7
LANDASAN TEORI
2.1 Data
Menurut O’Brien (2004, p13) Data adalah fakta mentah atau observasi– observasi, secara tipe–tipe fenomena–fenomena secara fisik atau transaksi bisnis. Jadi, data merupakan fakta atau gambaran mentah tentang kejadian, kegiatan dan transaksi yang disimpan namun belum terorganisir sehingga belum memiliki suatu arti khusus
Menurut William dan Sawyer (2007, p25) data terdiri dari fakta-fakta dan gambar mentahan yang akan diproses menjadi informasi. Misalnya, suara untuk kandidat pemilu berbeda-beda.
2.2 Database
Menurut William dan Sawyer (2007,p416) database adalah kumpulan data yang saling berhubungan, diatur secara logis, yang dirancang dan dibangun untuk tujuan khusus sebuah teknologi untuk mengumpulkan banyak fakta yang memungkinkan anda memotong membuang, dan menggabungkan serta memasangkan data dengan beragam cara.
Menurut Inmon (2005, p493) database adalah kumpulan data yang saling berhubungan yang disimpan (dikendalikan, redudansi yang terbatas) sesuai dengan sebuah skema. Sebuah database bisa menyediakan aplikasi tunggal atau ganda.
2.3 Dashboard
Menurut Scheps (2008, p95) dashboard merupakan keturunan langsung dari EIS lama dan sistem DSS, dengan meningkatkan fungsional dan penampilan. Karena mereka terhubung dengan sistem data yang kuat dan memanfaatkan KPI.
Menurut Scheps (2008,p97) Tiga jenis dashboard yaitu : • Tactical Dashboard
Mengukur produktivitas jangka pendek dan efektivitas. Hasilnya sering digunakan oleh contributor individu.
• Operational Dashboard
Mengukur efektivitas jangka pendek dari fungsi bisnis yang spesifik pada tim atau level unit bisnis. Level dashboard ini dapat secara potensial dikembangkan untuk seorang knowledge worker atau local team manager. • Strategic Dashboard
Dibangun untuk level pengaturan kebijakan dari organisasi. Dashboard menampilkan metric yang menggambarkan strategi dan tujuan korporasi.
2.4 Key Performance Indicator
Menurut Scheps (2008, p303) Key Performance Indicator adalah metric dan pengukuran yang mengindikasi apakah perusahaan hidup atau mati. Mengukur dan merawat KPI adalah sasaran utama dari beberapa solusi Business Intelligence.
2.5 OLAP (Online Analytical Processing)
Menurut Scheps (2008,p68) Online Analytical Processing adalah sebuah konsep data multidimensional dengan mengkonseptualisasi data transaksional perusahaan. Bukan hanya mengagregasi dan meringkas data, OLAP memberikan kemampuan pada sistem BI untuk melihat data dengan cara baru.
Gambar 2.1 Online Analytical Processing
2.5.1 Arsitektur OLAP
Sistem OLAP mempunyai dua kategori yaitu • OLAP Cube
Menurut Scheps (2008, p77) Di lingkungan OLAP, cube adalah penyimpan data terspesialisasi dirancang secara spesifik untuk menangani data ringkasan multidimensional (multidimensional
summary data). Data cube disimpan di cells. Strukturnya seperti 3D spreadsheet.
Gambar 2.2 Cube 2.5.2 OLAP Access Tools
Lingkungan client yang memungkinkan pengguna untuk mengutak-atik data cube dan akhirnya menghasilkan Business Intelligence yang berarti dari berbagai sudut pandang dan dapat lebih dari satu sudut pandang.
2.6 Data Warehouse
Menurut Connoly (2005, p1047) Data warehouse adalah sebuah kumpulan data yang bersifat subject oriented, integrated, time – variant, non volatile untuk mendukung proses pengambilan keputusan managemen.
Menurut William dan Sawyer (2007,p432) data warehouse adalah database khusus untuk data dan meta data yang sudah dibersihkan. Data warehouse adalah salinan atau reproduksi data yang mirip dengan data yang ada pada mainframe.
