PEMBANGUNAN DATA WAREHOUSE PADA
PT.PUPUK ISKANDAR MUDA
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
DINDA WILANDA
10110689
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
iii
Pembangunan Data Warehouse Pada PT.Pupuk Iskandar Muda.
Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, dan masukan dari berbagai pihak. Untuk itu, penulis ingin menyampaikan terimakasih yang sebesar-besarnya kepada :
1. Allah SWT yang telah menganugerahkan kesehatan sehingga penulis dapat menyelesaikan skripsi ini.
2. Bapak Nurman dan Ibu Sri Wardani selaku kedua orang tua saya yang telah
memberikan motivasi, dukungan moral dan materi, dan do’a yang tidak
pernah putus sehingga penulis dapat menyelesaikan skripsi ini.
3. Opi, Indah, Nori, Loli, Arif selaku kakak dan adik saya yang telah memberikan dukungan dan motivasi.
4. Bapak M.Hanafiah, Ibu Asmawati dan Geidar Hafiz selaku keluarga kedua saya yang telah mendukung, memberi semangat dan motivasi.
5. Ibu Nelly Indriani W, S.Si., M.T. selaku dosen wali penulis yang telah banyak memberikan ilmu, bantuan dan motivasi kepada penulis.
6. Ibu Dian Dharmayanti, S.T., M.KOM. selaku pembimbing yang telah banyak sabar dan memberi arahan serta saran kepada saya sehingga bisa menyelesaikan skripsi ini.
7. Ibu Ken Kinanti Purnamasari, S.Kom., M.T. selaku reviewer yang telah memberikan arahan kepada saya.
8. Bapak/Ibu dosen Teknik Informatika yang telah memberikan ilmunya kepada saya.
iv
10. Keluarga besar IF-16 2010 Cungkring, Windia, Iky, Otep, Meta, Moty, Babeh Maul, Bimbim, Chandu, Macen, Liberhot yang tidak bisa disebutkan satu persatu atas dukungan dan kerjasamanya.
11. Keluarga kostan ibu Tien, Azy, Rani, Evi yang selalu ada untuk menghibur dan memberi semangat ketika saya sedang mengalami kebuntuan.
12. Teman – teman tersayang khususnya Tryulia, Imez, Meiliza, Idris dan Nauli yang selau memberi semangat agar cepat menyelesaian skripsi dan lulus kuliah.
Akhir kata penulis ucapkan terimakasih, semoga skripsi ini dapat bermanfaat bagi pembaca.
Bandung, 05 Januari 2016
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... xi
DAFTAR SIMBOL ... xv
DAFTAR LAMPIRAN ... xvii
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Identifikasi Masalah ... 2
1.3 Maksud dan Tujuan ... 2
1.4 Batasan Masalah ... 3
1.5 Metodologi Penelitian ... 3
1.5.1 Metode Pengumpulan Data ... 3
1.5.2 Metode Pembangunan Perangkat Lunak ... 4
1.6 Sistematika Penulisan ... 6
BAB 2 TINJAUAN PUSTAKA ... 7
2.1 Profil Institusi ... 7
2.2 Logo ... 7
2.3 Visi dan Misi ... 8
2.3.1 Visi ... 8
2.3.2 Misi ... 8
2.5 Data Warehouse ... 8
2.5.1 Tugas Data Warehouse ... 10
2.5.2 Proses Dan Arsitektur Data Warehouse ... 11
2.5.3 Multi Dimensional Modeling ... 14
2.5.4 Visualisasi Dari Suatu Dimensional Model ... 15
2.5.5 Online Analytical Processing (OLAP) ... 18
2.5.5.1 OLAP Services ... 18
2.5.5.2 Teknik Penyimpanan Data dalam OLAP ... 19
2.5.5.3 OLAP Cube (Kubus OLAP) ... 20
2.6 Microsoft Visual Studio ... 22
2.7 SQL Server ... 22
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 25
3.1 Analisis Sistem ... 25
3.1.1 Analisis Masalah ... 25
3.1.2 Analisis Data ... 25
3.1.3 Analisis Kebutuhan Informasi Strategis ... 31
3.1.4 Analisis Dimensi dan Fakta ... 32
3.1.5 Analisis Data Staging ... 34
3.1.5.1 Analisis Dimensi ... 52
3.1.5.2 Analisis Fakta ... 55
3.2 Analisis OLAP dan Reporting Tools ... 58
3.2.1 Analisis OLAP ... 58
3.2.2 Analisis Reporting Tools ... 62
3.3 Analisis Kebutuhan ... 62
3.3.2 Analisis Kebutuhan Fungsional ... 68
3.3.2.1 Diagram Konteks ... 68
3.3.2.2 Data Flow Diagram (DFD) ... 69
3.3.3 Spesifikasi Proses ... 71
3.3.4 Perancangan Arsitektur ... 76
3.3.4.1 Perancanga Struktur Menu ... 76
3.3.4.2 Perancangan Antar Muka ... 76
3.3.4.3 Perancangan Pesan ... 82
3.3.4.4 Perancangan Jaringan Semantik ... 83
3.3.5 Perancangan Prosedural ... 84
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 87
4.1 Implementasi ... 87
4.1.1 Perangkat Lunak Pembangun ... 87
4.1.2 Implementasi Basis Data ... 88
4.1.3 Implementasi Antar Muka ... 93
4.2 Pengujian Sistem ... 94
4.2.1 Pengujian Alpha ... 95
4.2.2 Kasus dan Hasil Pengujian Alpha ... 95
4.2.3 Kesimpulan Pengujian Alpha ... 116
4.2.4 Pengujian Informasi Strategis ... 117
4.2.5 Pengujian Beta ... 123
BAB 5 KESIMPULAN DAN SARAN ... 125
5.1 Kesimpulan ... 125
5.2 Saran ... 125
128
Modern Principles and Methodologies.New York: Mc Graw Hill. [3] Vincent Rainardi, Building a Dta Warehouse; Apress, 2008
[4] Ponniah Paulraj,2001.Data, Warehouseing Fundamentals,New York : A Wiley Interscience Publication.
[5] Rainardi, V. Building A Data Warehouse, With Examples in SQL Server. APRESS,2007.
[6] Inmon, William H. 2005. "Building the Data warehouse (4th ed.) Indianapolis :Wiley Publishing, Inc.
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Data warehouse merupakan database yang saling bereaksi yang dapat digunakan untuk query dan analisis, bersifat orientasi subjek, terintegrasi, time-variant, dan tidak berubah, yang digunakan untuk mendukung pengambilan keputusan. Data warehouse adalah suatu sistem yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirim sumber data ke dalam suatu data penyimpanan dimensional dan kemudian mendukung implementasi query
dan analisis untuk tujuan pengambilan keputusan [1].
PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT. Pupuk Indonesia (Persero) dibawah BUMN yang bergerak di bidang industri kimia khususnya memproduksi pupuk urea. PT. Pupuk Iskandar Muda berdiri dengan strategi untuk mencukupi kebutuhan pupuk urea di kawasan Indonesia bagian barat yang secara geografis termasuk kawasan pertanian, setelah sebelumnya kebutuhannya dirintis oleh PT. Pusri Palembang. Maka kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk petani dan perkebunan yang sangat luas di wilayah Sumatera Utara dan beberapa wilayah lainnya(provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat). Pemrosesan dokumentasi dalam proses bisnis di PT. Pupuk Iskandar Muda mencakup pupuk ke seluruh Indonesia berdasarkan regulasi pendistribusian dari BUMN. Dibawah regulasi tersebut, PT. Pupuk Iskandar Muda diwajibkan dapat mendistribusikan sejumlah pupuk ke berbagai daerah sehingga proses bisnis yang dilakukan PT. Pupuk Iskandar Muda mencapai target penjualan.
bagian perusahaan memiliki perbedaan tipe data dan penamaan data. Perusahaan yang memiliki banyak kumpulan data yang harus di analisis untuk kelangsungan proses bisnis perusahaan tersebut, dalam melakukan suatu analisis pada suatu informasi diperlukan tampilan data yang dapat menampilkan banyak data. Pembuatan laporan di PT.Pupuk Iskndar Muda dilakukan dengan cara mengumpulkan data dari setiap bagian perusahaan yang dibutuhkan, masalah dalam pembuatan laporan ini dibutuhkannya waktu yang lama. Laporan digunakan perusahaan untuk informasi penting terhadap perkembangan perusahaan dan kegiatan operasional. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional dan bersifat dinamis.
