BAB 2 Landasan Teori Teori umum adalah sebuah pernyataan...
Transcript of BAB 2 Landasan Teori Teori umum adalah sebuah pernyataan...
7
BAB 2
Landasan Teori
2.1 Teori Umum
Teori umum adalah sebuah pernyataan yang dianggap benar maka
akan berlaku secara universal. Teori umum merupakan dasar untuk
mengembangkan teori selanjutnya yang lebih khusus (spesifik). Berikut teori
umum yang digunakan:
2.1.1 Pengertian Data
Menurut Wahyudi (2008:2) pengertian data adalah informasi yang
telah diterjemahkan ke dalam bentuk yang lebih sederhana untuk
melakukan suatu proses. Sehubungan dengan komputer saat ini dan media
transmisi, jadi data adalah informasi yang diubah menjadi bentuk digital
biner.
Sedangkan menurut Agus Mulyanto (2009:15) pengertian data adalah
merupakan definisi sebagai representasi dunia nyata mewakili suatu objek
seperti manusia, hewan, peristiwa, konsep, keadaan dan sebagainya yang
direkam dalam bentuk angka, huruf, simbol, teks, gambar, bunyi, atau
kombinasinya. Dengan kata lain data merupakan kenyataan yang
menggambarkan suatu kejadian dan kesatuan yang nyata. Data merupakan
material atau bahan baku yang belum mempunyai makna atau belum
berpengaruh langsung kepada pengguna sehingga perlu diolah untuk
dihasilkan sesuatu yang lebih bermakna.
Adapun pendapat lain, menurut Turban (2010:41) pengertian data
adalah deskripsi dasar yang berasal dari sebuah benda, peristiwa, aktivitas
dan transaksi yang direkam, dikelompokkan, dan disimpan, akan tetapi
belum terorganisir untuk menyampaikan arti tertentu.
2.1.2 Pengertian Informasi
Menurut Agus Mulyanto (2009:12) pengertian informasi adalah data
yang diolah menjadi bentuk yang lebih berguna dan lebih berarti bagi yang
menerima nya, Sedangkan data merupakan sumber informasi yang
8
menggambarkan suatu kejadian nyata yang berdasarkan peristiwa dan
keadaan.
Sedangkan menurut Jimmy L.Goal (2008:8) pengertian informasi
adalah suatu data yang telah diproses atau diolah kedalam bentuk yang
berarti atau bermakna untuk penerimanya dan merupakan nilai yang
sesungguhnya atau dipahami dalam tindakan atau keputusan sekarang atau
nantinya.
Selanjutnya menurut Edy Sutanta (2009:8), pengertian informasi
adalah data yang diolah menjadi bentuk yang berguna dan menjadi berarti
bagi penerimanya. Kegunaan informasi adalah untuk mengurangi
ketidakpastian di dalam proses pengambilan keputusan tentang suatu
keadaan. Suatu informasi dikatakan bernilai bila manfaatnya lebih efektif
dibandingkan dengan biaya untuk mendapatkan informasi tersebut.
Kualitas informasi sangat dipengaruhi atau ditentukan oleh beberapa hal
yaitu : Relevan (Relevancy), Akurat (Accurancy), Tepat waktu (Time
liness), Ekonomis (Economy), Efisien (Efficiency), Ketersediaan
(Availability), Dapat dipercaya (Reliability), Konsisten.
2.1.3 Pengertian Database
Menurut Winarno (2013:117), pengertian database adalah tempat atau
wadah sebuah data. Secara istilah kumpulan informasi yang disimpan
didalam komputer secara sistematik sehingga dapat diambil datanya atau
diolah menggunakan suatu program.
Selanjutnya menurut Connolly dan Begg (2010:65), database adalah
sekumpulan data tersebar yang berhubungan secara logis, dan penjelasan
dari data ini dirancang untuk memenuhi kebutuhan informasi dari suatu
organisasi.
2.1.4 Pengertian Database Management System (DBMS)
Menurut Connolly dan Begg (2010:66), database management system
(DBMS) adalah sebuah sistem software atau piranti lunak yang
memungkinkan pengguna untuk mendefinisikan, membuat, me-maintain,
dan mengontrol akses ke database.
9
2.1.5 Pengertian Structured Query Language (SQL)
Menurut Raharjo (2011:55), SQL adalah kependekan dari Structured
Query Language, yang merupakan bahasa atau kumpulan perintah standar
yang digunakan untuk berkomunikasi dengan database.
