruk
yang
dikembangkan
selama beberapa dekade sulit untuk dihentikan, dan kerusakan yang diakibatkan dari
kebiasaan
buruk
adalah
biaya
mahal, memakan
waktu,
dan
sulit
menemukan
suatu
kebenaran. Selain itu, data analisis di masa lalu terbatas pada pandangan satu baris bisnis
dan
tidak
pernah konsolidasi
atau
berdamai dengan
pandangan
lain dalam organisasi.
Langkah
ini
mengambil persentase yang signifikan dari waktu yang diberikan dengan
jadwal keseluruhan proyek.
Kegiatan Data Analysis
Analisis sumber data eksternal, memperbaiki Logical data model, menganalisis kualitas
sumber data, memperluas logical data model perusahaan, menyelesaikan perbedaan
data, menulis data-pembersihan spesifikasi
Langkah 6: Application Prototyping
|
30
Analisis dari penyampaian fungsional, yang dulu
disebut
analisis sistem,
yang
terbaik
adalah
dilakukan
melalui
prototipe
sehingga dapat
dikombinasikan
dengan
desain
aplikasi. Alat-alat baru dan bahasa pemrograman memungkinkan pengembang untuk
dengan
cepat
membuktikan
atau
menyangkal
suatu
konsep atau
ide. Prototyping juga
memungkinkan orang-orang bisnis untuk melihat potensi dan batas-batas teknologi,
yang memberikan mereka kesempatan untuk menyesuaikan kebutuhan proyek mereka
dan harapan mereka.
Kegiatan Application Prototyping
Menganalisis kebutuhan akses, menentukan cakupan prototipe, pilih alat untuk
prototipe, siapkan prototipe
chapter, desain laporan dan query,
membangun
prototipe,
menunjukkan prototipe
Langkah 7: Metadata Repository Analysis
Memiliki peralatan lebih berarti
memiliki
metadata yang
lebih teknis di samping data
bisnis
meta,
yang
biasanya
ditangkap
dalam rekayasa
perangkat
lunak
berbantuan
komputer (CASE) alat pemodelan. Metadata teknis yang perlu dipetakan ke data bisnis
meta,
dan
semua
metadata
harus
disimpan
dalam repository
metadata.
Metadata
repository dapat dibeli atau dibangun. Dalam kasus yang
lain, persyaratan
untuk jenis
metadata untuk menangkap dan menyimpan harus didokumentasikan dalam logical meta
model. Ketika lisensi produk repository metadata, persyaratan didokumentasikan pada
logical
data
model
harus
dibandingkan
dengan
model
meta vendor, jika
disediakan.
Selain itu, persyaratan untuk menyampaikan
metadata
untuk
komunitas
bisnis
harus
dianalisis (misalnya, fungsi Help).
|
![]() 31
Kegiatan Metadata Repository Analysis
Menganalisis kebutuhan repository metadata, menganalisis kebutuhan antarmuka untuk
repository
metadata,
penganalisis repository
metadata
dan
kebutuhan
laporan,
buat
logical metadata, buat meta-meta data
Design Stage
Langkah 8: Database Design
Satu atau lebih database sasaran
business
intelligence
akan menyimpan data bisnis
dalam bentuk
rinci
atau
berhubungan,
tergantung
pada
persyaratan
pelaporan
dari
komunitas bisnis. Tidak semua persyaratan pelaporan
yang strategis, dan
tidak semua
dari
mereka
adalah
multidimensi.
Skema
desain
database
harus
sesuai
dengan
kebutuhan akses informasi dari komunitas bisnis.
Kegiatan Database Design
Meninjau kebutuhan akses data, menentukan agregasi dan ringkasan persyaratan, desain
database sasaran business
intelligence, desain stuktur database,
membangun database
sasaran business intelligence,
mengembangkan
prosedur
pemeliharaan
database,
bersiaplah untuk memantau dan menyesuaikan desain database
Langkah 9: Extract / Transform / Load Design
Sekumpulan proses ETL yang bersifat kecil, namun
rendahnya kualitas sumber data
biasanya
memerlukan
banyak
waktu
untuk
menjalankan
program transformasi
dan
pembersihan. Penyelesaian sekumpulan proses ETL adalah tantangan bagi kebanyakan
organisasi.