Oleh sebab itu, perusahaan tersebut memerlukan data warehouse untuk dapat mengelola data produksi dan data penjualan untuk mendapat informasi dalam mengambil keputusan.
1.2 Identifikasi Masalah
Berdasarkan latar belakang masalah yang telah di jabarkan sebelumnya yang menjadi permasalahan dalam penelitian ini adalah bagaimana cara membangun sistem menggunakan data warehouse di PT.Pupuk Iskandar Muda.
1.3 Maksud dan Tujuan
Berdasarkan permasalahan yang diteliti, maka maksud dari penelitian tugas akhir ini adalah untuk membangun perangkat lunak data warehouse di PT. Pupuk Iskandar Muda sebagai solusi atas lambat dan sulitnya analisa pada sistem sebelumnya. Sedangkan tujuan yang akan di capai dalam penelitian adalah : 1. Membantu pihak perusahaan dalam mengintegrasikan data.
3
1.4 Batasan Masalah
Ada beberapa batasan masalah dalam penelitian ini agar pembahasan lebih terfokus sesuai dengan tujuan yang akan dicapai. Batasan masalah dalam penelitian ini adalah :
1. Data yang digunakan sebagai penelitian merupakan data perusahaan dalam kurun waktu dua bulan dan dua tahun.
2. Perangkat lunak yang akan dibangun berbasiskan desktop. 3. DBMS yang digunakan adalah SQL Server.
4. Aplikasi pendukung menggunakan Visual Studio.
1.5 Metodologi Penelitian
Metodologi penelitian yang akan digunakan dalam pembuatan skripsi ini menggunakan metodologi deskriptif, yaitu sebuah metode yang bertujuan untuk membuat gambaran secara sistematis dan akurat Serta menjadi dasar pengambilan keputusan.
1.5.1 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut:
a. Studi Literatur
Pengumpulan data dengan cara mempelajari jurnal, browsing internet, buku referensi, dan bacaan-bacaan lainnya yang berhubungan erat dengan judul penelitian.
b. Wawancara
1.5.2 Metode Pembangunan Perangkat Lunak
Metode yang di gunakan dalam Pembangunan sistem data warehouse pada PT. Pupuk Iskandar Muda ini adalah menggunakan model waterfall. Berikut ini beberapa tahapan model waterfall yang di gambarkan pada diagram [1]:
Gambar 1.1 Model Pembangunan Perangkat Lunak[1]
1. System Engineering
Tahapan ini Merupakan bagian terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya ke dalam pembentukan perangkat lunak.
2. Analysis
Tahapan ini merupakan kegiatan menganalisis kebutuhan apa saja yang dibutuhkan untuk pembangunan suatu aplikasi.
3. Design
5
4. Coding
Tahapan ini merupakan kegiatan pengkodean (coding) berdasarkan hasil analisis dan perancangan agar sistem yang diperoleh sesuai dengan kebutuhan pengguna.
5. Testing
Tahapan ini merupakan tahap pengujian sistem, yang merupakan kegiatan untuk mengevaluasi kemampuan sistem dan penentuan kelayakan suatu sistem yang sesuai dengan hasil yang dihrapkan.
6. Maintenance
1.6 Sistematika
Penulisan
Sistematika penulisan laporan akhir dari penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini Membahas tentang sub bab antara lain : latar belakan, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan, agar dapat memberikan gambaran tentang urutan penyajian laporan tugas akhir ini.
BAB 2 TINJAUAN PUSTAKA
Bab ini membahas mengenai profil perusahaan dan landasan teori yang digunakan untuk membangun perangkat lunak data warehouse serta materi-materi umum yang membahas data warehouse dan berkaitan dengan teori-teori pendukung lainnya.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Bab ini menguraikan tentang analisis sistem yang sedang berjalan dan menjelaskan tentang perancangan dan antarmuka sistem yang akan dibangun.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini menjelaskan mengenai implementasi aplikasi yang telah dibuat serta melakukan pengujian terhadap aplikasi tersebut.
BAB 5 KESIMPULAN DAN SARAN
7
BAB 2
TINJAUAN PUSTAKA
2.1 Profil Institusi
PT Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT Pupuk Indonesia (Persero) yang bergerak di bidang isdustri kimia khususnya memeproduksi pupuk urea. PT PIM merupakan pabrik pupuk skala besar pertama yang dibangun oleh putra putri bangsa melalui kontraktor nasional PT Rekayasa Industri pada tahun 1995. PT PIM berdiri dengan strategi untuk mencukupi kebutuhan pupuk urea dikawasan indonesia bagian barat yang secara geografis termasuk kawasan pertanianan, setelah sebelumnya kebutuhannya dirintis PT Pusri Palembang.
2.2 Logo
Berikut ini adalah logo dari PT Pupuk Iskandar Muda yang dapat dilihat pada gambar 2.1
2.3 Visi dan Misi
2.3.1 Visi
Visi dari PT Pupuk Iskandar Muda adalah menjadi perusahaan pupuk dan petrokimia yang kompetitif.
2.3.2 Misi
Misi dari PT Pupuk Iskandar Muda adalah sebagai berikut :
1. Memproduksi dan memasarkan pupuk dan produk petrokimia dengan efisien.
2. Memenuhi standar mutu dan berwawasan lingkungan. 3. Memberikan nilai tambah kepada stakeholder.
4. Berperan aktif menunjang ketahanan pangan.
2.4 Landasan Teori
Landasan teori yang berkaitan dengan materi atau teori yang digunakan sebagai acuan melakukan penelitian. Landasan teori yang diuraikan merupakan hasil studi literatur, buku-buku, maupun situs internet.
2.5 Data Warehouse
Data warehouse adalah sebuah database yang mewakili sejarah bisnis suatu perusahaan atau organisasi. Data warehouse merupakan kombinasi dari
database yang berbeda-beda. Data warehouse mengkombinasikan informasi dengan meringkas (summarizing) dan mengelompokkan (agregation). Informasi yang diperlukan ini didefinisikan oleh pengguna sesuai dengan informasi yang mereka butuhkan dalam pengambilan keputusan. Jadi suatu data warehouse
hanya berisi informasi yang relevan dengan kebutuhan user untuk mendukung pengambilan keputusan. [2]
9
koleksi data yang mempunyai sifat beriorentasi subjek, terintegrasi, dan bersifat tetap dari koleksi data dalam mendukung proses manajemen pengambilan keputusan. Menurut Vidette Poe, data warehouse merupakan basis data yang bersifat analisis dan read only yang digunakan sebagai pondasi dari sistem penunjang keputusan. Menurut Paul Lane, data warehouse merupakan basis data relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung data historis dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung data dari berbagai macam sumber.
