Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna
Indonesia Menggunakan SQL Server 2005
Muhamad Adi Prasetyo
1, Ahmad Saikhu
2, Sarwosri
3Teknik Informatika, Fakultas Teknologi Informasi, ITS
Email:
mas_adi@cs.its.ac.id
1ABSTRAK
Data Warehouse merupak an sebuah data base relational yang diperuntukkan untuk k ebutuhan query dan analisis, buk an untuk proses transak si. Data Warehouse dapat dimanfaatk an sebagai pendukung sistem k eputusan dengan menyimpan dan mengolah data dari berbagai sumber dengan menggunak an alat bantu seperti Online Analit ical Processing (OLAP). OLAP di manfaatkan untuk membuat laporan jalur proses produk si pada PT Anek a Tuna Indonesia. PT Aneka Tuna Indonesia ialah perusahaan yang bergerak dalam bidang pengolahan ik an tuna menjadi beberapa produk yang pasarnya sebagian k eluar negri. Laporan yang dibuat menggambark an dinamika produk si pada periode tertentu yang mulai dari pengiriman ik an oleh supplier hingga staffing . Laporannya akan ditampilk an dalam bentuk tabel dan grafik . Dengan adanya aplik asi ini diharapk an dapat membantu pihak managemen PT Aneka Tuna Indonesia dalam mengontrol dan mengawasi proses dan hasil produk sinya dan mendukung pengambilan k eputusan perusahaan.
Keywords: OLAP, Cube, SQL Server, Laporan, ATI, Analysis Services, Report.
1. Pendahuluan
PT. Aneka Tuna Indonesia (ATI) adalah sebuah perusahaan yang didirikan pada tahun 1991. Perusahaan ini merupakan jo int venture antara Itochu Corporation, Hagoromo Food Corporation (pemilik sebuah merk ikan tuna terke mu ka di Jepang), serta Solar Pacific Resources Ltd. Perusahaan ini terletak di Jalan Raya Surabaya – Malang Km 38, Ge mpol, Pasuruan. Pada tahun 1992, perusahaan ini mula i beroperasi dengan spesialisasi pada produksi dan penjualan produk ikan tuna ka lengan [4].
Pada PT. Aneka Tuna Indonesia, terjadi proses produksi mula i dari pe milihan dan pengukuran berat ikan (fish selection and fish sizing) sampai dengan pelabelan produk jadi (labelling). Pencatatan tentang informasi bahan baku pada proses fish sizing sampai dengan fish cleaning telah dila kukan namun masih secara semi manual dengan menggunakan aplikasi spreadsheet (excel). Untuk saat ini, pencatatan tersebut masih me madai [2].
Sa mpai saat ini, me kanis me pencatatan tersebut masih me madai. Na mun apabila data hasil pencatatan tersebut digunakan untuk, misalnya, pelaporan produk tentu saja diperlukan suatu pengembangan. Perusahaan perlu mengembangkan suatu sistem pelaporan produk (Summary Report) yang mempunyai ke ma mpuan melaporkan hasil dari proses – proses produksi mula i dari supplier datang hingga produk akhir d ihasilkan.
Data yang tersimpan dala m database akan lebih berart i apabila disimpan sebagai data warehouse sebagai salah satu cara untuk me la kukan pengamatan dan analisis dari record – record yang telah tersimpan. Hasil dari ana lisis data warehouse dapat digunakan oleh pihak manaje men untuk me mbantu pengambilan keputusan. Dala m jangka panjang, hal ini juga dapat me mberikan kontribusi untuk kepentingan Customer Relationship Management.
Untuk me mbantu pengambilan keputusan ini, ada banyak hal yang dapat dilakukan. Salah satunya adalah menggunakan OLAP (Online
Analitical Processing). OLAP merupakan sistem
yang bertugas untuk mengubah data yang disimpan dala m data warehouse dan mentransformasikan data menjadi struktur mult idimensi (cube). Hasilnya nanti juga akan dapat dibuat sebagai sebuah summary report yang mu ltidimensi.
Hal in ilah yang mendasari topik tugas akhir yang penulis ajukan, yaitu menbuat aplikasi pelaporan yang me mpermudah pe mantauan proses produksi.
2. Tinjauan Pustaka
2.1 Data Warehouse
Data warehouse merupakan sebuah database relational yang secara spesifik strukturnya dirancang untuk proses analisis dan query sehingga tidak untuk proses transaksi yang meliputi proses
insert, delete, update. Biasanya data warehouse
mengandung data history yang diambil dari data transaksional dari berbagai sumber dan platform.