Sedangkan menurut Ichwan (2011:20), pengertian bahasa SQL adalah
bahasa yang mempunyai fungsi untuk membangun sebuah basis data,
menjalankan query terhadap basis data, dan melakukan penambahan,
pengurangan, perubahan terhadap data yang sudah ada di dalam database.
2.1.6 Pengertian Data Warehouse
Menurut Sharda dan Turban (2014:64), data warehouse adalah
kumpulan data yang dihasilkan untuk mendukung pengambilan keputusan,
dan juga merupakan repository data. Data biasanya akan terstruktur dan
tersedia dalam bentuk yang siap digunakan untuk kegiatan pengolahan
analisis.
Menurut Paul Lane (2007:29), data warehouse adalah sebuah
relational database yang dirancang untuk query dan analisis. Bukan untuk
pemrosesan transaksi. Biasanya berisi historical data yang berasal dari
data transaksi, tetapi bisa termasuk data yang berasal dari sumber lain.
Data warehouse juga memungkinkan menggabungkan data dari berbagai
macam sumber.
2.1.7 Karakteristik Data Warehouse
Menurut Ralph Kimball dan Margy Ross. (2010:30), karakteristik
data warehouse terdiri dari subject-oriented, integrated, time variant,
nonvolatile. Keempat karakteristik tersebut saling terhubung satu sama
lain sehingga semuanya harus diimplementasikan untuk merancang data
warehouse.
2.1.7.1 Subject Oriented
Data warehouse bersifat subject oriented, merupakan data
warehouse yang didesain untuk menganalisa data berdasarkan
10
subject-subject tertentu dalam organisasi, bukan pada proses atau
fungsi aplikasi tertentu.
Gambar 2.1 Karakteristik Data Warehouse : Subject-Oriented
(Sumber: W. H. Inmon, 2005:30)
2.1.7.2 Integrated
Data warehouse bersifat integrated, merupakan data
warehouse yang dapat menyimpan data-data yang berasal dari
umber-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 data warehouse itu
sendiri.
Gambar 2.2 Karakteristik Data Warehouse : Integrated
(Sumber: W. H. Inmon, 2005:31)
11
2.1.7.3 Time Variant
Data warehouse bersifat time-variant artinya data yang ada di dalam
data warehouse selalu akurat dalam periode tertentu dan memiliki banyak
variant waktu (time-variant). Aspek yang menunjukkan karakteristik time-
variant dalam data warehouse adalah sebagai berikut:
Gambar 2.3 Karakteristik data warehouse : Time Variant
(Sumber: W. H. Inmon, 2005:35)
2.1.7.4 Non-Volatile
Data warehouse bersifat non-volatile, artinya adalah
data pada data warehouse tidak di-update secara real time,
tetatpi di refresh dari sistem operasional secara reguler. Jadi
pengguna tidak dapat mengubah data yang ada di dalam data
warehouse. Berbeda dengan database operasional yang
memiliki tiga kegiatan operasi, seperti insert, update, dan delete.
Data warehouse hanya memiliki dua kegiatan yaitu loading dan
akses.
12
Gambar 2.4 Karakteristik Data Warehouse : Non-Volatile
(Sumber: W. H. Inmon, 2005:32)
2.1.8 Arsitektur Data Warehouse
Menurut Connoly dan Begg (2010:1156), arsitektur data
warehouse memiliki empat karakteristik yang saling berkaitan yang harus
dimiliki oleh data warehouse, yaitu sebagai berikut:
1. Data di ambil dari sistem asal, database, dan file.
2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum
disimpan ke dalam database management system (DBMS) seperti
Oracle, Ms SQL, server, sybase dan masih banyak yang lainnya.
3. Data warehouse merupakan sebuah database terpisah, bersifat hanya
dapat dibaca yang dibuat khusus untuk mendukung pengambilan
keputusan.
4. Pengguna dapat mengakses data warehouse melalui aplikasi front end
tool.
Arsitektur dan komponen utama dari data warehouse dapat
dilihat pada gambar berikut ini:
13
Gambar 2.5 Arsitektur dan Komponen Utama Data Warehouse
(Sumber: Conolly, T. M., Begg, 2010:1157)
a. Operational Data
Sumber data dari data warehouse dapat berasal dari:
• Mainframe operasional data yang memegang kendali di
hierarki generasi pertama dan di database jaringan.
• Departemental data yang memegang kendali di kepemilikan
sistem file seperti VSAM, RMS, dan relational DBMS.