Data warehouse adalah multidimensional dalam relasional model
database, informasi ditentukan dalam suatu rangkaian dari tabel yang berdimensi dua. Tidak begitu halnya dengan data warehouse, banyak data warehouse adalah multidimensional, artinya bahwa data warehosue terdiri dari layer-layer, kolom dua baris. Layer-layer dalam suatu data warehouse menunjukkan informasi disampaikan pada dimensi yang berbeda. Multidimensional ini menggambarkan informasi dengan ditunjukkan sebagai suatu kubus. Data warehouse adalah bentuk khusus dari database. Mengingat hal bahwa suatu database adalah koleksi dari informasi yang dikumpulkan dan diakses melalui suatu logikal dari informasi, begitu juga hal yang sama untuk suatu data warehouse.
Data warehouse mendukung proses pembuatan keputusan, bukan proses transaksi. Dalam suatu organisasi, banyak databse yang ada merupakan database
yang berorientasikan (OLTP) oleh karena itu merupakan operasional database. Data warehouse ada untuk mendukung berbagai macam pekerjaan pengambilan keputusan dalam suatu organisasi. Definisi klasik oleh Bill Inmom tentang data
warehouse dapat disimpulkan menjadi empat kriteria[2] :
yang diintegrasikan pada sebuah entitas database, akan lebih baik daripada mengklasifikasikannya menjadi beberapa entitas untuk proses peminjaman, begitu juga lainnya.
2. Data warehouse adalah terintegarasi yang menggabungkan berbagai format data dan menyediakannya kedalam suatu bentuk yang konsisten sehingga dalam membandingkan dan mengumpulkan data dengan melalui berbagai dimensi yang sesuai.
3. Data warehosue adalah time-variant. Dalam kata lain, setiap rows dari data dibedakan berdasarkan waktu. Dalam hal ini setiap baris biasanya memiliki satu atau lebih yang menggunakan tipe data time-stamp.
4. Data warehouse tidak mudah berubah. Data yang ada dalam suatu data
warehosue untuk tidak mengalami proses penghapusan atau pengupdatean, terkecuali untuk perawatan dan koreksi terhadap kesalahan yang terjadi. Data hanya disimpan ke dalam data warehouse atau ditampilkan dari data warehouse.
Keempat karakteristik di atas saling terkait dan harus diimplemetnasikan agar terbentuk suatu data warehouse yang dapat mendukung pengambilan keputusan secara efektif. Implementai dari keempat karakteristik di atas membutuhkan struktur data dari data warehousing, data dari berbagai sumber operasional akan diekstrak dan diintegrasikan ke dalam data warehousei sehingga data yang dihasilkan tidak lagi bersifat operasional melainkan informatif.
2.5.1 Tugas Data Warehouse
Ada tiga tugas yang bisa dilakukan dengan adanya data warehouse, keempat tugas tersebut yaitu [3]:
a. Pembuatan laporan
11
b. Online Analytical Processing (OLAP)
Dengan adanya data warehouse, semua informasi baik detail maupun hasil
summary yang dibutuhkan dalam proses analisa mudah didapat. OLAP mendayagunakan konsep data multidimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikan satupun perintah SQL. Hal ini dimungkinkan karena pada kosnep multidimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fugnsi yang berbeda.
c. Proses informasi executive
Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laoran data warehouse
menjadi target informatif bagi pengguna.
2.5.2 Proses Dan Arsitektur Data Warehouse
Data warehouse dibangun dengan mengintegrasikan data-data yang berasal dari berbagai sumber data, yaitu database operasional. Dalam suatu perusahaan, data operasional biasanya berada pada daerah kekuasaan departemen masing-masing dalam bentuk database OLTP. Untuk melakukan proses integrasi ini data warehouse menggunakan suatu aplikasi yang disebut ETL (extract, Transform, Load).
Sesuai dengan namanya, aplikasi ETL melakukan fungsi-funsi extract, transform dan load. Proses extract adalah proses pengambilan data dari sumber data. Disebut extract, karena proses pengambilan data ini tidak mengambil data matang aja. Proses extract ini harus mengakomodir berbagai macam teknologi yang digunakan oleh sumber data dan diintegrasikan ke dalam database tunggal.
berasal dari sumber yang berbeda yang memungkinkan memiliki standarisasi yang berbeda pula. Standarisaasi diperlukan untuk nantinya memudahkan pembuatan laporan.
Arsitektur data warehouse yang umum biasanya menempatkan satu server database terpisah yang disebut staging yang berfungsi untuk menangani proses
extract dan transform ini sebelum dilakukan proses load ke tujuan akhir data
warehouse. Proses load dalam ETL adalah suatu proses mengirimkan data yang telah menjalani proses transformasi ke gudang data akhir, yaitu data warehouse
itu sendiri dimana aplikasi reporting dan business intelligence siap mengakses. Di bawah ini adalah penjelasan dari tiap-tiap proses extract, transform, dan load [4].
1. Extract
Bagian pertama dari suatu proses ETL aalah mengekstrak dari sumber data disebut ekstrak, akrena proses pengambilan data ini tidak mengambil keseluruhan data yang ada di database operasional, melainkan hanya mengambil data matang saja. Proses ini meliputi penyaringan data yang akan digunakan dalam pembuatan data warehouse. Dapat langsung dimsukan dalam data warehouse atau dimasukan dalam tempat penampungan sementara terlebih dahulu.
2. Transform
Proses yang ke dua adalah transformasi data yang telah diekstrak ke dalam formal yang diperlukan. Hal ini perlu dilakukan mengingat data yang diambil bersal dari sumber yang berbeda yang kemungkinan memiliki standarisasi yang berbeda pula. Data dari beberapa sistem perlu ditransforamsikan ke dalam format umum yang disepakati dan digunakan dalam data warehouse, seperti :bisa jadi untuk suatu item yang sama memiliki dua nama yang berbeda, misalnya nama
produk dengan kode :1234: disebut “roti” sedangkan kode yang sama “1234”
13
3. Load
Tahap load adalah menload data ke dalam target akhir yang apda umumnya adalah data warehouse. Bergantung apda kebutuhan organisasi, proses ini bervariasi secara luas. Beberapa data warehouse memperbolehkan melakukan penulisan informasi yang ada secara kumulatif, dengan data yang diperbaharui tiap minggu.
Arsitektur data untuk data warehouse mempunyai kompoenen utama yaitu read only database. Karakteristik arsitektur data warehouse adalah sebagai berikut:
1. Data diambil dari sistem asal (sistem informasi yang ada), database dan
file.
2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan ke dalam database management system (DBMS) seperti oracle, mysql dan lain-lain.
Arsitektur dan komponen utama dari data warehouse dapat dilihat pada gambar 2.2 dibawah ini :
Gambar 2.2 Arsitektur DataWwarehouse
Gambar 2.2 menunjukkan proses data warehouse, dimana data source diolah (extract, transform, load) menjadi data warehouse untuk selanjutnya di qiuery untuk menghasilkan report yang diinginkan. Data mart berisikan kumpulan data yang digunakan untuk pengambilan keputusan. Data mart lebih spesifik dan ditunjukkan untuk bagian-bagian tertentu.
2.5.3 Multi Dimensional Modeling
Multi dimensional modeling adalah teknik untuk memvisualisasi model data sebagai suatu kumpulan dari ukuran yang dideskripsikan dengan aspek-aspek bisnis. Hal ini khususnya sangat berguna untuk meringkas dan menyusun data dan memperlihatkan data untuk mendukung para analis data. Dimensional modeling
15
1. Fact
Fact adalah suatu koleksi dari relasi data-data items, terdiri dari ukuran-ukuran dan konteks data. Setiap fact biasanya merepresentasikan sebuah bisnis item, suatu transaksi bisnis, atau sebuah kejadian yang dapat digunakan dalam analisis bisnis atau proses bisnis.