Sedangkan menurut Bill In mon, definisi dari
Data warehouse adalah sekumpulan atau ko leksi
data yang mendukung pengambilan keputusan pihak manaje men yang mempunyai kara kteristik sebagai berikut [3]:
a. Subject Oriented
Data warehouse dirancang dan dibangun
untuk me menuhi kebutuhan analisis data berdasarkan subject tertentu, seperti : “Bagaima laporan pernjualan „waktu‟ ini?” Atau “Produk apa yang paling banyak dihasilkan tahun ini?” Dll. b. Integrated
Untuk me menuhi kebutuhan analisis secara menyeluruh, sebuah Data Warehouse harus ma mpu mengintegrasikan data dari berbagai sumber data yang beragam. Data warehouse mengintegrasikan atau menggabungkan dari berbagai data source, baik dala m database yang sama, yang berbeda, ataupun flat file.
c. Non volatile
Data dalam sebuah data warehouse tidak dapat diubah (insert, delete, update). Data tersebut me rupakan data historis yang digunakan untuk me menuhi kebutuhan analisis, bukan untuk menangani transaksi seperti pada basisdata transaksional pada umumnya.
d. Time Variant
Model analisis yang diterapkan pada sebuah
Data Warehouse berfokus pada perubahan data
faktual berdasarkan waktu. Dala m ha l ini Data
Warehouse harus ma mpu menyimpan data untuk
sebuah subjek tertentu dala m waktu yang berbeda-beda.
2.2 Arsitektur Data Warehouse
Untuk me mbangun suatu arsitektur data
warehouse sangat tergantung pada kebutuhan
sistem. Ga mbar 2.1 menunjukkan salah satu contoh dari arsite ktur data warehouse, dengan penjelasan sebagai berikut [3]:
a. Data input bagi data warehouse tidak lagi hanya berasal dari siste m internal (sumber operasional pada umumnya), me lain kan dirancang untuk dapat mengakomodasi sumber eksternal (data dari luar sistem operasional) misalnya : data dari internet (dengan teknologi web farming), ataupun data dari sistem mobile.
b. Informasi yang tersimpan dala m data warehouse dapat dispesialisasikan lag i men jadi
beberapa data warehouse yang lebih khusus (Data
Mart) sehingga dalam arsitektur terdapat proses
tambahan untuk me mpopulasikan data dari data
warehouse ke dala m beberapa data mart.
c. Aplikasi yang berada pada layer pengguna berke mbang menjad i beberapa model misalnya: berbasis web, berbasiskan desktop, ataupun berbasiskan sistem mobile.
Gambar 2. 1 Arsitektur Data Warehouse
2.3 Online Analytical Processing (OLAP)
OLAP
adalah suatu metode pemodelan data mu ltid imensional untuk me menuhi kebutuhan analisis terhadap data [1]. On line Analytical Processing juga merupakan pernyataan yang bertolak bela kang atau kontras dengan OLTP (Online Transaction Processing). OLAP mengga mbarkan sebuah klas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apabila pada proses transaksi pada umu mnya semata-mata adalah pada re lational database, OLAP muncul dengan sebuah cara pandang mult idimensi data. Ca ra pandang mu ltimensi ini didukung oleh tehnologi mu ltid imensidatabase. Cara ini me mberikan tehnik dasar untuk kalku lasi dan analisa oleh sebuah aplikasi bisnis.OLTP me mpunyai kara kteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, lagi pula OLTP sangat optimal untuk
updating data. OLA P aplikasi digunakan untuk
analisa dan mengatur frekuensi level dari agregat atau jumlah data. Database biasanya di update pada ku mpulan data, jarang sekali dari multiple source dan mene mpatkan kekuatan analisa pada pada back-end pada operasi aplikasi. Sebab itulah ma ka sangat optimal digunakan untuk analisis.
2.4 Schema Data OLAP
Schema adalah ku mpulan obyek-obyek database. Pada relational data warehouse terdapat
dua skema yang digunakan, yaitu star schema dan
snowflak e schema [3].
a. Star Schema
Ske ma star terdiri dari satu atau lebih tabel fakta dan satu atau lebih tabel dimensi. Tabel fakta me rupakan pusat dari star schema, karena fungsinya sebagai pengikat dari tabel-tabel dimensi yang terletak disekelilingnya. Hubungan antara tabel-tabel tersebut menggunakan foreign k ey,
metadata atau keduanya. Ga mbar 2.2 menunjukkan
pemodelan database multidimensi dengan star
schema.
Gambar 2.2 Star Schema
b. Snowflak e Schema
Snowflak e schema merupakan pengembangan
dari star schema. Perbedaannya terletak pada norma lisasi data dan jumlah tabel. Pada snowflak e
schema tabel dimensi d inorma lisasi secara sebagian
atau keseluruhan untuk mengurangi nila i duplikat pada tabel. Ha l in ilah yang me mbuat ju mlah tabel dimensi pada snowflake schema lebih dari satu, tidak seperti pada star schema. Sehingga, dengan menggunakan schema ini akan diperlukan lebih banyak join yang akan me mbuat performance men jadi lebih la mbat.
Dala m snowflak e schema, hanya satu tabel utama yang dihubungkan dengan tabel fakta. Sedangkan tabel-tabel la innya dihubungkan dengan tabel utama. Ga mba r 2.3 menunjukkan pemodelan data menggunakan snowflak e schema. Berikut ini adalah pemodelan data dengan menggunakan
snowflak e schema.
