II - 1
BAB 2
LANDAS AN TEORI
2.1 Data WarehouseData warehouse adalah sebuah koleksi database yang terintegrasi, berorientasi subjek yang dirancang untuk mendukung fungsi DSS, dimana setiap unit data relevan terhadap suatu waktu. Data warehouse mengandung pecahan kecil data perusahaan (Inmon, 2002, p31).
Menurut O’Brien (2005, p143), data warehouse adalah kumpulan data terintegrasi yang diekstrak dari database operasional, historikal, dan eksternal, dibersihkan, ditransformasi, dan dikatalogkan untuk penarikan dan analisis (data mining), untuk menyediakan Business Intelligence untuk pengambilan keputusan bisnis.
Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah tempat penyimpanan data dimana kapasitas penyimpanannya berskala besar; datanya diakumulasikan dengan menambahkan record baru dan bukan dengan mengupdate record yang ada dengan informasi yang baru ;data sangat mudah ditarik; dan data digunakan semata-mata untuk pengambilan keputusan dan bukan untuk kegiatan operasional perusahaan.
2.1.1 Karakteristik Data Warehouse
Menurut Inmon (2005, p29), karakterisktik dari data warehouse yaitu: subject oriented, integrated, nonvolatile dan time variant.
1. Subject Oriented (Berorientasi Subjek)
Data warehouse diorganisasikan di sekitar subjek-subjek utama dari perusahaan (seperti: pelanggan, produk, dan penjualan) dari pada area-area aplikasi utama. Hal ini tercermin dari kebutuhan untuk menyimpan data yang mendukung pengambilan keputusan dari pada data yang berorientasi aplikasi.
Gambar 2.1 Data yang Berorientasi Subjek (Inmon, 2002, p32)
2. Integrated (Terintegrasi)
Terintegrasi karena berasal dari sumber data system aplikasi perusahaan yang berbeda. Sumber data seringkali tidak konsisten. Sebagai contoh, format tabel-tabel sumber data berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menyajikan tampilan yang seragam kepada user.
Gambar 2.2 Data yang Terintegrasi (Inmon, 2002, p33)
3. Time Variant (Variansi Waktu)
Data di dalam warehouse hanya akurat dan valid pada beberapa titik waktu atau pada interval waktu tertentu. Variansi waktu dari data warehouse juga ditunjukan oleh perpanjangan waktu yang dimiliki oleh data, dan asosiasi implisit atau eksplisit waktu dengan semua data, serta fakta bahwa data merepresentasikan serangkian snapshot.
4. Nonvolatile (Tidak Mudah Berubah)
Data tidak diupdate secara real-time tetapi diperbaharui dari system operasional pada basis sehari-hari. Data baru selalu ditambahkan sebagai suplemen untuk sebuah database, bukan pengganti. Database secara terus menerus menyerap data baru, dan secara bertingkat diintegrasikan dengan data sebelumnya.
Gambar 2.4 Tidak Mu dah Berubah (Inmon, 2002, p35)
2.1.2 Keuntungan Data Warehouse
Menurut Connolly dan Begg (2005, p1152), data warehouse yang telah diimplementasikan dengan baik dapat memberikan keuntungan yang besar bagi organisasi, y aitu:
1. Potensi nilai kembali yan g besar pada investasi
Sebuah organisasi harus mengeluarkan uang dan sumber daya dalam jumlah yang cukup besar untuk memastikan kalau data warehouse telah diimplementasikan dengan baik, biaya yang dikeluarkan tergantung dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse digunakan, maka kemungkinan didapatkannya ROI(Return on Investment) relatif lebih besar.
2. Keuntungan Kompetitif
Keuntungan kompetitif didapatkan apabila pengambil keputusan mengakses data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui, tidak tersedia, misalnya informasi mengenai konsumen, trend, dan permintaan. 3. Meningkatkan produktivitas para pengambil keputusan perusahaan
Data warehouse meningkatkan produktivitas para pengambil keputusan perusahaan dengan menciptakan sebuah database yang terintegrasi secara konsisten, berorientasi pada subjek, dan data historis. Data warehouse mengintegrasikan data dari beberapa system yang tidak konsisten ke dalam bentuk yang sama sehingga data tersebut dapat menjadi informasi yang berguna untuk analisis dan pengambilan kep utusan.
2.1.3 Struktur Data Warehouse
Struktur data warehouse menurut Inmon (2002, p35) dibagi berdasarkan tingkat detail data. Pada struktur data warehouse terdapat older level of detail, current level of detail, level of lightly summarized data (the data mart level), dan level of highly summarized data.
Gambar 2.5 S truktur Data Warehouse (Inmon, 2002, p36) 1. Older Detail Data
Older detail data berisi history dari perusahaan yang merupakan hasil backup yang tersimpan pada media penyimpanan terpisah dan dapat diakses kembali pada waktu tertentu. Older detail data biasanya disimpan pada media tape disk dan direktorinya disusun berdasarkan umur data tersebut sehingga memudahkan pengaksesannya. Data pada older detail memungkinkan untuk melakukan analisis trend.