2. Dimensions
Dimensions adalah suatu koleksi dari anggota atau unit-unit data dengan tipe yang sama. Dalam sebuah diagram, suatu dimensi biasanya direpresentasikan dengan suatu axis. Dalam dimensional model, semua data menunjukkan fact table yang diasosiasikan dengan satu dan hanya satu member dari setiap multiple dimesions. Jadi dimensi menunjukkan latar belakang kontekstual dari fact. Bnayak proses analisisi yang digunakan untuk menghitung (quality) dampak dari dimensi pada fact.
3. Measures
Suatu measures (ukuran) adalah suatu besaran (angka numerik) atribut daris ebuah fact, yang menunjukkan performance atau behavior (tingkah laku) dari bisnis secara relatif pada suatu dimensi. Angka atau nomor yang ditunjukkan disebut dengan variabel. Sebagai contoh ukuran dari penjualan dalam bentuk uang, besarnya penjualan, jumlah pengadaan, banyaknya transaksi dan lainnya. Suatu ukuran dijelaskan dengan kombinasi dari member dari suatu dimensi dan diletakkan dalam fact.
2.5.4 Visualisasi Dari Suatu Dimensional Model
volume dari produksi, yang mana dijelaskan dengan kombinasi dari tiga dimensi yaitu lokasi produk dan waktu. Dimensi dari lokasi dan dimensi produk mempunyai dua level hirarki. Misalnya dimensi mempunyai level region dan
plant.
Gambar 2.3 Kubus suatu visualisasi dari dimensional model
Terdapat tiga konsep yang dapat memodelkan lebih jelas dalam penentuan fact
table dimensi dan measure, yaitu [6] : 1. Model star
Model star adalah model dasar dari pemodelan multidimensi yang memiliki suatu tabel induk yang dinamakan table fact dan kumpulan dari tabel-tabel kecil yang disebut tabel-tabel dimensi disusun dalam pola-pola melingkar mengelilingi table fact. Untuk lebih jelasnya terlihat pada gambar 2.4
17
2. Model Snowflake
Selain star dalam menampilkan desain sebuah data warehouse juga dapat menggunakan model snowflake. Dalam sebuah model snowflake terdapat sebuah
fact table yang dikelilingi oleh beberapa dimension table. Namun dimension table
itu sendiri dapat seolah-olah berupa sebuah fact table lain yang juga memiliki dimensinya sendiri. Untuk lebih jelasnya terlihat pada gambar 2.5
Gambar 2.5 Model Snowflake
Pada model snowflake diatas dapat dilihat bahwa tiap-tiap tabel dimensi berhubungan dengan dimensi yang lain seolah-olah tabel dimensi tersebut merupakan tabel fakta. Hal ini dapat terjadi karena pada model snowflake ini telah dilakukan normalisasi. Normalisasi ini tidak terdapat pada model star.
3. Model Constellation
Gambar 2.6 Model Snowflake
2.5.5 Online Analytical Processing (OLAP)
Online analytical processing (OLAP) merupakan salah satu tools yag digunakan untuk mengakses informasi dalam data warehouse. Teknologi OLAP memungkinkan data warehosue digunakan secara aktif untuk proses online
analisis, memberikan respon yang cepat terhadap analytical queries yang kompleks.
Data model multidimensional dan teknik agregasi data yang dimiliki oleh OLAP dapat mengatur dan membuat kesimpulan dari data dalam jumlah besar sehingga dapat di evaluasi secaa cepat dengan menggunakan online analysis dan
grafical tool. Sistem OLAP menyediakan kecepatan dan fleksibilitas untuk men-support proses analisis secara real time [7].
2.5.5.1OLAP Services
19
dikumpulkan maka pivot table service yang bekerja sama dengan excel pivot table
atau perngkat lain yang mendukung OLE DB dengan ekstensi OLAP dapat melakukan akses dan memanupulasi data yang ada.
2.5.5.2Teknik Penyimpanan Data dalam OLAP
OLAP digunakan untuk memproses informasi dan menampilkannya dalam bentuk multidimensi. Walaupun data yang ditampilkan dalam satu bentuk namun tidak berarti data-data yang ada disimpan dalam satu bentuk pula. Ada tiga teknik dasar untuk menyimpan data OLAP [7]:
1. Multidimensional OLAP (MOALP)
Salah satu cara umum yang digunakan untuk menyimpand data adalah dalam basis data multimensional. Tidak seperti basis data relasional yang menyimpan informasi dalam sejumlah baris dalam tabel. Sebuah basis data multimensional menyimpan informasi dalam sejumlah array multimensional. Karena dimensi dapat diakses secara mudah, maka user dapat melakukan query
pada basis data MOLAP dengan sangat cepat. Selain mengandung data mentah, basis data MOALP juga mengandung agregasi data sehingga dapat memberikan respon yang cepat terhadap query.
2. Relational OLAP (ROLAP)
Partisi menggunakan tabel relational dalam data warehosue untuk menyimpan agregasi, sedangkan detail dari fact table tersimpan dalam data
3. Hybryd OLAP (HOLAP)
Partisi menggunakan struktur MOLAP untuk menyimpan agregasi dan meninggalkan detail dari fact table dalam partisi ROLAP. OLAP service dapat menggunakan data MOLAP dan ROLAP secara simultan untuk memecahkan suatu query.
2.5.5.3OLAP Cube (Kubus OLAP)
Objek utama yang tersimpan dalam sebuah basis data OLAP adalah cube
(kubus). Sebuah kubus merupakan representasi multimensi dari sekumpulan data, yang mengandung data secara detail maupun rangkumannya. Sebuah basis data OLAP dapat memiliki beberapa buah kubus sesuai dengan yang dibutuhkan, yang menggambarkan data yang ada dalam data warehouse.
Sebuah kubus dibangun menggunakan dua komponen utama yaitu ukuran (measures) dan dimensi. Ukuran merupakan nilai numerik dari fact table dalam data warehouse seperti harga dari unit maupun kualitas dari item. Sedangkan dimensi menggambarkan kategori dari ukuran yang ada. Seperti bagaimana ukuran berubah setiap waktu. Beberapa operasi yang dapat dilakukan pada kubus atau reprot multidimensi ini adalah [7]:
1. Processing
Operasi processing pada kubus antara lain melakukan loading dan
refreshing data pada kubus yang dilakukan ole OLAP service engine. Tabel dimensi dibaca pertama kali untuk mengumpulkan level dengan anggota dari data aktual, setelah itu dilanjutkan dengan pembacaan fact table dan ikuti dengan menghitung spesifik agregasi, dan hasil yang dapat disimpan dalam kubus untuk diproses oleh user.
2. Slice and dice
21
keunggulan OLAP. Dengan melihat kubus dari sudut pandang yang berbeda maka akan dapat dipelajari banyak hal dari data yang dimiliki.
3. Drill down
Sebagian besar informasi yang ditampilkan dalam OLAP merepresentasikan kesimpulan yang lebih detail. Drilling down merupakan teknik untuk memecahkan sebuah informasi menjadi beberapa informasi yang lebih
detail. Sebagai contoh, jika dilakukan drill down terhadap data tahunan maka akan dapat diperoleh data dalam catur wulan dan tri wulan.
4. Consolidation (Roll Up)
Consolifation atau lebih dienal dengan roll up merupakan kebalikan dari drill down. Data-data sebelumnya dilihat dalam format triwulan akan dapat dilihat dalam format tahunan. Dengan roll up data dapat dilihat secara lebih global.
5. Pivoting
Pivoting merupakan suatu teknik untuk saling menukarkan dimensi data. Dengan melakukan pivoting, maka dapat diamati suatu informasi atau data dari sudut pandang yang berbeda, sehingga diharapkan akan dapat memperjelas analisis yang dilakukan.
6. Filtering
2.6 Microsoft Visual Studio
Microsoft visual studio merupakan sebuah perangkat lunak lengkap (suite)
yang dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis, aplikasi personal,a taupun komponen aplikaisnya, dalam bentuk console, aplikasi windows,a taupun aplikasi web. Visual studion mencakup kompiler, dan dokumentasi. Kompiler yang dimasukkan ke dalam paket visual studio antara lain visual C++, Visual C#, Visual basic.