Gambar 2.3 Snowflake Sche ma
2.5 Konsep Multidimensional Data
Pada Relat ional database data dikelo mpokan dala m sebuah list record. Setiap record me mpunyai informasi yang dikelo mpokan dala m fie lds. Sedangkan yang dima ksud data mult idimensi (lihat representasinya pada gambar 2.4) adalah ketika sebuah data dapat dipandang dari berbagai sudut. Pusat dari objek metadata pada Multidimensional adalah cube atau kubus yang mengandung hubungan struktur dimensi, hirarki, level dan anggota. Dapat disebut juga sebagai OLAP metadata model.
Misalnya pada hasil penjualan suatu barang dipandang dari dimensi waktu, lokasi, pe mbeli dan lain-la in. Sehingga jika diga mbarkan, sumbu x me wa kili dimensi waktu, sumbu y mewa kili dimensi produk dan sumbu z me wakili dimensi
lok asi.
Gambar 2.4 Data Multi di me nsi
a. Dimensi
Dimensi me rupakan sebuah kategori yang
independent dari multid imensional database. tipe dari dimensi in i mengandung item yang digunakan sebagai kriteria query untuk ukuran database. Contoh pendistribusian busana di suatu daerah. Dimensi Daer ah = {Ja wa Timu r, Ja wa Ba rat, Jawa Tengah, Sumatra Selatan, Surabaya, Bandung,
time_key day day_of_the_week month quarte r year time
Sales Fact Table
time_key item_key branch_key location_key units_sold dollars_sold avg_sales Measures time_key day day_of_the_week month quarte r year time
Sales Fact Table
time_key item_key branch_key location_key units_sold dollars_sold avg_sales Measures supplie r_key Supplier_typ e supplier item_key item_nam brand type supplie r_key i tem branch_key branch_ name branch_ type bra nch branch_key branch_ name branch_ type bra nch location_key street city state_or_province country location item_key item_namebr and_typesup plier_ type i tem m city_key city state_or_province city Data penjualan (2002, Produk A, Surabay a)
Jakarta, Pa le mbang, Dago, Ca ringin, Senen, Matraman}. Dimensi Waktu = { tahun 2003, tahun 2004, tahun 2005, bulan Januari, bulan Februari, bulan Maret, hingga bulan Desember, tanggal 1, tanggal 2, tanggal 3, tanggal 4, hingga tanggal 28/ 29/ 30/ 31}. Dimensi Busana = { Ko ko, Daster, Kaos, celana panjang, celana pendek, kerudung, dll}.
b. Hirarki
Hirarki merupakan bentuk kesatuan dari dimensi. Sebuah dimensi b isa terbentuk dari mu ltilevel, yang me mpunyai parent-child relationship. Hirarki didefinisikan bagaimana hubungan antar level. Sebagai contoh pada dimensi Daerah, hira rki mungkin a kan mela kukan agregasi data dari tiap level-level. Seperti pada gambar 2.5 dan 2.6.
Gambar 2.5 Hirarki Di mensi Daerah
Contoh lainnya adalah hira rki d imensi wa ktu.
Gambar 2.6 Hirarki Di mensi Daerah
c. Level
Level merep resentasikan sebuah posisi pada
hirarki. Level mengumpulkan data untuk agrefasi dan digunakan untuk proses komputasi. Sebagai contoh pada dimensi Daerah pada contoh sebelumnya, level yang mungkin d idefin isikan adalah level Kel./Desa, level kecamatan, level Kab./Kodya, level propinsi, dan level Negara.
Setiap level diatas level terendah merupakan agregasi dari level dibawahnya. Jika data dari pelanggan disimpan dala m format Ke lurahan atau desa (level Kel./ Desa), ma ka data dapat di agregasi
sesuai dengan level yang ada diatasnya, seperti
level Kecamatan, level Kab/Kodya, level Propinsi
dan level Negara.
d. Attribute
Attribute merepresentasikan informasi tambahan pada sebuah level tertentu. Sebuah level dapat memiliki lebih dari satu attribute, tetapi minimal harus me miliki satu attribute. Nila i
attribute berguna sebagai nilai yang akan mewa kili
level ket ika data mult idimensi dita mpilkan kepada pengguna. Hal ini dis ebabkan tidak semua n ila i pada level bisa dimengerti dan dipahami oleh pengguna. Misalnya, level product name
menyimpan nilai product id, sedangkan attribute-nya menyimpan nila i dari product brand, dengan demikian yang akan ditampilkan kepada pengguna ketika pengguna me milih level product name adalah nila i pada ko lo m product brand, bukan
product id.
e. Tabel Fa kta
Tabel fakta merupakan pusat dari schema pada OLAP. Didala m tabel fakta me mpunyai dua tipe kolo m, yaitu kolo m yang menyimpan nila i-n ila i
numeric atau yang biasa disebut dengan measure
dan kolom yang menyimpan foreign k ey yang mengacu ke tabel dimensi, seperti yang terdapat pada gambar 2.2. Nila i nu me ric yang ada pada tabel fakta merupakan n ila i agregat dari data yang berasal dari tabel dimensi. Hubungan antara tabel fakta dengan tabel dimensi adalah one to many, sehingga masing-masing primary k ey dari tabel dimensi dijadikan k ey acuan pada tabel fakta. Dengan denikian, tabel fakta menyimpan setiap ko mbinasi k ey tabel dimensi yang me lingkupinya.
f. Measure
Nila i measure terletak pada tabel fakta.