2.6.1 Karakteristik Data Warehouse
Menurut Inmon (2002, p32) Data Warehouse memiliki empat karakteristik utama yaitu :
• Subject Oriented
Data warehouse yang bersifat subject oriented artinya data warehouse
dirancang untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan di sekitar subjek utama dari perusahaan (customer, product, dan
sales) dan tidak diorganisasikan pada area aplikasi utama. Hal ini dikarenakan
kebutuhan data warehouse untuk menyimpan data yang bersifat sebagai penunjang keputusan, daripada aplikasi berorientasi terhadap data.
• Integrated
Data warehouse dapat menyimpan data–data yang berasal dari sumber–
sumber yang terpisah ke dalam suatu format yang konsisten dan saling terintegrasi satu dengan yang lainnya. Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara seperti konsisten dalam penamaan variabel, konsisten dalam ukuran variabel, konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
• Time Variant
Model analisis yang diterapkan pada sebuah data warehouse berfokus pada perubahan data actual berdasarkan waktu. Dalam hal ini data warehouse harus mampu menyimpan data untuk suatu objek tertentu dalam kurun waktu yang
berbeda-beda. Waktu merupakan bagian data yang sangat penting di dalam data
warehouse.
• Non–Volatile
Karakteristik non-volatile dari data warehouse berarti data pada data
warehouse tidak dapat di update secara real time tetapi di refresh dari sistem
oprasional secara regular. Data yang baru selalu ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai perubahan. Database tersebut secara kontinu menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya.
2.6.2 Struktur Data Warehouse
Menurut Inmon (2002,p35) Data warehouse memiliki level kedetailan data dalam struktur data warehouse yaitu :
• Old Detail Data
Merupakan data historis dari current detail data, dapat berupa hasil cadangan atau archive data yang di simpan dalam storage terpisah. Karena bersifat back up, maka biasanya data disimpan dalam storage alternatif seperti tape – desk.
• Current Detail Data
Merupakan data rinci yang aktif saat ini, mencerminkan keadaan yang sedang berjalan dan merupakan level terendah dalam data warehouse. Di dalam area ini warehouse menyimpan seluruh rincian data yang terdapat pada skema basis data.
• Lightly Summarized Data
Data ini merupakan ringkasan atau rangkuman dari current detailed data. data ini dirangkum berdasarkan periode atau dimensi lainnya sesuai dengan kebutuhan. Ringkasan dari current detail data belum bersifat total summary. Data–data ini memiliki rincian tingkatan yang lebih tinggi dan mendukung
warehouse pada tingkat departemen. Tingkatan data ini disebut juga dengan datamart. Akses terhadap data jenis ini banyak digunakan untuk view suatu
kondisi yang sedang atau sudah berjalan. • Highly Summarized Data
Merupakan tingkat lanjutan dari lightly summarized data, hasil ringkasan bersifat totalitas, dapat diakses untuk melakukan analisa perbandingan data berdasarkan urutan waktu tertentu dan analisis menggunakan multidimensi.
2.7 Metadata
Menurut Inmon (2002, p113) Metadata telah menjadi bagian dari lingkungan pengolahan informasi selama telah ada program dan data. Tetapi di dunia data
warehouse, meta data memungkinkan pengguna/analis DSS untuk menavigasi melalui
kemungkinan. Dengan kata lain, ketika pengguna mendekati data warehouse yang tidak mempunyai metadata, pengguna tidak tahu darimana memulai untuk menganalisa. Pengguna harus membongkar dan menyelidiki data warehouse untuk menemukan data apa yang ada disana dan data apa yang tidak ada, membuat banyak waktu yang terbuang.
Menurut Kimball (2002, p14) Metadata adalah semua informasi dalam lingkungan data warehouse yang bukan merupakan data itu sendiri. Metadata ini hampir sama dengan sebuah ensiklopedia untuk data warehouse.
2.8 Data Mart
Menurut Connoly (2005, p1067) Data mart adalah sebuah subset dari sebuah
data warehouse yang mendukung kebutuhan–kebutuhan dari sebuah departemen khusus
atau fungsi bisnis.
Menurut Scheps (2008, p208) Data mart dapat menerima data dari data
warehouse, atau secara langsung dari sistem transaksional. Datamart dapat
menampilkan transformasi dan kalkulasi pada data yang sama dengan data warehouse. Tapi datamart selalu terbatas pada ruang lingkupnya dan tujuan bisnis.
Menurut English (1999, p469) Data mart adalah sebuah subset data perusahaan beserta perangkat lunak untuk mengambil data dari sebuah gudang data atau tempat penyimpanan data operasional, meringkas, menyimpan, untuk menganalisa dan menyajikan informasi yang mendukung analisa kecenderungan dan keputusan taktis.