• Private data yang memegang kendali di workstation dan
private server.
• External System seperti internet, database komersial yang
tersedia atau database yang berhubungan dengan organisasi
pelanggan
b. Operational Data Store (ODS)
Operational Data Store menampung data yang di ekstrak dari
sistem utama atau sumber-sumber data yang ada dan kemudian data
dari hasil ekstrasi tersebut dibersihkan.
ODS diciptakan ketika sistem operasional tidak mampu
mencapai kebutuhan sistem pelaporan. ODS menyediakan manfaat
yang berguna dari suatu relational database dalam mengambil
keputusan yang mendukung fungsi data warehouse.
14
c. Load Manager
Load Manager melakukan semua operasi yang berhubungan
dengan extract, transform, load data ke dalam gudang. Data dapat
diambil langsung dari sumber data atau yang umumnya berasal dari
data operasional.
d. Warehouse Manager
Warehouse Manager melakukan semua operasi yang
berhubungan dengan pengelolaan data di dalam data warehouse.
Operasi yang dilakukan warehouse manager antara lain:
• Analisa terhadap data untuk memastikan konsistensi.
• Transformasi dan penggabungan sumber data dari tempat
penyimpanan sementara menjadi tabel data warehouse.
• Pembuatan index dan view berdasarkan tabel-tabel dasar.
• Menghasilkan denormalisasi jika diperlukan.
• Backup dan archieve data.
e. Query Manager
Query Manager juga disebut 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 melakukan
penjadwalan eksekusi dari query tersebut.
f. Detailed Data
Area ini menyimpan semua detil data di dalam skema
database, yang bertujuan untuk melengkapkan kumpulan data untuk
data warehouse. Biasanya detailed data tidak disimpan secara online
melainkan dibuat dengan melakukan agregasi data. Tetapi pada
dasarnya, detailed data ditambahkan ke warehouse untuk melengkapi
data aggregate.
15
g. Lightly and Summarize Data
Dalam data warehouse, lightly dan hightly summarize data
adalah tempat penyimpanan semua data predefined lightly dan highly
summarized yang dihasilkan oleh warehouse manager. Tujuan dari
ringkasan informasi ini adalah mempercepat tanggapan terhadap
permintaan user. Ringkasan data di-update terus menerus seiring
dengan bertambahnya jumlah data dalam data warehouse.
h. Achieve / Backup Data
Area warehouse yang menyimpan detil data dan ringkasan
data dengan tujuan sebagai arsip dan backup data. Data ditransfer ke
penyimpanan arsip seperti magnetic tape atau optical disk.
i. Metadata
Area warehouse ini menyimpan semua definisi metadata (data
mengenai data) menggunakan semua proses yang ada pada data
warehouse. Metadata digunakan untuk beberapa tujuan seperti:
• Proses ekstraksi dan loading Metadata digunakan untuk memetakan
data source menjadi bentuk data yang lebih umum dalam
warehouse.
• Proses manajemen warehouse Metadata digunakan untuk
mengotomatisasi produksi dari tabel ringkasan.
• Bagian dari proses manajemen query Metadata digunakan untuk
query secara langsung pada sumber data yang paling sesuai.
j. End-User Access Tools (EUAT)
Prinsip atau tujuan utama dari dibangunnya data warehouse
adalah untuk menyediakan informasi bisniskepada user, untuk dapat
melakukan pengambilan keputusan secara cepat dan tepat. User ini
berinteraksi dengan warehouse melalui end-user access tools. Data
warehouse secara efisien mendukung secara khusus kebutuhan user
serta secara rutin melakukan analisis. Lima kelompok utama dari end-
user access tool adalah:
• Reporting dan Qurty Tools
16
Reporting tool meliputi production reporting tool dan report
writer. Production reporting tool digunakan untuk menghasilkan
laporan operasional regular. Report writer adalah desktoptool yang
dirancang untuk menerima SQL atau menghasilkan pernyataan
SQL untuk proses query data yang tersimpan dalam warehouse.
• Application Development Tools
Aplikasi yang dapat digunakan user yaitu graphical data access
yang dirancang untuk client server. Beberapa application
development tools terintegrasi dengan OLAP tools dan mengakses
semua sistem database utama.
• Executive Information System (EIS) Tools
Executive Information System mendukung pengambilan keputusan
semua tingkat manajemen. EIS tools yang terhubung dengan
mainframe memungkinkan pengguna membuat aplikasi pendukung
pengambilan keputusan untuk meneydiakan overview data
organisasi dan mengakses sumber data eksternal.