Measure juga cerminan dari fakta dan juga
mengandung data yang akan dianalisa seperti contoh pada gambar 2.7. OLAP catalog
me merlukan informasi kolo m bertipe numeric yang akan dijadikan measure.
Gambar 2.7 Me asure dari Tabel Fakta
g. Cube
Cube adalah obyek OLAP yang tersusun dari measure, dimensi dan attribute. Sisi-sisi pada cube Indonesia
Propinsi Kab / Kodya
Keca matan Kel / Desa
Sales Fact Table
time_key Item_key Loca tion_key Uni t_sold Avg_sales
measure
Tahun Bulan Minggu Ha ri Jam Dollars _Soldditentukan oleh masing-masing dimensi yang terlibat dala m cube itu. Cube me miliki sisi-sisi yang menggambarkan dimensi-dimensi yang terlibat didala mnya, yang paling banyak dite mui adalah dalam bentuk tiga dimensi yang mewa kili sisi baris, sisi kolo m dan sisi page. misalnya dimensi waktu, dimensi lo kasi dan dimensi produk, seperti yang terlihat pada gambar 2.8.
Gambar 2.8 Visualisasi Cube
2.6 Operasi Data Multidimensi
Pada data mult idimensi, terdapat operasi-operasi dasar yang digunakan untuk analisa agar mendapatkan data yang diinginkan, yaitu :
a. Rotation / Pivoting
Rotation / pivoting merupakan operasi pada
OLAP untuk me rubah berbagai maca m sudut pandang data sehingga perubahan perspektif sudut pandang menjadi lebih mudah, dengan kata lain analisa data dengan merubah posisi atau pivot dimensinya. Operasi ini dilaku kan dengan me la kukan rotasi atau perputaran untuk tiap-tiap dimensi. Misalnya dilaku kan proses rotation /
pivoting pada dimensi produk yang diwakili oleh
sumbu Y, dimensi wa ktu yang diwakili oleh sumbu X dan dimensi lokasi diwa kili oleh sumbu Z, dimana dimensi lo kasi di rotasi dengan dimensi waktu sehingga hasil yang tampak seperti pada gambar 2.9.
Gambar 2.9 Proses Rotation / Pi voting
b. Slice dan Dice
Operasi Slicing dan Dicing merupakan ke ma mpuan OLAP untuk me laku kan pemilahan
subset pada data. Operasi Slice adalah proses
pemotongan data pada cube berdasarkan nila i pada satu atau beberapa dimensi. Misalnya data dari seluruh penjualan dari 3 buah dimensi yaitu produk, wilayah, dan wa ktu dila kukan operasi
slice, maka data dari dimensi produk dan lokasi
akan dita mpilkan berdasarkan dimensi wa ktu = 2002, sehingga OLAP a kan menamp ilkan data semua penjualan untuk semua produk dan semua lokasi untuk tahun 2002. seperti yang terlihat pada gambar 2.10.
Gambar 2.10 Proses Slice
Sedangkan proses dice (gambar 2.11) adalah pemotongan hasil slice menjadi bagian subset data yang lebih kecil. Misalnya mena mpilkan data dari seluruh penjualan berdasarkan dimensi waktu = 2002, ke mudian d ila kukan p roses dice dengan dimensi lokasi wilayah = “semarang”, sehingga data akan menamp ilkan data semua produk di semarang pada tahun 2002.
Gambar 2.11 Proses Dicing
c. Drill Down dan Roll Up
Operasi drill down merupakan ke ma mpuan OLAP untuk melihat suatu subset data secara lebih detail. Proses ini me libatkan proses agregasi data. Sebaliknnya, operasi roll up untuk melihat data secara global atau rangkuman (agregasi data pada level yang lebih tinggi). Kedua proses ini me manfaatkan hirarki pada dimensi yang me mbentuk cube. Proses ini ditunjukkan oleh gambar 2.12.
Gambar 2.12 Proses Drill Down dan Roll Up
Sebenartnya, didalam proses drill down itu dila kukan proses slice dan atau dice.
2.7 SQL Server 2005 Analysis Services
Microsoft SQL Server 2005 Analysis Services (SSAS) adalah ko mponen dari Microsoft S QL Server 2005 yang didesain untuk me mbantu
pengembangan data warehouse yang menggunakan
Business Intelligence Development Studio untuk
me mbuat dan men-deploy Analysis Services
Project dan me manfaatkan SQL Server Management Studio untuk mengelo la data base
relational dari project tersebut.