2.9 Activity Diagram
Menurut Satzinger (2005,p144) Activity diagram adalah tipe dari workflow diagram yang mendeskripsikan aktivitas user dan aliran sequensial. Yang memiliki symbol Synscronization bar adalah symbol yang digunakan pada activity diagram untuk mengkontrol pembagian dari bagian suquensial. Swimlane adalah daerah kotak pada activity diagram yang meggambarkan aktivitas yang dilakukan oleh single agent
2.10 Snowflake Schema
Menurut Scheps (2008, p277) Snowflake Schema terkait erat dengan star schema yang model data terpusat pada tabel fakta pusat. Tapi skema ini menangani dimensinya sedikit berbeda, beberapa dimensi dinormalisasi untuk menyimpan tempat dan mengurangi redundancy.
Gambar 2.3 Snowflake Schema (Scheps, 2008, p277)
2.11 Data Mining
Menurut Hoffer,Prescott,&Topi (2009, p545) Data Mining adalah sebuah penemuan pengetahuan menggunakan sebuah paduan teknik yang kompleks dari traditional statistik, kecerdasan buatan (artificial intelligence), dan grafis dari komputer.
Menurut Vercellis (2009, p77) Data Mining adalah Sebuah proses berulang bertujuan untuk menganalisa database yang besar dengan tujuan penggalian informasi dan pengetahuan yang berkaitan dengan pengambilan keputusan dan pemecahan masalah.
2.12 Online Transactional Processing
Menurut Kimball (2002, p408) OLTP adalah semua kegiatan dan sistem yang terkait dengan memasukkan data yang dapat dipercaya ke dalam sebuah
database. OLTP paling sering digunakan mengacu pada database relasional,
meskipun OLTP dapat digunakan secara umum untuk menggambarkan setoap proses transaksi.
Menurut Stair & Reynolds (2010) OLTP suatu bentuk pengolahan data dimana setiap transaksi diproses dengan segera, tanpa penundaan mengumpulkan transaksi ke dalam batch. Memiliki karateristik dengan jumlah data yang besar namun transaksi yang dilakukan cukup sederhana seperti insert, update, dan delete. Hal utama yang menjadi perhatian dari sistem yang dilakukan OLTP adalah melakukan query secara cepat dan dat mudah untuk diperbaiki dan dapat diakses.
2.13 Business Intelligence
Menurut Turban at all (2011, p28) Business Intelligence adalah istilah sebuah payung yang mengambungkan arsitektur, tools, database, analytical tools, aplikasi dan metodolagi. Tujuan utama BI adalah dapat mengakses data secara interaktif (kadang –
kadang dalam real time), untuk dapat memanipulasi data dan memberikan manager bisni dan analis kemampuan unttuk mengadakan analisa yang sesuai.
Menurut Moss (2003, p4) Business Intelligence bukanlah merupakan sebuah produk atau sebuah sistem. BI adalah sebuah arsitektur dan sebuah kumpulan operasional yang terintegrasi sebaik aplikasi pendukung keputusan dan database yang menyediakan akses yang mudah bagi komunikasi bisnis ke data bisnis. Business
Intelligence Roadmap secara khusus menunjukkan aplikasi dan database pendukung
keputusan.
Menurut Williams (2007,2) Business Intelligence adalah kombinasi produk, teknologi dan metodologi untuk mengorganisasi informasi yang dibutuhkan managemen untuk mengembangkan keuntungan dan peforma.
2.13.1 Langkah-Langkah Pembuatan Business Intelligence
Stage 1. Justification (mengukur kebutuhan bisnis yang menimbulkan proyek pembangunan baru)
Step 1 : Business Case Assessment
Masalah bisnis atau peluang bisnis di definisikan dan sebuah solusi BI diusulkan. Setiap aplikasi BI harus disesuaikan dengan biaya dan menjelaskan keuntungan secara jelas tentang penyelesaian masalah bisnis atau mengambil keuntungan dari peluang bisnis.