• Online Analytical Processing (OLAP) Tools
OLAP tools berbasis pada konsep multidimensional database dan
memperbolehkan pengguna untuk menganalisis data dengan
menggunakan view yang kompleks dan multidimensional view.
Tools ini mengasumsikan bahwa data diatur dalam model
multidimensi yang didukung oleh multidimensional database
(MDDB) atau oleh relational database relational database yang
dirancang untuk mendapatkan multidimensional queries.
• Data Mining Tools
Data mining adalah proses menemukan korelasi, pola, dan arah
baru yang mempunyai arti dengan mining sejumlah besar data
dengan menggunakan teknik statistic, matematika, dan artificial
intelligence (AI). Data mining memiliki potensi untuk mengganti
kemampuan dari OLAP tools.
17
2.1.9 Struktur Data Warehouse
Seperti yang kita lihat sebelumnya pada arsitektur data
warehouse, ada beberapa struktur yang spesifik terdapat pada bagian
warehouse manager, Bagian tersebut merupakan struktur data
warehouse.
Menurut Kimball & Ross (2010:18), pengertian struktur data
warehouse adalah aliran data dari lingkungan operasional ke dalam
lingkungan data warehouse dimana data mengalami transformasi dari
tingkatan operasional ke tingkatan data warehouse. Pada perumusan data
dapat dilihat digambar, data disampaikan dari current detail ke older
detail. Setelah data diringkas, data tersebut disampaikan dari current
detail ke lightly summarized data, kemudian dari lightly summarized data
ke highly summarized data.
Gambar 2.6 Struktur data warehouse
2.1.9.1 Current Detail Data
Current detail data merupakan data detil yang aktif
saat ini, mencerminkan keadaan yang sedang berjalan dan
18
merupakan level terendah dalam data warehouse. Didalam area
ini warehouse menyimpan seluruh detail data yang terdapat pada
skema basis data. Jumlah data sangat besar sehingga memerlukan
storage yang besar pula dan dapat diakses secara cepat. Dampak
negatif yang ditimbulkan adalah kerumitan untuk mengatur data
menjadi meningkat dan biaya yang diperlukan menjadi mahal.
Berikut ini beberapa alasan mengapa current detail data menjadi
perhatian utama:
• Menggambarkan kejadian yang beru terjadi dan selalu menjadi
perhatian utama.
• Sangat banyak jumlahnya dan disimpan pada tingkat
penyimpanan terendah.
• Hampir selalu disimpan dalam storage karena cepat di akses
tetapi mahal dan kompleks dalam pengaturannya.
• Bisa digunakan dalam membuat rekapitulasi sehingga current
detail data harus akurat.
2.1.9.2 Older Detail Data
Older detail data merupakan data historis dari current
detail data, dapat berupa hasil cadangan atau archive data yang
disimpan dalam storage terpisah. Karena bersifat backup, maka
biasanya data disimpan dalam storage alternatif seperti tape-desk.
Data ini biasanya memiliki tingkat frekuensi akses
yang rendah. Penyusunan file atau directory dari data ini disusun
berdasarkan umur dari data yang bertujuan untuk mempermudah
pencarian atau pengaksesan kembali.
2.1.9.3 Granularity
Menurut Doug Vucevic (2012: 159), pengertian granularity
adalah salah satu aspek penting dalam mempertimbangkan desain
data warehouse. Dalam granularity terdapat tingkat detail yang
terkandung pada setiap unit data. Semakin detail tingkat datanya,
maka semakin rendah tingkat granularity dan sebaliknya semakin
19
rendah tingkat detail datanya, maka akan semakin tinggi tingkat
granularity.
2.1.9.4 Lightly Summarized Data
Data ini merupakan ringkasan atau rangkuman dari
current detail data. Data ini dirangkum berdasarkan periode atau
dimensi lainnya yang sesuai dengan kebutuhan.
Ringkasan dari current detail data belum bersifat total
summary. Data-data ini memiliki detil tingkatan yang lebih tinggi
dan mendukung kebutuhan warehouse pada tingkat departemen.
Tingkatan data ini disebut juga dengan data mart. Akses terhadap
data jenis ini banyak digunakan untuk view suatu kondisi yang
sedang atau sudah berjalan.