Analysis Services menghasilkan OLAP dan
data min ing untuk aplikasi Business Intelligence dengan me mbolehkan developer untuk mela kukan
design, create, dan mengatur struktur mu ltid imensional yang mengandung agregasi data dari data source. Analysis Service me mbangun data
cube untuk me mbantu dalam analisa mu ltid imensional.
Analysis Services menyediakan beberapa tool
dan wizard yang dapat digunakan untuk mengakses data mult idimensional. Microsoft S QL Server 2005
Analysis Services juga mendefin iskan Key Performance Indicators (KPI) di dalam pro jectnya.
Hal in ilah yang me mbeda kan dengan versi sebelumnya yaitu Microsoft SQL Server Analysis
Service 2000. KPI menyediakan fra mework untuk
mendefinisikan ka lku lasi pada sisi server yang men jadi ukuran kesuksesan dari data yang kita analisa dan sebagai standar bagaimana hasil informasi d ita mpilkan.
3 Metodologi
3.1
Spesifikasi Kebutuhan Sistem
Dala m pe mbuatan tugas akhir ini, data base yang digunakan adalah data base rancangan sendiri yang mendapat persetujuan pihat PT ATI. Ha l ini karena PT ATI belu m me miliki sistem informasi yang menyimpan data proses produksi dan mengolah data tersebut menjadi informasi. Sehingga jika ada keperluan review data dan pelaporan, me reka mela kukannya secara manual. Data base tersebut disesuaiakan dengan proses bisnis mereka. Data base ini dirancang untuk mena mpung data – data proses produksi ikan tuna. Data base tersebut dapat dimanfaatkan untuk kebutuhan pelaporan. Pelaporan yang dimaksud adalah:
a. Laporan Proses Pengiriman Ikan (Dari Supplier)
Melaporkan ju mlah ikan yang dikirim oleh
supplier juga asal negara supplier.
b. Laporan Proses Penerimaan Ikan (Receiving) Melaporkan Ju mlah ikan yang diterima untuk pemrosesan awal termasuk jenis ikan.
c. Laporan Proses Pengukuran Ikan (Sizing) Melaporkan ju mlah ikan yang diproses dalam pengukuran ikan dan jenis ikan.
d. Laporan Proses Penyimpanan Ikan (Co ldstorage)
Melaporkan ju mlah ikan yang disimpan antara proses sizing dengan defrost atau antara pengiriman dari supplier dengan sizing.
e. Laporan Proses Pencairan Suhu Ikan (Defrost) Melaporkan ju mlah ikan yang dicairkan suhunya berserta jenisnya.
f. Laporan Proses Pemotongan Ikan (cutting) Melaporkan ju mlah ikan yang olah untuk proses pengambilan isi (jeoran)-nya beserta jenisnya.
g. Laporan Proses Pemasakan Ikan (cooking) Melaporkan ju mlah ikan yang dimasak beserta jenisnya.
h. Laporan Proses pembersihan Awal Ikan (Pre Cleaning)
Melaporkan ju mlah ikan yang dibersihkan beserta jenisnya.
i. Laporan Proses Pembersihan Ikan (Cleaning) Melaporkan ju mlah ikan yang dibersihkan lagi (ke lanjutan dari proses PreCleaning) beserta jenisnya.
Melaporkan ju mlah jenis produk yang akan dihasilkan.
k. Laporan Proses Pengumpulan Wadah (Retort) Melaporkan ju mlah wadah yang diku mpulkan dala m suatu wadah penampung.
l. Laporan Proses Penyimpanan (Warehouse) Melaporkan ju mlah penyimpanan produk di gudang.
m. Laporan Proses Jet Print Produk
Melaporkan ju mlah dan jenis produk yang diberi label dengan jet print. Juga menyimpan data
pallete.
n. Laporan Proses Pengiriman Produk (Staffing) Melaporkan ju mlah dan jenis produk yang akan dikirim beserta negara tujuan.
Se mua laporan direpresentasikan dalam bentuk tabel dan diagram batang dan disusun dalam rangkaian waktu.
3.2
Perancangan
3.2.1 Peranc angan Data Warehouse
Pada perancangan data ini, akan d ita mpilkan data yang berhubungan dengan aplikasi OLAP ini yang mengamb il sumber dari data base PT. ATI.
Tabel-tabel yang terdapat dalam ERD adalah yang digunakan sebagai data masukan atau input, dan kemudian digunakan dala m pe mbuatan data
warehouse. Dala m perancangan data warehouse, cube merupakan salah satu cara untuk dapat
mena mp ilkan data secara multid imensional yang nantinya data dalam cube inilah yang akan menjadi
bahan untuk dianalisa.
Untuk me mbuat desain atau rancangan pada
data warehouse tidak terlepas dari sebuah schema,
karena schema merupakan representasi dari perancangan cube, sebagaimana yang diinginkan sesuai dengan kebutuhan, yang biasa berupa star
schema dan snowflak e schema. Hal in i tergantung
hubungan antara table dimensi dengan table fakta.