Microsoft visual studio dapat digunakan untuk megnembangkan aplikasi dalam native code (dalam bentuk bahasa mesin yang berjalan di atas windows) ataupun managed code (dalam bentuk microsft intermediate language di NET framework). Selain itu, visual studion juga dapat digunakan untuk mengembangkan aplikasi silverlight, aplikasi windows mobile.
2.7 SQL Server
Microsoft SQL server adalah sebuah sistem manajemen basis data relasional (RDBMS) produk microsoft. Bahasa kueri utamanya adalah transast-sql yang merupakan implementasi dari SQL standar ANSI/ISO yang digunakan oleh microsfot. Umumnya SQL server digunakan di dunia bisnis yang memiliki basis data berskala kecil sampai dengan menengah, tetapi kemudia berkembang dengan digunakannya SQL server pada basis data besar.
Microsoft SQL server dan sybase/ASE dapat berkomunikasi lewat jaringan dengan menggunakan protokol TDS (tabular Data Stream). Selain dari itu, SQL server juga mendukung ODBC (Open Database Connectivity), dan mempunyai driver JDBC untuk bahasa pemrograman java. Fitur yang laind ari SQL server ini adalah kemampuannya untuk membuat basis data mirroring dan
clustering.
23
sangat umum, sebuah client adalah setiap komponen dari sebuah sistem yang meminta layanan atau sumber daya (resource) dari komponen sistem lainnya. Sedangkan sebuah server adaah setiap komponen sistem yang menyediakan layanan atau sumber daya ke komponen sistem lainnya. Pada dasarnya pengertian dari SQL Server itu sendiri adalah bahasa yang dipergunakan untuk mengakses data dalam basis data relation. Bahasa ini secara defacto adalah bahasa standar yang digunakan dalam manajemen basis data relasional. Saat ini hampir semua server basis data yang ada mendukung bahasa ini dalam manajemen datanya. SQL server 2005 merupakan salah satu produk dari Relational Database Management System (RDBMS).
SQL Server terdiri atas beberapa komponen sebagai berikut:
a. Relational Database Engine : komponen utama atau jantung SQL Server. b. Analysis Services : Basis dari solusi intelijen bisnis yang ampuh
(powerful), dan mendukung aplikasi-aplikasi OLAP (online analytical processing), serta data minning.
c. Data Transformation Service (DTS): sebuah mesin untuk membuat solusi ekspor dan impor data, serta untuk mentransformasi data ketika data tersebut ditransfer.
d. Notification Services: sebuah framework untuk solusi dimana pelanggan akan dikirimi notifikasi ketika sebuah event muncul.
e. Reporting Services: service yang akan mengambil data dari SQL Server, dan menghasilkan laporan-laporan.
f. Service broker: sebuah mekanisme antrian yang akan menangani komunikasi berbasis pesan diantara service.
g. Native HTTP Support: dukungan yang memungkinkan SQL server yang (jika diinstall pada Windows Server 2003) akan merespon request terhadap HTTP endpoint, sehingga memungkinkan pembangunan sebuah web service untuk SQL Server tanpa menggunakan IIS.
i. NET CLR (Common Language Runtime): akan memungkinkan pembuatan solusi menggunakan managed code yang ditulis dalam salah satu bahasa .NET.
j. Replication: serangkaian teknologi untuk menjalin dan mendistribusikan data dan obyek database dari sebuah database ke database lain, dan melakukan sinkronisasi untuk menjaga konsistensinya.
127
BAB 5
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari hasil pengujian dan wawancara yang telah dilakukan kepada pihak perusahaan PT.Pupuk Iskandar Muda selaku perusahaan diperoleh kesimpulan bahwa :
1. Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data.
2. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.
5.2 Saran
Dalam pembangunan Perangkat Lunak Data Warehouse ini masih jauh dari sempurna dan masih banyak kekurangan. Oleh karena itu perlu dilakukan pengembangan dan penyempurnaan lebih lanjut. Adapun saran yang dapat digunakan dalam pengembangan sistem lebih lanjut :
Nama Lengkap : Dinda Wilanda
Jenis Kelamin : Perempuan
Tempat, Tanggal
lahir : Medan, 22 November 1991
Kewarganegaraan : Indonesia
Status Hubungan : Belum Menikah
Tinggi , Berat : 158 cm , 43 kg
Agama : Islam
Alamat Lengkap : JL. Peut Sago No.06 Komplek PT.Pupuk Iskandar Muda Lhokseumawe Aceh Utara
Handphone : 08112228891
E-mail : Dinwil07@gmail.com
RIWAYAT PENDIDIKAN
1998 – 2004 : SD Swasta Iskandar Muda 2004 – 2007 : SMP Swasta Iskandar Muda 2007 – 2010 : SMA Negeri 1 Lhokseumawe.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
1 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033PEMBANGUNAN DATA WAREHOUSE PADA PT. PUPUK ISKANDAR
MUDA
Dinda Wilanda
Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl. Dipati Ukur. 112-116 Bandung
E-mail : Dinwil07@gmail.com
ABSTRAK
PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT.Pupuk Indonesia (Persero) BUMN yang bergerak di bidang industri kimia memproduksi pupuk urea. Kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk petani dan perkebunan yang sangat luas di beberapa wilayah provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat. Saat ini jumlah data yang ada pada PT.Pupuk Iskandar Muda cukup besar sehingga mengakibatkan lambatnya dalam mengakses informasi, kemudian disetiap bagian memiliki perbedaan tipe data dan penamaan data. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional. Oleh sebab itu, perusahaan tersebut memerlukan data warehouse untuk dapat mengelola data produksi dan data penjualan untuk mendapat informasi dalam mengambil keputusan.
Data perusahaan yang digunakan adalah data penjualan, produksi, gudang, pelanggan, barang, pabrik, bahan. Data warehouse menjadikan data perusahaan yang tersebar menjadi terintegrasi sehingga membantu pihak perusahaan dalam menganalisis data yang ada untuk pengambilan keputusan yang bersifat strategis secara cepat dan tepat. Pembangunan data warehouse ini menggunakan pemodelan skema Fact constellations dan perancangan OLAP (On-Line Analytical Processing) untuk pengolahan dan analisis datanya dengan menggunakan teknik Roll-Up dan Drill-Down.
Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.
Kata Kunci : Data warehouse, Fact Constellations, Roll-Up, Drill-Down, OLAP
1. PENDAHULUAN
Data warehouse merupakan database yang saling bereaksi yang dapat digunakan untuk query dan analisis, bersifat orientasi subjek, terintegrasi, time-variant, dan tidak berubah, yang digunakan untuk mendukung pengambilan keputusan. Data warehouse adalah suatu sistem yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirim sumber data ke dalam suatu data penyimpanan dimensional dan kemudian mendukung implementasi query dan analisis untuk tujuan pengambilan keputusan [1].
PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT. Pupuk Indonesia (Persero) dibawah BUMN yang bergerak di bidang industri kimia khususnya memproduksi pupuk urea. Maka kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk perkebunan yang sangat luas di wilayah Sumatera Utara dan beberapa wilayah lainnya(provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat).
