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