Langkah-langkah dala m pe mbuatan cube adalah terlebih mendefinisikan Data Source Views yang akan diguanakan. Dari Data Source Views inilah ditentukan pilihan mana tabel yang akan digunakan sebagai tabel fakta dan mana yang digunakan sebagai table dimensi. Tidak harus semua tabel dala m Data Source Views harus dilibatkan dala m pe mbuatan cube ini. Ke mudian akan dihasilkan cube dengan struktur (schema) dan
measure dari tabel – tabel yang dilibatkan tadi. Measure dan dimensi masih dapat ditambahkan
meski cube sudah terbentuk.
Data Source Views sendiri me rupakan view
dari Data Sources yang sudah didefinisikan sebelumnya. Langkah detail dari pendefinisan Data
Sources, Data Source Views dan pembuatan cube
akan dibahas pada subbab selanjutnya.
Dala m tugas akhir ini dibuat beberapa cube.
a. Cube Pengiriman
Cube ini akan diolah untuk menghasilkan
laporan proses Pengiriman Ikan (Dari Supplier).
Cube ini me libatkan tabel Pengiriman, Supplier, Vessel, dan Nationality.
b. Cube Penerimaan – Pengukuran
Cube ini akan diolah untuk menghasilkan
laporan proses penerimaan ikan (Receiv ing) dan laporan proses Pengukuran Ikan (Sizing). Cube ini me libatkan tabel Sizing, Receiving, Master_Ik an, dan Grup_Ikan.
c. Cube Co ldstorage
Cube in i dibuat untuk menghasilkan informasi proses penyimpanan ikan (Coldstorage). Cube ini me libatkan tabel ColdStorage, Master_Ik an, dan
Grup_Ik an.
d. Cube Defrost
Cube ini akan diolah untuk menghasilkan
laporan proses pencairan suhu ikan (Defrost). Cube ini me libatkan tabel Defrost, Master_Ik an, dan
Grup_Ik an.
e. Cube Cutting – Cooking
Cube ini me libatkan tabel Cutting, Cooking, Master_Ikan, dan Grup_Ikan. Cube ini akan diolah
untuk menghasilkan laporan proses pemotongan ikan (Cutting), dan laporan proses pemasakan ikan (Cooking).
f. Cube Pre Cleaning – Clean ing
Cube ini melibatkan tabel PreCleaning, Cleaning, Master_Ik an, dan Grup_Ik an. Cube ini
akan diolah untuk menghasilkan laporan proses pembersihan awal ikan (PreCleaning), dan laporan proses pembesihan ikan (Cleaning).
g. Cube Pack– Retort-Wh
Cube ini me libatkan tabel Pack ing, Retort, Warehouse, dan Produk. Cube ini akan diolah
untuk menghasilkan laporan proses pengisian wadah (Packing), laporan proses pengumpulan wadah (Retort), dan laporan proses Penyimpanan (Warehouse).
3.2.2 Peranc angan Antar Muka
Pada perancangan muka laporan dibuat dengan menggunakan Microsoft Visual Studio 2005
Reporting Service. Secara u mu m. Bentuk antarmuka hanya dua, yaitu dalam bentuk tabel dan diagra m. Rancangan umum dari antar muka
laporan dala m bentuk tabel dapat dilihat pada gambar 3.1.
Gambar 3. 1 Lapor an dalam Bentuk Tabel
Sedangkan untuk tamp ilan dala m bentuk grafik, seperti pada gambar 3.2.
Gambar 3. 2 Lapor an dalam Bentuk Di agram
3.2.3 Imple me ntasi 3.3.1.4 Pembuatan Cube
Dari keena m cube, hanya diambil satu contoh cara pembuatan cube Pengiriman karena secara umum langkah pembuatannya sama. Langkah – langkahnya adalah sebagai berikut:
a. Pada Solution Expl orer klik kanan Cube, ke mudian klik Ne w Cube , ma ka a kan muncul
window Welcome to the c ube wizar ds , klik Ne xt.
b. Setelah window Select Build Method muncul, pilih Buil d the c ube using a data source dan laku kan uncheck pada check box Auto Buil d seperti pada gambar 3.3, ke mudian klik Next.
Gambar 3. 3 Select Buil d Method
c. Pada window Select Data Source Vie w pada gambar 3.4, pastikan data source view-nya telah terpilih), wizard akan me lihat tabel pada database yang didefinisikan pada data source views. Ke mudian tekan Next.
Gambar 3. 4 Select Data Source Vie w
d. Pada window Ide ntify Fac t and Di mension
Tables pilih tabel yang akan digunakan sebagai
tabel fakta pada bagian Fact dan bagian
Dime nsion untuk tabel dimensi (centang seperti
pada gambar 3.6), dan pilih tabel yang dijadikan dimensi waktu (p ilih “None” jika ta k ada) pada list
Ti me Dime nsion Table.