Yang terdiri dari aktivitas yaitu: • Menentukan kebutuhan bisnis
• Mengukur solusi dari sistem pendukung
• Mengukur pesaing BI pendukung keputusan • Determinasi sasaran aplikasi BI
• Mengajukan solusi BI
• Menampilkan analisis biaya – keuntungan • Menampilkan pengukuran resiko
Stage 2. Planning (mengembangkan strategi dan rencana taktis, dimana tampilan
engineering project akan diselesaikan dan disebarkan)
Step 2 : Enterprise Infrastructure Evaluation
Sebuah infrastruktur perusahaan harus mendukung aplikasi BI. Beberapa komponen infrastruktur harus sudah siap sebelum projek BI pertama dimulai. Komponen infrastruktur yang lain harus dikembangkan sepanjang waktu sebagai bagian dari projek BI. Sebuah infrastruktur perusahaan mempunyai dua komponen:
1. Infrastruktur teknikal, dimana termasuk perangkat keras, perangkat lunak,
middleware, database management systems, sistem operasi, komponen–
komponen jaringan, penyimpanan metadata, alat pendukung, dan lainnya. Terdiri dari aktivitas yaitu:
• Mengukur platform yang ada
• Mengevaluasi dan memilih produk baru
• Menulis laporan pengukuran infrastruktur teknikal • Memperluas platform sekarang ini
2. Infrastruktur nonteknikal, dimana termasuk standar– standar metadata, standart penamaan data, model data-data logical perusahaan, metodologi,
panduan prosedur pengujian, proses pengawasan perubahan, prosedur untuk masalah–masalah managemen dan penyelesaian masalah, dan lain–lain. Terdiri dari aktivitas yaitu:
• Mengukur keefektivitasan komponen infrastruktur non teknikal yang ada • Menulis laporan pengukuran infrastruktur non teknikal
• Mengembangkan infrastruktur nonteknikal Step 3 : Project Planning
Projek pengambilan keputusan BI sangat dinamis. Mengubah ruang lingkup,
staff, anggaran, teknologi, gambaran bisnis, dan sponsor–sponsor bisa sangat
berdampak pada kesuksesan sebuah projek. Karena itu perencanaan projek harus rinci dan perkembangan sesungguhnya harus dengan dekat diawasi dan dilaporkan.
Terdiri dari aktivitas yaitu:
• Menentukan kebutuhan proyek
• Menentukan kondisi sumber file dan database • Menentukan atau revisi estimasi biaya
• Revisi pengukuran resiko • Identifikasi factor sukses utama
• Membuat rencana proyek tingkat tinggi • Kerjakan proyek
Stage 3. Business Analysis (menampilkan rincian analisis dari masalah bisnis atau kesempatan bisnis untuk memperoleh sebuah pengertian penuh dari kebutuhan bisnis untuk sebuah solusi yang potensial (produk)
Step 4 : Project Requirements Definition
Mengelola batasan projek adalah salah satu pekerjaan yang paling sulit dalam projek pengambilan keputusan BI. Keinginan untuk memiliki segalanya dengan cepat sulit untuk dibatasi, namun membatasi keinginan adalah salah satu aspek penting dari negosiasi kebutuhan yang dapat disampaikan. Tim–tim proyek seharusnya mengharapkan kebutuhan– kebutuhan ini mengubah seluruh siklus pengembangan seperti orang–orang bisnis belajar lebih tentang kemungkinan– kemungkinan dan batasan–batasan dari teknologi BI selama proyek.
Terdiri dari aktivitas yaitu:
• Mendefinisikan kebutuhan tambahan infrastruktur teknikal • Mendefinisikan kebutuhan tambahan infrastruktur non teknikal • Mendefinisikan kebutuhan laporan
• Mendefinisikan kebutuhan sumber data • Meninjau ruang lingkup proyek
• Memperluas logical data model
• Mendefinisikan persetujuan preliminary service level • Menulis dokumen kebutuhan aplikasi
Step 5 : Data Analysis
Tantangan terbesar dari keseluruhan projek pengambilan keputusan BI adalah kualitas dari sumber data. Kebiasaan buruk dikembangkan lebih dari beberapa dekade sulit untuk dipatahkan dan hasil kerusakan dari kebiasaan buruk itu sangat mahal, memakan waktu, dan melelahkan untuk ditemukan dan di betulkan. Sebagai tambahan analisis data di masa lalu dibatasi pada satu
pandangan bisnis dan tidak pernah digabungkan atau diselesaikan dengan pandangan lain pada organisasi. Langkah ini mengambil sebuah presentaasi signifikan dari waktu yang diberikan untuk seluruh jadwal proyek.