Berdasarkan hasil wawancara dengan pihak PT. Pupuk Iskandar Muda,saat ini penyimpanan data dalam jumlah besar yang masih terpisah – pisah. Perusahaan yang memiliki banyak kumpulan data yang harus di analisis untuk kelangsungan proses bisnis perusahaan tersebut, dalam melakukan suatu analisis pada suatu informasi diperlukan tampilan data yang dapat menampilkan banyak data. Pembuatan laporan di PT.Pupuk Iskndar Muda dilakukan dengan cara mengumpulkan data dari setiap bagian perusahaan yang dibutuhkan, masalah dalam pembuatan laporan ini dibutuhkannya waktu yang lama. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional dan bersifat dinamis.
untuk membangun perangkat lunak data warehouse di PT. Pupuk Iskandar Muda sebagai solusi atas lambat dan sulitnya analisa pada sistem sebelumnya. Sedangkan tujuan yang akan di capai dalam penelitian adalah :
Sedangkan tujuan yang akan di capai dalam penelitian adalah :
1. Membantu pihak perusahaan dalam mengintegrasikan data.
2. Membantu pihak perusahaan dalam menganalisa penjualan dan produksi barang dalam periode tertentu secara multidimensional.
2. TINJAUAN PUSTAKA
Data Warehouse dapat bermacam-macam namun mempunyai inti yang sama, seperti pendapat beberapa ahli berikut ini :
Data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan
management[2].
Data warehouse merupakan database
relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse
memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber [2].
Data warehouse merupakan metode dalam perancangan database, yang menunjang DSS (Decission Support System) dan EIS (Executive Information System). Secara fisik data warehouse
adalah database, tapi perancangan data warehouse
dan database sangat berbeda. Dalam perancangan
database tradisional menggunakan normalisasi, sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik [2].
Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse adalah database
yang saling bereaksi yang dapat digunakan untuk
query dan analisisis, bersifat orientasi subjek, terintegrasi, time-variant, tidak berubah yang digunakan untuk membantu para pengambil keputusan.
2.1 Konsep Dasar Data Warehouse
Data warehouse adalah kumpulan macam-macam data yang subject oriented, integrated, time variant, dan nonvolatile dalam mendukung proses pembuatan keputusan [4].
histori, yang menyediakan infrastruktur bagi EIS dan DSS.
a. Subject Oriented
Data warehouse diorganisasikan pada subjek-subjek utama, seperti pelanggan, barang, dan penjualan. Berfokus pada model dan analisis pada data untuk membuat keputusan, jadi bukan pada setiap proses transaksi atau bukan pada OLTP. Menghindari data yang tidak berguna dalam mengambil suatu keputusan. b. Integrated
Dibangun dengan menggabungkan atau menyatukan data yang berbeda. relational databse, flat file, dan on-line transaction record. Menjamin konsistensi dalam penamaan, struktur pengkodean, dan struktur atribut diantara data satu sama lain.
c. Datawarehouse time variant
Data disimpan untuk menyediakan informasi dari perspektif historical, data yang tahun - tahun lalu atau 4 - 5 tahun. Waktu adalah elemen kunci dari suatu data warehouse pada saat pengcapture-an.
d. Non Volatile
Setiap kali proses perubahan, data akan di tampung dalam tiap-tiap waktu. Jadi tidak di perbaharui terus menerus. Data warehouse tidak memerlukan pemrosesan transaksi dan recovery. Hanya ada dua operasi initial loading of data dan
access of data.
2.2 Proses ETL(Extraction, Transformation,
Loading)
Tiga fungsi utama yang perlu dilakukan untuk membuat data siap digunakan pada data warehouse
adalah extraction, transformation dan loading. Ketiga fungsi ini terdapat pada staging area[5].
Pada data staging ini, disediakan tempat dan area dengan beberapa fungsi seperti data cleansing, change, convert, dan menyiapkan data untuk disimpan serta akan digunakan dalam data warehouse[5].
a. Extraction
Data Extraction adalah proses pengambilan data yang diperlukan dari sumber data warehouse
dan selanjutnya dimasukkan pada staging area untuk diproses pada tahap berikutnya. Pada fungsi ini banyak berhubungan dengan berbagai tipe sumber data seperti: Format data, mesin yang berbeda,
software dan arsitektur yang tidak sama. Sehingga sebelum proses ini dilakukan, sebaiknya perlu didefinisikan requirement terhadap sumber data
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
3 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033Pada kenyataannya, pada proses transaksional data disimpan dalam berbagai format sehingga jarang kita temui data yang konsisten antara
aplikasi-aplikasi yang ada. Transformasi data ditujukan untuk mengatasi masalah ini. Dengan proses transformasi data ini, kita melakukan standarisasi terhadap data pada satu format yang konsisten. Beberapa contoh ketidakkonsistenan data
tersebut dapat diakibatkan oleh tipe data yang berbeda, data length dan lain sebagainya.
c. Load dioperasikan. Incremental load ini dapat dilakukan sesuai dengan sistem yang dibangun
2.3 Skema Data Warehouse
Skema yang sering digunakan pada data warehouse adalah skema bintang atau snowflake, kedua skema ini sangat mudah dimengerti dan sesuai dengan kebutuhan bisnis, mendukung query
sederhana dan menyediakan performa query yang superior dengan meminimalisasi tabel-tabel join [7].
1. Skema Bintang (Star Schema)
Skema bintang merupakan struktuk logikal yang memiliki tabel fakta yang terdiri atas data faktual ditengahnya, dan dikelilingi oleh tabel-tabel dimensi yang berisi referensi data.
Gambar 1 Skema Bintang
2. Snowflake Schema
Merupakan varian dari skema bintang dimana table-table dimensi tidak terdapat data yang di denormalisasi. Dengan kata lain satu atau lebih table dimensi tidak bergabung secara langsung kepada table fakta tapi pada table dimensi lainnya.
Gambar 2 Snowflake Schema
3. Fact Constellation Schema
Fact constellation schema adalah
dimensional model yang didalamnya terdapat lebih dari satu tabel fakta yang membagi satu atau lebih dimension table. Skema ini lebih kompleks daripada star skema karena berisi berbagai tabel fakta. Dalam
fact constellation schema, satu dimensi table bisa digunakan di beberapa tabel fakta sehingga desainnya lebih kompleks. Keuntungan dari fact constellation schema adalah kemampuan untuk memodelkan bisnis lebih akurat menggunakan beberapa tabel fakta. Namun kerugiannya adalah sulit dalam pengelolaan dan desain yang rumit
Gambar 3 Fact Constellation Schema
3. ANALISIS DAN PERANCANGAN
3.1 Analisis Masalah
Analisis yang dilakukan pada perusahaan PT.Pupuk Iskandar Muda didapatkan beberapa masalah yang ada pada perusahaan tersebut,sebagai berikut : 1. Saat ini perusahaan sulit mendapatkan informasi
yang memadai untuk melakukan pengambilang keputusan.
menganalisis informasi apa saja yang dibutuhkan oleh Koperasi Anugerah Rejeki dari data warehouse yang akan di bangun. Berdasarkan hasil wawancara dengan Budi Adi Mulyo sebagai pemilik koperasi ada beberapa kebutuhan informasi yang akan dibutuhkan oleh pihak Koperasi Anugerah Rejeki untuk mencapai keunggulan kompetitifnya dan meningkatkan operasi bisnis koperasi adalah sebagai berikut :
1. Informasi jumlah produksi pupuk pada pabrik per bulan dan per tahun.
2. Informasi jumlah pelanggan yang paling banyak membeli pupuk per bulan dan per tahun.
3. Informasi jumlah pupuk yang paling laku terjual disetiap daerah per bulan dan per tahun.
4. Informasi jumlah pupuk yang paling laku terjual disetiap provinsi per bulan dan per tahunnya. 5. Informasi jumlah bahan yang digunakan setiap
pabrik dalam bulan dan tahunnya.