2. Current Detail Data
Current detail data berisi data yang merupakan data yang sedang berjalan sekarang yang diperoleh dari database operasional. Current detail data mempunyai ukuran yang sangat besar karena merupakan level terendah dan menyimpan semua data dan informasi yang ada dalam suatu perusahaan.
3. Lightly Summarized Data
Lightly summarized data adalah detail data yang telah diringkas ke dalam bentuk yang sedikit lebih ringkas. Lightly summarized data biasanya disimpan pada media disk. Lightly summarized data memiliki tingkat detail yang mendukung kebutuhan data warehouse pada tingkat department yang biasa disebut juga dengan data mart. Pengaksesan pada data ini banyak digunakan untuk view pada kondisi yang sedang dan sudah berjalan.
4. Highly Summarized Data
Highly summarized data merupakan data yang telah diringkas secara menyeluruh sehingga dapat digunakan untuk mendukung proses pengambilan keputusan. Highly summarized data sangat menguntungkan proses pengambilan keputusan karena analisa data yang telah diringkas secara menyeluruh tidak memakan waktu.
5. Metadata
Metadata, atau data tentang data, telah menjadi bagian informasi yang penting pada data warehouse. Metadata bertindak seperti indeks dari isi data warehouse sehingga memudahkan pengguna data warehouse untuk mengambil dan mencari data di dalam data warehouse. Data-data yang biasa disimpan dalam metadata :
a. Struktur data yang diketahui programmer b. Struktur data yang diketahui analis DSS c. Sumber data dari data warehouse
d. Transfomasi data ketika data tersebut disimpan dalam data warehouse. e. Model data
f. Hubungan antara model data dan data warehouse g. History dari ekstraksi
2.1.4 Anatomi Data Warehouse
Konsep awal dari penerapan arsitektur data warehouse yaitu bahwa data warehouse mengambil data dari berbagai sumber dan memindahkannya ke dalam pusat pengumpulan data yang besar. Keunggulan dari teknologi Client Server ini memungkinkan data warehouse diterapkan dalam berbagai macam cara untuk menampung kebutuhan pemakai system yang secara lebih p roporsional.
Berikut ini adalah tiga jenis dasar sistem data warehouse : 1. Data Warehouse Fungsional
Data warehouse fungsional merupakan data warehouse yang dibuat lebih dari satu dan dikelompokkan berdasarkan fungsi-fungsi yang berada di dalam perusahaan seperti fungsi keuangan, marketing, personalia dan lain-lain. Database dari sistem ini diperoleh dari kegiatan sehari-hari. Keuntungan dari bentuk data warehouse seperti ini adalah sistem mudah dibangun dengan biaya relatif murah, sedangkan kerugiannya adalah resiko kehilangan konsistensi data dan terbatasnya kemampuan dalam pengumpulan data dari berb agai pengguna.
Gambar 2.6 Data Wa rehouse Fungsional 2. Data Warehouse Terpusat
Bentuk data warehouse terpusat terlihat seperti bentuk data warehouse fungsional, namun sumber data terlebih dahulu dikumpulkan dalam satu tempat terpusat. Data yang sudah terkumpul tersebut kemudian disebar ke dalam fungsinya masing-masing, sesuai dengan kebutuhannya.
Data warehouse terpusat adalah pendekatan yang paling banyak digunakan karena kebiasaan user dengan lingkungan mainframe terpusat. Keuntungan dari pendekatan ini adalah data benar-benar terpadu karena konsistensinya tinggi. Kerugiannya adalah biaya yang mahal serta memerlukan waktu yang cukup lama untuk membangunnya.
Gambar 2.7 Data Wa rehouse Terpusat 3. Data Warehouse Terdistribusi
Data warehouse terdistribusi menggunakan gateway yang berfungsi sebagai jembatan penghubung antara data warehouse dengan workstation yang menggunakan beraneka ragam sistem. Dengan sistem terdistribusi ini perusahaan dimungkinkan untuk mengakses sumber data yang berada di luar lokasi perusahaan(eksternal). Keuntungannya adalah data tetap konsisten karena sebelum data digunakan data terlebih dahulu disesuaikan dan disinkronisasi, sedangkan kerugiannya adalah sistem lebih kompleks untuk diterapkan karena sistem operasi dikelola secara terp isah serta biayanya lebih mahal dibandingkan dengan dua bentuk data warehouse lainnya.
2.1.5 Arsitektur Data Warehouse
Menurut Conolly dan Begg (2002, p1052) arsitektur data warehouse adalah sebagai berikut:
Gambar 2.9 Arsitektur Data Warehouse (Connolly, 2002, p1053)
Komp onen-komp onen dari data warehouse menurut Connolly dan Begg (2002, p 1052), antara lain:
1. Operational Data
Operational Data adalah data yang digunakan dalam proses operasional harian.