Terdiri dari aktivitas yaitu:
• Menganalisis sumber data eksternal • Memperbaiki logical data model • Menganalisis kualitas sumber data
• Memperluas enterprise logical data model • Menyelesaikan perbedaan data
• Menulis spesifikasi pembersihan data Step 6 : Application Prototyping
Analisis dari penyampaian fungsional, dimana digunakan untuk bisa disebut sebagai analisis sistem adalah yang terbaik selama prototyping sehingga bisa digabungkan dengan perancangan aplikasi. Peralatan baru dan bahasa pemrograman memungkinkan pengembang membuktikan secara relatif cepat atau menyanggah sebuah konsep atau ide. Prototyping juga mengijinkan orang– orang bisnis untuk melihat potensi dan keterbatasan dari teknologi, dimana memberikan mereka sebuah peluang untuk menyesuaikan kebutuhan proyek dan harapannya.
Terdiri dari aktivitas yaitu: • Menganalisis kebutuhan akses • Menentukan ruang lingkup prototype • Memilih tools untuk prototype
• Menyiapkan prototype charter • Merancang laporan dan queries • Membangun prototype
• Menampilkan prototype
Step 7 :Meta Data Repository Analysis
Mempunyai peralatan yang lebih banyak berarti mempunyai teknik meta data yang lebih banyak sebagai tambahan business meta data, yang mana biasa ditangkap dalam sebuah perangkat pemodelan computer-aided software
engineering (CASE). Teknik metadata perlu digambarkan pada bisnis metadata
dan semua metadata harus disimpan pada sebuah penyimpanan metadata. Penyimpanan metadata bisa diijinkan (dibeli) atau dibangun. Dalam kasus lainnya, kebutuhan–kebutuhan untuk tipe metadata yang diperoleh dan disimpan seharusnya didokumentasikan didalam sebuah logical meta model. Saat mengijinkan produk penyimpanan metadata, kebutuhan–kebutuhan tersebut didokumentasikan pada logical meta model harus dibandingkan dengan meta model milik vendor, jika vendor menyediakan. Sebagai tambahan kebutuhan–kebutuhan penyampaian metadata kepada komunitas bisnis harus dianalisa (contoh, fungsi bantuan online).
Terdiri dari aktivitas yaitu:
• Menganalisis kebutuhan metadata repository
• Menganalisis kebutuhan interface untuk metadata repository • Menganalisis akses metadata repository kebutuhan laporan • Membuat logical data model
• Membuat meta-meta data
Stage 4. Design (memahami produk yang menyelesaikan masalah bisnis atau memungkinkan peluang bisnis)
Step 8 : Database Design
Satu atau lebih target database BI akan menyimpan data bisnis dalam bentuk rinci atau kumpulan, bergantung pada kebutuhan laporan dari komunitas bisnis. Tidak semua laporan kebutuhan strategis, dan tidak semua multidimensional. Skema perancangan database harus mencocokkan kebutuhan– kebutuhan pengaksesan informasi dari komunitas bisnis.
Terdiri dari aktivitas yaitu:
• Meninjau lagi kebutuhan data akses
• Menentukan agregasi dan ringkasan kebutuhan • Merancang BI target database
• Merancang struktur database physical
• Mengembangkan perawatan prosedur database • Menyiapkan monitor dan tune rancangan database Step 9 : Extract/Transform/Load Design
Proses ETL adalah proses paling rumit dari seluruh proyek pendukung keputusan BI. Itu juga salah satu yang paling tidak menarik. Kualitas yang buruk dari sumber data biasanya memerlukan banyak waktu untuk menjalankan transformasi dan program pembersihan. Menyelesaikan proses ETL dengan sejumlah window yang tersedia adalah sebuah tantangan bagi kebanyakan organisasi.