Gambar 3. 6 Ide ntify Fac t & Di mension Tables
e. Selanjutnya pada window Review Shared
Dimensions, klik Next. Karena masih perta ma kali
pembuatan cube, tidak ada shared dimensions yang tersedia.
f. Selanjutnya, pilih measure yang akan digunakan pada window Select Me asure seperti pada gambar 3.5. Ke mudian tekan Ne xt.
g. Ke mudian muncul window Re vie w Ne w
Dime nsions seperti ditunjukkan pada ga mbar 3.7.
Klik Next.
Gambar 3. 7 Re vie w Ne w Di mension
h. Beri na ma cube pada textbox Cube Name di window Completing the Wizar d seperti yang terlihat pada ga mbar 3.8.
Gambar 3. 8 Comple ting Wiz ar d Cube
i. Setelah cube dibuat, buka Solution Explorer ke mudian klik cube yang telah dibuat agar muncul tabnya. Pada tab tersebut, terdapat subtab Cube
Structure yang berisi Measures, Dimension, dan
Data Source view dari cube yang bersangkutan.
Cube struktur dari cube Pengiriman adalah s eperti yang terlihat pada gambar 3.10. selain subtab
Cube structure terdapat subtab yang lain.
Gambar 3. 9 Browser Cube
Gambar 3. 10 Cube Struc ture
j. Untuk melihat hasil cube, klik tab Browser pada Pengiriman.cube. ke mudian drag field-field yang akan ditampilkan pada cube. Contoh hasilnya seperti yang terlihat pada gambar 3.9.
Sela in itu juga didefinisikan dimensi Time yang ditambahkan ke semua cube. Tujuan dari dimensi in i adalah untuk hirarki wa ktu.
4 Uji Coba dan Pe mbahasan
Pela ksanaan uji coba Tugas Akhir ini me liputi dua hal yaitu uji coba aplikasi dan uji coba kinerja sistem dala m mela kukan fungsi – fungsi OLAP.
4.1 Uji Coba Cube
Uji coba hanya dila kukan pada report dari cube pengiriman. Sedangkan cube yang lain me miliki pola cara yang sama. Cube Pengiriman mendefinisikan ske ma keterka itan data yang menyimpan info rmasi pengiriman ikan dari supplier. Dari cube ini dibuat report Pengiriman Ikan (Dari Supplier). Report ini a kan mena mpilkan informasi pengiriman da la m bentuk tabel dan diagra m. Uji coba tidak hanya berusaha mena mp ilkan informasi tetapi juga filterisasi data untuk mendapatkan informasi yang lebih spesifik sesuai dengan definisi user.
1.
Untuk menamp ilkan laporan pengiriman ikan dari Supplie r, maka klik tombol Pengiriman pada menu. Ke mudian a kan ta mpil ha la man yang terlihat pada gambar 4.1.Gambar 4. 1 Report Tabel Pengirim an Ikan dari Supplier
Tabel pada gambar 4.1 diatas menunjukkan ju mlah ikan yang dikirim o leh supplier pada semua periode. Bagian baris menunjukkan ID Supplie r, dan bagian kolom menunju kkan wa ktu pengiriman. Jika diklik pada ID supplier, a kan muncul na ma supplier, dan jika d iklik lagi, a kan muncul asal negara supplier. Begitu juga pada kolom, kalendar tahun jika diklik akan muncul detail bulan pengiriman, selan jutnya akan muncul detail hari(tanggal) pengiriman. In i merupakan proses
drilldown akan dibahas pada uji coba selanjutnya.
2.
Selanjutnya, jika ingin me lihat versi diagra m dari tabel diatas, klik tombol View Chart. Maka akan tampil hala man web yang menamp ikan report Pengiriman Ikan (Da ri Supplie r) dala m bentuk diagra m batang seperti pada gambar 4.2.Gambar 4. 2 Re por t Diagram Pengiri man Ikan dari Supplier
3.
Jika diperhatikan, pada tabel maupun diagra m, semua informasi dita mp ilkan. La lu, bagaimana jika user ingin menspesifikkan informasi pengiriman misalnya berdasarkan tahun atau bulan tertentu, atau berdasarkan supplier atau asal negara tertentu. Hal ini dapat dila kukan dengan menspesifikkan kebutuhan informasi pada filte r. Se misal, dari informasi yang tampa k pada gambar, a kan difilter untuk mena mp ilkan informasi kuantitas pengiriman ikan dari supplir hanya untuk tahun 2002 dan 2007. Centang pilihan Calender 2002 dan Calender 2007 pada kolo m filter year. Ke mudian klik ViewReport. Maka informasi yang ditamp ilkan akan
berubah seperti yang tampak pada ga mbar 4.3.
Gambar 4. 3 Hasil Filter Re port Pengiriman Ikan dari Supplier
Dari report pada gambar 4.3 d iatas tampak bahwa hanya informasi pada tahun 2002 dan 2007 saja yang ditampilkan.
4.2 Uji Coba Operasi Olap
Pada bagian in i, a kan diu ji coba untuk men jalan kan operasi-operasi dasar OLAP antara lain : drili-up atau drill-down, slicing atau dicing, dan rotation atau pivoting.