2.1.9.5 Highly Summarized data
Data ini merupakan tingkat lanjutan dari lightly
summarized data, merupakan hasil ringkasan yang bersifat
totalitas, dapat diakses misal untuk melakukan analisis
perbandingan data berdasarkan urutan waktu tertentu dan analisis
menggunakan data multidimensi. Akses terhadap data jenis ini
biasanya digunakan untuk memantau kondisi yang sedang dan
sudah berjalan.
2.1.9.6 Metadata
Metadata bukan merupakan data hasil kegiatan seperti
keempat jenis data di atas. Metadata adalah 'data tentang data' dan
menyediakan informasi tentang struktur data dan hubungan antara
struktur data di dalam atau antara storage. Metadata berisikan
data yang menyimpan proses perpindahan data.
2.1.10 Keuntungan Data Warehouse
Menurut Connoly dan Begg (2010:1198), Keuntungan
mengimplementasikan data warehouse dapat memberikan keuntungan-
keuntungan antara lain:
• Potensi nilai kembali yang besar pada investasi.
20
Organisasi harus mengeluarkan uang dan sumber daya dalam jumlah
yang besar untuk memastikan bahwa data warehouse telah
diimplementasikan dengan baik. Biaya yang di keluarkan tergantung
dari solusi teknikal yang diinginkan. Akan tetapi, setelah data
warehouse digunakan, kemungkinan didapatkan ROI (Return on
Investment) akan relatif lebih besar.
• Keuntungan Kompetitif.
Keuntungan kompetitif didapatkan apabila pengambil keputusan
mengakses data yang dapat mengungkapkan informasi yang
sebelumnya tidak diketahui atau tidak tersedia.
• Meningkatkan produktifitas para pengambil keputusan perusahaan.
Data warehouse dapat meningkatkan produktifitas pengambil
keputusan perusahaan dengan menciptakan sebuah database yang
terintegrasi secara konsisten, berorientasi pada subjek, dan data
historis. Data warehouse akan mengintegrasikan data dari beberapa
sumber yang tidak kompitabel ke dalam bentuk yang dapat
menyediakan satu pandangan yang konsisten dari organisasi sehingga
mengambil keputusan dan melakukan analisa secara akurat.
2.1.11 Metode Perancangan Data Warehouse
Menurut Kimball & Ross (2010: 97), ada 9 tahapan
perancangan data warehouse yang dikenal dengan business
dimensional lifecycle, yaitu:
1. Pemilihan Proses
Proses bisnis adalah proses kegiatan alami yang dilakukan
dalam organisasi atau perusahaan. Untuk memilih proses bisnis,
menggabungkan pemahaman tentang kebutuhan bisnis dengan
pemahaman dari data yang tersedia. Contoh proses bisnis :
pembelian, pengiriman, pemesanan, faktur dan buku besar.
2. Menentukan Grain / menentukan sumber dari proses bisnis
Memilih tingkatan grain dengan cara menemukan
keseimbangan antara kebutuhan bisnis dan apa yang sumber data
21
dapat berikan. Grain menjelaskan apa yang fact table record dapat
tampilkan. Tahap ini sangat penting karena jika melakukan
kesalahan pada tahap ini, maka pada tahap ke 3 dan ke 4 pasti akan
terjadi kesalahan. Contoh menentukan grain : sebuah rincian bulanan
untuk setiap rekening bank.
3. Mengidentifikasi dan menyeseuaikan dimensi
Dimensi menyiapkan konteks untuk menanyakan fakta yang
ada pada fact table. Kumpulan tabel dimensional yang baik adalah
dimensional yang mudah untuk dimengerti. Mengindentifikasi
dimensi dengan detail yang cukup untuk menjelaskan hal-hal kepada
client dan perusahaan pada grain yang tepat. Dengan pilihan masing
- masing dimensi, akan dapat menampilkan atribut yang akan
menyempurnakan setial tabel dimensi. Contoh identifikasi dimensi :
date, product, customer, transaction type.
4. Mengidentifikasi dan menentukan fakta
Grain pada fact table menjelaskan fakta mana yang
dinyatakan pada level yang tersirat oleh grain. Dan semua kandidat
fakta dalam desain harus sesuai dengan grain yang telah ditentukan
pada tahap ke 2.
5. Menyimpan Pre-Kalkulasi dalam tabel fakta
Pada tahap ini, hasil perhitungan pada suatu atribut perlu
dipertimbangkan untuk disimpan di database. Hal ini untuk
mengurangi risiko kesalahan pada program setiap kali melakukan
perhitungan pada atribut-atribut tersebut.