Terdiri dari aktivitas yaitu:
• Membuat dokumentasi pemetaan sumber ke target • Mencoba fungsi tool ETL
• Merancang aliran proses ETL • Merancang program ETL • Set up ETL staging area
Step 10 : Metadata Repository Design
Jika sebuah penyimpanan meta data diizinkan, mungkin kebanyakan harus ditingkatkan dengan fitur yang didokumentasikan pada logical meta model tapi tidak disediakan oleh produk. Jika sebuah penyimpanan meta data dibangun, keputusan harus dibuat apakah perancangan database penyimpanan metadata akan berdasarkan entity-relationsip atau object-oriented. Pada kasus lain, perancangan harus memenuhi kebutuhan-kebutuhan dari logical meta model. Terdiri dari aktivitas yaitu:
• Merancang meta data repository database • Install dan test produk meta data repository • Merancang proses migrasi meta data • Merancang aplikasi meta data
Stage 5. Construction (membangun produk dimana harus menyediakan sebuah
return of investment dengan kerangka waktu yang sudah ditetapkan)
Step 11 : Extract/Transform/Load Development
Banyak alat tersedia untuk proses ETL, beberapa ada yang canggih dan beberapa sederhana. Bergantung pada kebutuhan untuk membersihkan data dan
menggubah data dibangun selama step 5, analisa data, dan step 9, merancang ETL, sebuah alat ETL bisa atau tidak bisa menjadi solusi terbaik. Dalam kasus lainnya, pemrosesan awal data dan penulisan tambahan untuk mendukung kemampuan dari alat ETL sering dibutuhkan.
Terdiri dari aktivitas yaitu:
• Membangun dan uji coba unit proses ETL • Integrasi dan regresi proses ETL
• Menampilkan uji coba proses ETL • Jaminan kualitas uji coba proses ETL • Pesetujuan uji coba proses ETL Step 12 : Application Development
Usaha dari proses Prototyping menguatkan kebutuhan–kebutuhan fungsional, pengembangan yang benar dari mengakses dan menganalisa aplikasi bisa dimulai. Mengembangkan aplikasi bisa menjadi sebuah hal yang sederhana dari menyelesaikan sebuah pemodelan operasional atau itu bisa menjadi sebuah pengembangan yang lebih rumit dengan usaha yang berbeda, akses dan alat analisa yang lebih kuat. Pada kasus lain, aktifitas pengembangan aplikasi
front-end ditampilkan paralel dengan aktifitas pengembangan back-front-end ETL dan
pengembangan penyimpanan meta data. Terdiri dari aktivitas yaitu
• Menentukan kebutuhan final proyek • Merancang program aplikasi
• Uji coba program aplikasi
• Menyediakan akses data dan analysis training Step 13 : Data mining
Banyak organisasi tidak menggunakan spesifikasi pengambilan keputusan BI dengan jangkuan terluas. Aplikasi BI seringkali dibatasi dengan laporan – laporan tertulis, beberapa dari itu bukan merupakan tipe laporan yang baru melainkan menggantikan laporan lama. Masa pengembalian sebenarnya datang dari informasi tersembunyi di dalam data–data organisasi, yang bisa diketahui dengan peralatan data mining.
Terdiri dari aktivitas yaitu :
• Mengelompokan masalah bisnis • Mengumpulkan data
• Konsolidasi dan membersihkan data • Menyiapkan data
• Membangun model data analytical • Menginterpretasikan hasil data mining • Menampilkan hasil validasi eksternal • Mengawasi waktu analisis data model Step 14 : Meta Data Repository Development
Jika keputusan untuk membangun sebuah tempat penyimpanan meta data dari pada yang berlisensi, sebuah team terpisah biasanya ditugaskan dengan proses pengembangan. Ini menjadi sebuah sub proyek yang cukup besar dalam keseluruhan projek BI.
Terdiri dari aktivitas yaitu :
• Membangun database meta data repository.
• Membangun dan uji coba unit proses migrasi meta data. • Membangun dan uji coba unit meta data proses migrasi. • Membangun dan uji coba unit aplikasi meta data.
• Uji coba program meta data repository atau fungsi produk. • Menyiapkan meta data repository untuk produksi.
Gambar 2.4 Steps of Business Intelligence (Larissa T.Moss, 2003, p26) 1 Business Case Assessment Planning 2 Enterprise Infrastructure Evaluation 3 Project Planning Business Analysis 4 Project Requirements Definition 5 Data Analysis 6 Application Prototyping 7 Meta Data Repository Analysis Design 9 ETL Design 8 Database Design 10 Meta Data Repository Design Construction 11 ETL Development 13 Data Mining 14 Meta Data Repository Development 12 Application Development
2.14 Kerangka Pikir
Gambar 2.5 Tahapan Perancangan Aplikasi Business Intelligence