|
![]() 32
Kegiatan Extract / Transform / Load Design
Buat sumber
untuk sasaran pemetaan dokumen,
menguji
fungsi alat ETL, desain aliran
proses ETL, desain program ETL, mengatur staging area ETL
Langkah 10: Metadata Repository Design
Jika repository metadata yang berlisensi, kemungkinan besar akan harus ditingkatkan
dengan
fitur
yang
didokumentasikan pada
logical
data
model
tetapi
tidak
disediakan
oleh produk. Jika repository metadata sedang dibangun, keputusan harus dibuat apakah
repository metadata
desain
database
akan
berdasarkan
hubungan
antara
entitas
atau
object
oriented. Dalam
kedua
yang
lain,
desain
harus
memenuhi persyaratan
logical
meta model.
Kegiatan Metadata Repository Design
Desain
database
repositoy
metadata,
menginstal dan
menguji
produk
repository
metadata, desain proses migrasi metadata, desain aplikasi metadata
The Construction Stage
Langkah 11: Extract / Transform / Load Development
Banyak alat yang tersedia untuk proses ETL, beberapa canggih dan beberapa sederhana.
Tergantung pada persyaratan untuk pembersihan data dan transformasi data yang
dikembangkan selama Langkah 5, Analisis Data, dan Langkah 9, ETL Desain, alat ETL
mungkin atau tidak mungkin bukan solusi terbaik. Dalam kasus lain, preprocessing data
dan ekstensi menulis untuk melengkapi kemampuan dari alat ETL yang sering
diperlukan.
|
33
Kegiatan Extract / Transform / Load Development
Membangun dan menguji unit proses ETL, integrasi atau uji regresi proses ETL, kinerja
pengujian proes
ETL,
jaminan Kualitas pengujian proses
ETL, penerimaan pengujian
proses ETL
Langkah 12: Application Development
Setelah
upaya
prototipe
telah
menguat
sampai
persyaratan
fungsional,
perkembangan
dari akses dan aplikasi analisis dapat dimulai. Mengembangkan aplikasi dapat menjadi
masalah sederhana menyelesaikan sebuah prototipe operasional, atau dapat lebih
melibatkan
upaya pengembangan
yang
menggunakan perbedaan, akses yang lebih kuat
dan alat analisis. Dalam kasus lainnya, kegiatan aplikasi front-end pembangunan
biasanya
dilakukan
secara paralel dengan kegiatan back-end
ETL
pengembangan
dan
pengembangan metadata repository.
Kegiatan Application Development
Tentukan persyaratan proyek akhir, desain program aplikasi, membangun dan
menguji
unit
program aplikasi,
uji
program
aplikasi,
menyediakan
akses
data
dan
pelatihan
analisis
Langkah 13: Data Mining
Banyak
organisasi
tidak
menggunakan business
intelligence untuk
mendukung
pengambilan
keputusan
mereka.
Aplikasi business
intelligence sering
terbatas
pada
penulisan laporan, beberapa di antaranya bahkan bukan tipe baru dari laporan tapi
pengganti laporan
lama. Umpan balik berasal
dari
informasi
yang tersembunyi
dalam
data organisasi, yang dapat ditemukan hanya dengan alat data mining.
|
34
Kegiatan Data Mining
Pengelompokan
masalah bisnis,
mengumpulkan data, konsolidasi dan membersihkan
data,
siapkan
data,
membangun
model
data analitikal,
menginterpretasikan
hasil data
mining, melakukan validasi eksternal dari hasil, monitor data model analitical dari
waktu ke waktu.
Langkah 14: Metadata Repository Development
Jika
keputusan
dibuat
untuk
membangun
sebuah repository
metadata
daripada
satu
lisensi, sebuah tim terpisah biasanya diisi dengan proses pengembangan. Ini proyek yang
cukup besar menjadi dalam proyek business intelligence secara keseluruhan.
Kegiatan Metadata Repository Development
Membangun database repository metadata, membangun dan
menguji
unit proses
migrasi metadata,
membangun
dan
menguji
unit
apliaksi
metadata,
uji
program
repository
metadata atau
fungsi produk,
siapkan
repository metadata
untuk
produksi,
menyediakan pelatihan repository metadata.
|