6. Melengkapi Tabel Dimensi
Dari dimensi-dimensi yang telah diidentifikasi, dibuat
deskripsi yang memuat informasi terstruktur mengenai atribut-atribut
pada tabel dimensi. Tabel dimensi tersebut harus diberi keterangan
secara lengkap dan mudah dipahami oleh pengguna.
22
7. Memilih Durasi dari Database
Menentukan batas waktu dari umur data yang diambil dan
akan dipindahkan ke dalam tabel fakta. Misalnya, data perusahaan
dua tahun yang lalu atau lebih diambil dan dimasukkan ke dalam
tabel fakta.
8. Melacak perubahan dari dimensi secara perlahan
Dimensi dapat berubah dengan lambat dan menjadi sebuah
masalah. Terdapat tiga tipe dasar dari perubahan dimensi yang
lambat, yaitu :
• Menulis ulang atribut yang berubah
• Membuat record baru pada dimensi
• Membuat suatu atribut alternatif untuk menampung
nilai yang baru.
9. Menentukan desain fisik
Pada tahap ini, dilakukan perancangan fisik dari data
warehouse. Selain itu, penentuan masalah-masalah yang mungkin
ada pada perancangan fisik.
2.1.12 Extract, Transform, Load Process (ETL)
Menurut Connoly dan Begg (2010:1208), ETL process ini
terdiri dari extract, transform, load yang memiliki penjelasan masing-
masing:
• Extraction
Tahapan dimana mengambil data dari sumber data untuk
envinronment data warehouse. Sumber data ini biasanya terdiri
dari database OLTP dan juga bisa terdapat beberapa sumber
lainnya.
• Transformation
Sebagai tahapan yang menggunakan beberapa peraturan atau
fungsi dari data yang sudah di ambil dan mengukur bagaimana
23
data tersebut dapag digunakan untuk analisis dan dapat
meliputi transformasi.
• Load
Tahap ini untuk memasukkan data yang sudah mengalami
proses transformasi ke dalam data warehouse.
2.1.12.1 Staging area
Di dalam ETL Process, ada sebuah area yang
bernama staging area. Pengertian staging area adalah
sebuah area tempat penampungan data sebelum data
dimasukkan ke dalam data warehouse. Setelah data di-
ekstrak ke dalam staging area, maka data akan banyak
dilakukan perubahan seperti melakukan cleansing data
(Memperbaiki kesalahan ejaan, mengatasi konflik domain,
menangani bagian yang hilang), Menggabungkan data dari
berbagai sumber, menghilangkan data berulang.
2.1.13 Online Analytical Processing (OLAP)
Menurut Scheps (2008:68), Online Analytical Processing
adalah sebuah konsep data multidimensional yang mencatat data
transaksi perusahaan. Bukan hanya mengagregasi data, OLAP
memberikan kemampuan pada sistem business intelligence untuk
melihat data dengan cara baru.
24
Gambar 2.7 Online Analytical Processing
(Sumber: Scheps, 2008:69)
Menurut Scheps (2008:77), sistem Online Analytical
Processing memiliki dua kategori yaitu:
• OLAP Cube
Penyimpan data yang telah dispesialisasi dan dirancang secara spesifik
untuk menangani data ringkasan multidimensional (multidimentional
summary data). Strukturnya seperti spreadsheet.
• OLAP Access Tool
Lingkungan client yang memungkinkan pengguna untuk memanipulasi
data cube dan akhirnya menghasilkan business intelligence yang berarti
dari berbagai sudut pandang dan dapat lebih dari satu sudut pandang.
2.1.14 Online Transaction Processing (OLTP)
Menurut Connoly dan Begg (2010:1196), pengertian online
transaction processing adalah suatu sistem yang dirancang bertujuan
untuk menangani transaksi dengan jumlah yang tinggi, dengan transaksi
yang pada umumnya membuat perubahan kecil bagi data operasional
perusahaan.
25
2.1.15 Komponen Pemodelan Dimensional
2.1.15.1 Dimensi
Menurut Kimball dan Ross (2013:10), pengertian
dimensi adalah sebuah entitas yang berbentuk model
dimensional yang mempunyai atribut di dalamnya untuk
mengukur apa yang ada dalam tabel fakta.