6. Informasi jumlah penjualan pupuk yang dihasilkan paling banyak setiap provinsi dalam setiap bulan dan tahun.
3.3 Arsitektur Pembangunan Data Warehouse
Jenis data warehouse yang akan dibangun adalah jenis data warehouse fungsional, dimana sumber data yang akan disimpan dalam data warehouse adalah data eksternal, yaitu data sehari-hari dari masing-masing aktivitas yang berupa file microsoft office excel dengan format “Xlsx”. Jenis Data warehouse fungsional terdiri dari lapisan source layer, Data Staging, data warehouse layer dan analysis. Berikut gambar arsitektur data warehouse fungsional.
Gambar 4 Data Warehouse Fungsional
3.4 Source Layer
Source layer adalah lapisan sumber data, dimana pada lapisan ini data masih berupa file eksternal. Data eksternal yang akan digunakan dalam pembangunan data warehouse ini adalah data berupa file excel dengan format xls. File excel ini akan di import kedalam database, Sebelum mengimport file excel ke dalam database, terlebih dahulu kolom dan isi data dari tiap field atau record yang ada dianalisa agar struktur tabel yang akan
3.5 Data Staging
Pada lapisan ini, data ekternal yang sudah diimport kedalam database akan diekstrak, ditransform dan kemudian diload ke dalam data warehouse. Proses ini lebih dikenal dengan proses ETL. Proses ETL merupakan proses yang sangat penting dalam membangun data warehouse, semakin tinggi tingkat kebenaran proses ETL semakin akurat informasi yang diambil dari data warehouse.
Gambar 5 Langkah-langkah ETL
Proses etl menjelaskan tentang tahapan yang akan di lakukan dalam proses staging. Seperti penjelasan dibawah ini :
1. Proses Extraction
Langkah pertama pada proses ETL adalah mengekstrak data dari sumber-sumber data. Data warehouse dapat menggabungkan data dari sumber-sumber yang berbeda dengan sistem-sistem terpisah yang menggunakan format data yang berbeda. Ektraksi adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. Proses ekstraksi data dari sumber data kedalam data warehouse adalah sebagai berikut :
1) Proses extract pada tabel penjualan.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
5 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-90332) Proses extract pada tabel produksi
Tabel 2 Extract Produksi Nama
3) Proses extract pada tabel gudang
Tabel 3 Extract Gudang
Nama
4) Proses extract pada tabel pelanggan
Tabel 4 Extract Type Pelanggan
Nama
5) Proses extract pada tabel barang
Tabel 5 Extract Barang
Nama 6) Proses extract pada tabel pabrik
Tabel 6 Extract Pabrik Nama 7) Proses extract pada tabel bahan
Tabel 7 Extract Bahan
Nama
Proses transform yang dilakukan adalah cleaning dan conditioning.
a) Cleaning
Proses cleaning membersihkan data-data atau field yang tidak perlu dan tidak terpakai dari tabel yang telah di-extract. Berikut merupakan nama field yang dihilangkan dalam proses cleaning :
4. Pada tabel Bahan menghilangkan field keterangan.
Tabel 8 Cleaning Tabel Peminjam
Gudang dim_gudang
No Field No Field
1 kode_gudang 1 kode_gudang 2 nama_gudang 2 nama_gudang 3 alamat_gudang
Pada tabel ini menghilangkan beberapa field alamat_gudang karena tidak dibutuhkan dalam analisis kebutuhan informasi strategis.
b) Conditioning
Proses conditioning dilakukan dengan pemilihan tabel dan atribute dari sumber data ke target data (data warehouse). Penjelasan dari conditioning pada proses transformasi ini yaitu mengubah field tanggal di pecah menjadi beberapa field (tanggal, bulan, tahun) karena ketika proses analisis, data yang dibutuhkan bisa dianalisis lebih dalam berdasarkan range waktu yang diinginkan. Untuk lebih jelasnya lihat table dibawah ini dibawah ini :
Tabel 10 Tabel Conditioning dim_tanggal_penjualan
tanggal_penjualan dim_tanggal_penjualan
03/01/2013 tanggal bulan tahun
3.6 Data Warehouse Layer
Pada lapisan ini, data yang sudah melalui proses ETL akan disimpan pada sebuah penyimpanan logic yang tersentralisasi yaitu data warehouse. Nantinya akan dibutuhkan dua tabel fakta yaitu tabel fakta penjualan dan tabel fakta produksi. Selain itu akan ada tabel dimensi yang akan digunakan bersama dalam beberapa tabel fakta. Melihat dari kebutuhan tersebut, maka skema data warehouse yang akan digunakan adalah constellations karena ada tabel dimensi yang berelasi dengan lebih dari satu fakta yang lain. Untuk lebih jelasnya, skema relasi data warehouse dapat dilihat pada gambar 6 :
Gambar 6 Skema Data Warehose
3.7 Analisis Kebutuhan Fungsional
Analisis kebutuhan fungsional menggambarkan proses kegiatan yang akan diterapkan dalam sebuah sistem. Analisis yang akan dibuat untuk menggambarkan model fungsional dan aliran informasi yaitu diagram konteks dan data flow diagram (DFD).
1. Diagram Konteks
Pembuatan diagram konteks dari sistem pendekatan struktur ini menggambarkan sistem secara garis besar yang kemudian akan dipecah menjadi bagian-bagian lebih terperinci.
Adapun diagram konteks dari sistem yang proses yang menggambarkan suatu alur informasi yang lebih detail dan terperinci yang merupakan pengembangan dari diagram konteks. Berikut ini merupakan Data Flow Diagram dari sistem yang akan dibangun :
a) DFD Level 1 Aplikasi Data Warehouse
DFD Level 1 aplikasi data warehouse adalah penurunan dari diagram konteks untuk menjabarkan proses-proses yang akan terjadi dalam sistem. Gambar DFD Level 1 dapat dilihat pada gambar dibawah ini :
Gambar 8 DFD Level 1 Aplikasi Data Warehouse
b) DFD Level 2 Proses ETL
Adapun DFD Level 2 proses ETL data dari sistem yang akan dibangun dapat dilihat pada gambar berikut :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
7 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033c) DFD Level 2 Proses OLAP
Adapun DFD Level 2 proses OLAP data dari sistem yang akan dibangun dapat dilihat pada gambar berikut :
Gambar 10 DFD Level 2 Proses OLAP
4. IMPLEMENTASI DAN PENGUJIAN
4.1 Perangkat Lunak Pembangun
Perangkat lunak yang digunakan untuk membangun perangkat lunak data warehouse PT.Pupuk Iskandar Muda yaitu :
Tabel 11 Perangkat Lunak Pembangun
NO Perangkat Lunak Keterangan
1 Windows 8 Sistem Operasi 2 SQL Server 2014 Penyimpanan
Database
3 Visual Studio 2013 Tool Pembangun Aplikasi
4.2 Perangkat Keras Pembangun
Kebutuhan minimum perangkat keras (hardware) yang diperlukan untuk membangun perangkat lunak data warehouse adalah perangkat keras komputer Laptop dengan spesifikasi seperti dibawah ini :
Tabel 12 Perangkat Keras Pembangun
NO Perangkat
Implementasi antar muka dilakukan dengan menampilkan setiap tampilan sistem yang dibangun dan pengkodeannya dalam bentuk file program. Adapun untuk implementasi tampilan perangkat lunak data warehouse yang dibangun dapat dilihat pada tabel dibawah ini :
Tabel 13 Implementasi Antar Muka
No.Proses Nama Proses Nama File laku terjual disetiap daerah per bulan dan per tahun.
Olap3.cs
3.4 Informasi jumlah pupuk yang paling laku terjual disetiap provinsi per bulan paling banyak setiap bulan dan tahun.
Olap6.cs
4.4 Pengujian Sistem
Pengujian data warehouse yang dibangun menggunakan metode pengujian black box. Adapun rencana pengujian selengkapnya dapat dilihat pada tabel dibawah :
Tabel 14 Rencana Pengujian Kelas
Uji
Detail Pengujian Jenis Uji
Import Berhasil import atau gagal
OLAP Berhasil melakukan analisis OLAP atau gagal melakukan analisis OLAP
Black Box
4.5 Kesimpulan Pengujian Alpha
diinginkan sehingga report yang dihasilkan juga akan sesuai karena mengikuti hasil output analisis OLAP.