4.2.1 Drill Down dan Roll up
Proses drill down merupakan ke ma mpuan OLAP untuk melihat suatu subset data secara lebih detail, proses detail data ini diturunkan berdasarkan konsep hirarki pada tiap d imensi yang ada. Sedangkan proses roll up merupakan kebalikan dari prose drill down yaitu proses penggabungan atau penyatuan data ke dalam level yang lebih tinggi. Se mua report tabel disusun berdasarkan periode waktu. Periode waktu tersebut dapat di
drill down dari tahun ke bulan. Ke mudian jika
bulan di drill down lagi akan muncul hari. Ga mbar 4.4 adalah contoh drill down tahun ke bulan ke hari dari report penerimaan ikan dari supplier.
Gambar 4. 4 Comtoh Drill down Re por t pada Bagian Tanggal
Sedangkan roll up adalah kebalikan dari drill
down. Drill down dan roll up juga bisa dilakukan
me la lui filter.
4.2.2 Rotation / Pi voting
Proses Rotation/pivoting merupakan operasi pada OLAP untuk merubah berbagai maca m sudut pandang data sehingga perubahan perspektif sudut pandang menjadi lebih mudah, dengan kata lain analisa data dengan merubah posisi atau pivot dimensinya. Jika diperhatikan pada report – report tabel sebelumnya tampak bahwa tanggal selalu mene mpati posisi kolo m sedang baris diisi oleh
supplier, jenis ikan atau produk. Aplikasi OLAP harus bisa menamp ilkan perubahan sudut pandang dengan menukar posisi kolom dan baris. Penukaran ini dila kukan pada s aat pendefinisian report. Untuk me la kukan rotasi klik tombol Change Pivot pada masing – masing hala man.
Ga mbar 4.5 adalah rotasi report Pengiriman Ikan (Dari Supplie r). Keba likan dari ga mbar 4.4.
Gambar 4. 5 Rotasi Re por t Pengiriman Ikan dari Supplier
4.2.3 Slicing dan Dicing
Proses slicing dan sicing merupakan ke ma mpuan OLAP untuk mela kukan pe milihan
subset pada data. Operasi slice adalah proses
pemotongan pada cube berdasarkan nila i pada satu atau beberapa dimensi. Sedangkan dicing adalah proses pemotongan lebih kec il dari hasil dic ing.
Perbedaan antara slicing – dicing dengan drill
down adalah jikalau drill down men-drill informasi
dilingkup yang ada dibawahnya. Se misal dari tahun 2006, di-drill down ke bulan. Hasilnya adalah informasi pada bulan- bulan di tahun tersebut. Sedangkan Slicing adalah kema mpuan dimana informasi bisa dipilah sesuai keinginan seperti mena mpila kan informasi hanya pada bulan Januari pada setiap tahun. Lalu dicing untuk mena mp ilkan informasi pada bulan januari tahun tertentu saja. Hasil dari contoh slicing tersebut ditamp ilkan pada gambar 4.6 dan hasil dicing pada gambar 4.7.
Gambar 4. 6 Slicing Re por t Pe ngiriman Ikan dari Supplier
Gambar 4. 7 Dicing Re port Peneri maan Ikan dari Supplier
5 Kesimpulan
Dari hasil penelit ian Tugas Akhir yang telah dila kukan dapat disimpulkan:
a. Aplikasi te lah berhasil dike mbangkan dala m bentuk web, sehingga me mberi ke mudahan dala m pengaksesan.
b. Aplikasi lebih me mbe ri ke mudahan kepada PT. ATI untuk me lakukan pengecekkan dibandingkan dengan cara penyimpanan mere ka sebelumnya.
c. Informasi yang ditampilkan dapat membantu pihak PT. ATI untuk me mantau kuantitas proses produksi sehingga mengetahui jumlah ikan yang diproses berdasarkan periode waktu juga berapa ju mlah produk yang dihasilkan dan negara tujuan.
d. Tamp ilan informasi dala m bentuk tabel dan diagra m yang dapat difilter, di-drill down dan roll
up sehingga me mudahkan dala m pengamatan.
6 Daftar Pustaka
[1] Ha riyanto, Ba mbang. Sistem Manajemen
Basis Data. Informatika. Bandung. 2004.
[2] Kayungyun, Ratri Dwi. Rancang Bangun
Perangk at Lunak Aplikasi Penelusuran Produk Pada PT. Anek a Tuna Indonesia.
Tugas Akhir, Jurusan Teknik Informat ika, FTIF, ITS. 2009.
[3] Tisna Budi, Riantari. Pembuatan Apliasi
OLAP pada sistem Informasi Monitoring Tugas Ak hir Jurusan Tek nik Informatik a – ITS dengan Menggunak an SQL Server 2005.
Tugas Akhir, Jurusan Teknik Informat ika, FTIF, ITS. 2007.
[4] ---, PT. A NEKA TUNA INDONESIA, (www.tunaindonesia.com)