2.1.15.2 Dimension Table
Menurut Kimball dan Ross (2013:13), pengertian
dimension table adalah tabel dalam dimensional model
dengan sebuah primary key dan kolom atribut-atribut yang
deskriptif. Tabel dimensi berisi konteks tekstual yang terkait
dengan kegiatan pengukuran proses bisnis, menjelaskan
"siapa, apa, dimana, kapan, bagaimana, dan mengapa"
berkaitan dengan kegiatan tersebut.
2.1.15.3 Fakta
Menurut Kimball dan Ross (2010: 402), pengertian fakta
adalah sebuah ukuran performa bisnis, biasanya berupa
numerik dan penjumlahan, Hal ini berlanjut pada pengertian
dari tabel fakta sebagai tempat lokasi penyimpanan fakta
yang ada.
2.1.15.4 Fact Table
Menurut Kimball dan Ross (2013:10), pengertian fact
table adalah sebuah tabel utama dengan performa
perhitungan karakteristik numerik berdasarkan composite
key, serta setiap elemen foreign key yang diambil dari tabel
dimensi.
2.1.15.5 Surrogate key
Menurut Thomas Connoly (2010:1079), pengertian
surrogate key adalah salah satu fitur penting dalam tabel
dimensi yang dibuat berdasarkan bilangan bulat, yang
berfungsi untuk menggabungkan antara tabel dimensi dengan
tabel fakta.
26
2.1.16 Star Schema
Sedangkan menurut Connoly dan Begg (2010:1227),
pengertian star schema atau skema bintang adalah data model
dimensional yang memiliki tabel fakta di tengah-tengah dan
dikelilingi oleh tabel dimensi yang berisi referensi data.
Gambar 2.8 Star Schema
(Sumber: Connoly dan Begg, 2010:1228)
Skema bintang memiliki beberapa kelebihan, yaitu:
- Efisiensi, struktur database konsisten sehingga efisien dalam
mengakses data dengan menggunakan tool untuk menampilkan data
termasuk laporan tertulis dan query.
- Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang
dapat beradaptasi terhadap perubahan kebutuhan pengguna karena
semua tabel dimensi memiliki kesamaan dalam hal menyediakan
akses ke tabel fakta.
- Extensibility, model dimensional dapat dikembangkan. Seperti
menambah tabel fakta selama data masih konsisten, menambah tabel
27
dimensi selama ada nilai tunggal di tabel dimensi tersebut yang
mendefinisikan setiap record tabel fakta yang ada, menambahkan
attributte tabel dimensi, dan memecahkan record tabel dimensi yang
ada menjadi level yang lebih rendah daripada level sebelumnya.
2.1.17 Snowflake Schema
Menurut Connoly dan Begg (2010:1229), pengertian
snowflake schema adalah sebuah model data dimensional yang terdiri
dari tabel fakta yang di letakkan di tengah-tengah dan dikelilingi oleh
tabel dimensi yang sudah mengalami normalisasi. Pada snowflake
schema, sebuah tabel dimensi dapat mempunyai tabel dimensi lainnya.
Gambar 2.9 Snowflake Schema
(Sumber: Connoly dan Begg, 2010:1229)
2.1.18 Starflake Schema
Menurut Connoly dan Begg (2010:1230), pengertian starflake
schema adalah sebuah struktur gabungan yang terdiri dari gabungan
star schema dan snowflake schema. Dalam struktur ini beberapa tabel
dimensi dapat disajikan dalam bentuk star schema maupun snowflake
schema sesuai untuk kebutuhan query.
28
Gambar 2.10 Starflake Schema
(Sumber: Connoly dan Begg, 2010:1230)
2.1.19 Activity Diagram
Menurut Satzinger (2012:57) activity diagram menjelaskan
tentang macammacam aktivitas user atau sistem, orang yang melakukan
tiap aktivitasnya, dan aliran yang berurutan dari aktivitas. Activity
Diagram menggunakan banyak simbol seperti:
1. Oval, melambangkan aktivitas individual di dalam workflow.
2. Connecting arrow, melambangkan urutan diantara aktivitas.
3. Lingkaran hitam, melambangkan awal dan mula dari suatu workflow.
4. Diamond, melambangkan poin pengambilan keputusan di dalam
workflow.
5. Heavy solid line, merupakan bar sinkronasi yang mana memisahkan
satu jalur menjadi banyak jalur atau menggabungkan banyak jalur
menjadi satu.