4.6 Kesimpulan Pengujian Beta
Berdasarkan hasil wawancara diatas disimpulkan bahwa tujuan dari pembangunan perangkat lunak data warehouse ini sudah terpenuhi
5. PENUTUP
5.1 Kesimpulan
Dari hasil pengujian dan wawancara yang telah dilakukan kepada pihak perusahaan PT.Pupuk Iskandar Muda selaku perusahaan diperoleh kesimpulan bahwa :
1. Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data.
2. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.
5.2 Saran
Dalam pembangunan Perangkat Lunak Data Warehouse ini masih jauh dari sempurna dan masih banyak kekurangan. Oleh karena itu perlu dilakukan pengembangan dan penyempurnaan lebih lanjut. Adapun saran yang dapat digunakan dalam pengembangan sistem lebih lanjut :
1. Dikembangkan menjadi BI karena perusahaan memiliki anak perusahaan yang lain.
DAFTAR PUSTAKA
[1] Roger S. Pressman, Software engineering, 7th ed .: Mc Graw. Hill. 2010
[2] Golfarelli, M., Hill, M.G., dan Rizzi, S.2009.
Data Warehouse Design, Modern Principles and Methodologies.New York: Mc Graw Hill.
[3] Vincent Rainardi, Building a Dta Warehouse;
Apress, 2008
[4] Ponniah Paulraj,2001.Data, Warehouseing
Fundamentals, New York : A Wiley
Interscience Publication.
[5] Rainardi, V. Building A Data Warehouse, With Examples in SQL Server. APRESS,2007.
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
1 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033DEVELOPMENT OF DATA WAREHOUSE ON PT.PUPUK ISKANDAR
MUDA
Dinda Wilanda
Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl. Dipati Ukur. 112-116 Bandung
E-mail : Dinwil07@gmail.com
ABSTRAK
PT.Pupuk Iskandar Muda or commonly called as PT PIM is a subsidiary company of PT.Pupuk Indonesia (Persero) STATE-OWNED ENTERPRISES that working on chemical industry in particular produce urea fertilizer. The exixtence of PT.Pupuk Iskandar Muda can supply the needs of fertilizer to farmers and the vast plantations in some parts of the province of Aceh, North Sumatra, West Sumatra, Riau, Riau Islands, and West Kalimantan. Current amount of existing data on the PT. Pupuk Iskandar Muda is enormous , it makes delay in accessing the information, and every region has a different data type and naming. The form of the report is not yet support for the views of the various aspects of the company's decision-making, so it needed a system that can display information in a multi dimensiona. Therefore, the company needs data warehouse for managing production and sales data for accessing information to making a decision.
The company’s data used for data warehouse
including sales data, production data, stockroom, customer, product, factory, ingredients. Data warehouse makes the spread data on company to the integrated data, so that can helping company for analyze existing data for making decision that strategic to more quickly and accurately. The development of datawarehouse used modeling of Fact constellations and OLAP (On-Line Analytical Processing) design, for the processing and analysis of the data by using the technique of Roll-ups and Drill-Down.
The sofwatre of data warehouse can helping the company on integrate data. The result of information can be used for helping the analysis for company of PT.Pupuk Iskandar Muda.
Key Word : Data warehouse, Fact Constellations, kRoll-Up, Drill-Down, OLAP
1. INTRODUCTION
Data warehouse is a database that react with each other which can be used for query and analysis, is the orientation of the subject, integrated,
time-variant, and has not changed, which is used to support decision making. Data warehouse is a system of extracting, cleaning, adjusting, and sends the data source into the data storage and then support the implementation dimensional query and analysis for decision-making purposes.
PT. Pupuk Iskandar Muda or commonly called the PT PIM is a subsidiary of PT. Pupuk Indonesia (Persero) under the state-owned enterprises engaged in the chemical industry in particular producing urea fertilizer. Hence the presence of PT. Pupuk Iskandar Muda fertilizer can meet the needs of the vast estate in North Sumatra and several other regions (provinces of Aceh, North Sumatra, West Sumatra, Riau, Kepulauan Riau, and West Kalimantan).
Based on interviews with the PT. Pupuk Iskandar Muda, the current storage of large amounts of data are still apart - separated. Companies that have large data sets to be analyzed for the continuity of the company's business processes, in conducting an analysis on the information required data display that can display a lot of data. Preparing reports on PT.Pupuk Iskndar Young conducted by collecting data from every part of the company is needed, problems in making this report the need for a long time. Form of the report does not yet support for the views of the various aspects of corporate decision-making, so we need a system that can display information in a multi-dimensional and dynamic.
Therefore, the company requires a data warehouse to manage production data and sales data to obtain information in making decisions.
1.1. Purpose and objectives
Based on the problems studied, the purpose of this research is to build a data warehouse software in the PT. Pupuk Iskandar Muda as a solution to the slow and difficult analysis of the previous system. While objectives to be achieved in the study are:
While the objectives to be achieved in the study are:
multidimensional.
2. LITERATURE
Data Warehouse can vary but have the same core, like the opinion of some experts the following:
Data Warehouse can vary but have the same core, like the opinion of some experts the following: The data warehouse is a collection of data that have a nature-oriented subject, integrated, time-variant, and is fixed on the collection of data in support of the decision making process management
[2].
The data warehouse is a relational database that is designed more to query and analysis of the transaction process, usually containing the data history of the transaction process and could also data from other sources. Data warehouses separate analysis workload from transaction workload and enables an organization to merge / consolidation of data from various sources [2].
The data warehouse is a method in the design of the database, which support the DSS (Decission Support System) and EIS (Executive Information System). Physically data warehouse is a database, but the data warehouse and database design is very different. In traditional database design using normalization, while the normalization of the data warehouse is not the best way [2].
From the definitions described above, it can be concluded that the data warehouse is a database that react with each other can be used to query and analisisis, is the orientation of the subject, integrated, time-variant, unchanged used to assist decision makers.
2.1 Basic Concepts Data Warehouse
The data warehouse is a collection of all sorts of data that is subject oriented, integrated, time variant, and nonvolatile in support of the decision-making process [4].
Data warehouses are often integrated with various application systems to support the process of reporting and data analysis by providing historical data, which provides the infrastructure for the EIS Avoid useless data in taking a decision. b. Integrated
Built by connecting or uniting different data. relational databases, flat files, and on-line
c. Datawarehouse time variant
Data is stored to provide information from a historical perspective, the data that year - last year or 4-5 years. Time is a key element of a data warehouse at the time pengcapture's. d. Non Volatile
Whenever the process of change, the data will be collected in each time. So it is not updated continuously. Data warehouse does not require transaction processing and recovery. There are only two operations initial loading of data and access of data.
2.2 ETL Process (Extraction, Transformation,
Loading)
The three main functions that need to be done to make the data ready for use in the data warehouse is the extraction, transformation and loading. These three functions are in the staging area [5].
In this staging of data, provided the place and area with multiple functions such as data cleansing, are then put on the staging area to be processed at a later stage. In this function are associated with different types of data sources such as data formats, different machines, software and architecture are not the same. So before the process is done, you should have to be defined requirement against data sources that will be used for the next process.
b. Transformation
In fact, the process of transactional data is stored in various formats so rare to find a consistent data between existing applications. Data transformation aimed at addressing this problem. With this data transformation process, we standardized the data on a consistent format. Some examples of such data inconsistencies can be caused by different types of data, the data length and so forth.
c. Load