29
Gambar 2.11 Activity Diagram
(Sumber: Satzinger, 2012:58)
2.1.20 Entity Relationship Diagram (ERD)
Menurut Sutanta (2011:91), pengertian Entity Relationship
Diagram (ERD) adalah suatu model data yang dikembangkan
berdasarkan objek. ERD digunakan untuk menjelaskan hubungan antar
data dalam basis data kepada pengguna secara logis. Entity Relationship
Diagram (ERD) didasarkan pada suatu persepsi bahwa real world
terdiri atas obyek-obyek dasar tersebut.
Sedangkan menurut Mata-Toledo dan Cushman (2007:139),
pengertian entity relationship diagram (ERD) merupakan representasi
grafis dari logika database dengan menyertakan deskripsi detail
mengenai seluruh entitaas (entity), hubungan(relationship), dan
batasan(constraint).
2.1.21 5W 1H
Menurut Ridwan Ilyas (2015), 5W+1H adalah sebuah metode
yang digunakan untuk mendapatkan informasi dengan menyajukan
pertanyaan sesuai kepanjangannya adalah what, who, where, when,
why, how. yang masing-masing memiliki pengertian berupa:
• What
Merupakan predikat dari subjek yang dibicarakan dan diawali oleh
kata kerja aktif atau positif.
30
• Who
Merupakan subjek pelaku dari berita yang dibahas dan menunjukkan
orang, tokoh, jabatan atau organisasi tertentu dan terdiri dari
kumpulan benda.
• Where
Merupakan bagian dari berita yang menunjukkan dari lokasi kejadian
dan biasa berbentuk dalam rangkaian lokasi.
• When
Merupakan penunjuk waktu dari kejadian dan struktur yang paling
umum diawali dengan hari kemudian tanggal.
• Why
Merupakan alasan dari kejadian terjadi.
• How
Merupakan penjelasan dari kejadian.
2.2 Teori khusus
Teori khusus adalah teori yang berkaitan dengan sejumlah fakta-fakta
partikular tertentu. Teori ini berusaha menjelaskan fakta-fakta dalam
hubungannya yang satu dengan yang lainnya. Teori khusus akan saling berkaitan
dengan topik yang dibahas. Berikut adalah teori khusus yang digunakan:
2.2.1 Penjualan
Menurut Mulyadi (2008:202), pengertian penjualan adalah kegiatan
yang dilakukan oleh penjual dalam menjual barang atau jasa dengan
harapan akan memperoleh laba dari adanya transaksi-transaksi tersebut
dan penjualan dapat diartikan sebagai pemindahan hak kepemilikan atas
barang dari pihak penjual ke pembeli yang bersangkutan.
2.2.2 Pembelian
Menurut Sofjan Assauri (2008:223), pengertian pembelian adalah
salah satu fungsi yang penting dalam berhasilnya suatu kegiatan operasi
dalam perusahaan. Fungi ini dibebani tanggung jawab untuk mendapatkan
kuantitas dan kualitas bahan-bahan yang tersedia pada waktu yang
31
dibutuhkan dengan harga yang sesuai dengan keadaan yang berlaku.
Pengawasan perlu dilakukan terhadap pelaksanaan fungsi ini, karena
pembelian menyangkut investasi dana dalam persediaan dan
mempengaruhi kelancaran bahan baku.
Sedangkan menurut Render (2011:414), pengertian pembelian adalah
perolehan barang dan jasa. secara umum definisi pembelian adalah suatu
usaha pengadaan barang atau jasa dengan tujuan yang akan digunakan
sendiri, untuk kepentingan proses produksi maupun untuk dijual kembali.
2.2.3 Persediaan
Menurut Agus Ristono (2009:1), pengertian persediaan adalah
barang-barang yang disimpan untuk digunakan atau dijual pada masa yang
akan datang. Persediaan terdiri dari persediaan bahan baku dan persediaan
barang jadi.
2.3 Kerangka Berpikir
Kerangka berpikir menggambarkan konsep pemecahan sementara dari
permasalahan yang telah dirumuskan atau diidentifikasi. Kriteria utama suatu
kerangka berpikir adalah alur-alur pikiran yang logis dalam membangun suatu
kerangka berpikir yang membuahkan kesimpulan.
32
Topic:
Data Warehouse
Pengumpulan Fakta
• Observasi
• Interview
Problems:
• Perusahaan membutuhkan
data yang terintegrasi untuk
menganalisa historical data
dari berbagai dimensi.
Study Literature • Membaca jurnal dan buku
yang terkait dengan data
warehouse.
Perancangan Data Warehouse
• Extraksi data
• Transformasi Data
• Data Modelling
• Load Data
Membuat dashboard