2. Operational Data Store
Operational Data Store (ODS) adalah sebuah tempat penyimpanan data saat ini dan data operasional terintegrasi yang digunakan untuk analisis. ODS menyediakan kemudahan untuk menggunakan database relasional ketika berada jauh dari fungsi decision support dari data warehouse. Dengan terlebih dahulu membangun ODS, pembuatan data warehouse menjadi lebih sederhana karena ODS dapat menyuplai data yang telah yang telah diekstrak dari sistem sumber. 3. Load manager
yang berhubungan dengan ekstraksi dan loading data ke dalam data warehouse. 4. Warehouse Manager
Warehouse manager melakukan semua operasi yang berhubungan dengan management data dalam data warehouse. Operasi-operasi yang dilakukan oleh warehouse manager, meliputi:
a. Analisis data untuk menjaga konsistensi;
b. Transformasi dan penggabungan sumber data dari tempat penyimpanan sementara ke dalam tabel-tabel data warehouse;
c. Pembuatan index d an view dalam tabel basis; d. Melakukan denormalisasi (jik a diperlukan); e. Melakukan agregasi (jika diperlukan) ; f. Backup dan penyimpanan data. 5. Query Manager
Query manager (disebut juga komponen back-end) melakukan semua operasi yang berhubungan dengan management dari permintaan pengguna (user queries). Komponen ini biasanya dikonstruksikan menggunakan vendor end-user data access tools, data warehouse monitoring tools, fasilitas database, dan program custom-built. Operasi yang dilakukan pada komponen ini meliputi memproses query ke tabel yang tepat dan penjadwalan eksekusi query.
6. Detailed Data
Dalam data warehouse, area ini menyimpan detailed data dalam skema database. Umumnya, detailed data tidak disimpan secara online tetapi dapat dibuat ada dengan mengagregasi data ke tingkatan yang lebih detail.
7. Lightly and Highly Summarized Data
Dalam data warehouse, area ini menyimpan predefined lightly dan highly summarized data yang dihasilkan oleh warehouse manager. Tujuan dari meringkas informasi adalah untuk mempercepat pemrosesan query. Ringkasan data diupdate secara terus menerus ketika data baru dimasukkan ke dalam warehouse. 8. Archived/Backup Data
summarized dengan tujuan untuk penyimpanan (archiving) dan backup. Data ditransfer ke dalam magnetic tape atau optical d isc.
9. Metadata
Dalam data warehouse, area ini menyimpan semua definisi metadata (data tentang data) yang digunakan oleh semua proses dalam da ta warehouse. Metadata digunakan untuk berbagai tujuan termasuk:
a. Proses ekstraksi dan loading
Metadata digunakan untuk memetakan sumber data ke dalam common view dari data pada warehouse.
b. Proses manajemen warehouse
Metadata digunakan untuk otomatisasi produksi tabel ringk asan. c. Sebagai bagian dari proses manajemen query
Metadata digunakan untuk mengarahkan query ke sumber data yang paling tepat.
10. End-User Access Tools
Tujuan utama dari data warehousing adalah menyediakan informasi kepada business user untuk mendukung pengambilan keputusan. Para pengguna ini berinteraksi dengan data warehouse menggunakan end-user access tools. End-user access tools dibagi menjad i 5(lima) kategori utama:
i. Reporting and Query Tools
Reporting tools meliputi production reporting tools dan report writers. Production reporting tools digunakan untuk menghasilkan laporan operasional reguler. Report writers adalah desktop tools yang dirancang untuk end-user.
Query tools untuk data warehouse relasional dirancang untuk menerima SQL atau menghasilkan statement SQL untuk memproses data yang disimpan di dalam warehouse.
ii. Application Development Tools
Application Development Tools adalah aplikasi in-house yang
menggunakan data access tools grafikal yang dirancang untuk lingkungan client– server. Beberapa dari application development tools ini terintegrasi dengan OLAP tools, dan dapat mengakses sistem database pada umumnya, termasuk Oracle,
Sybase, dan Informix.
iii. Executive Information System (EIS) Tools
Executive Information System lebih dikenal dengan “everybody’s information systems” pada awalnya dikembangkan untuk mendukung pengambilan keputusan strategi tingkat tinggi yang kemudian fokusnya meluas untuk mendukung semua tingkatan manajemen. EIS tools terhubung dengan mainframe yang memungkinkan user membuat aplikasi grafikal pendukung pengambilan keputusan untuk menyediakan tinjauan data perusahaan dan akses ke sumber data eksternal.
iv. Online Analytical Processing (OLAP) Tools
Online Analytical Processing (OLAP) Tools didasarkan pada konsep database multidimensi dan memungkinkan pengguna untuk menganalisa data menggunakan view multidimensi yang kompleks. Tools ini mengasumsikan bahwa data diorganisasikan berdasarkan model multidimensi yang didukung oleh database multidimensi atau database relasional yang dirancang untuk memungkinkan query multidimensi.
v. Data mining Tool
Data mining adalah proses untuk menemukan korelasi, pola, dan trent baru yang berarti dengan menggali data dalam jumlah besar dengan menggunakan teknik statistika, matematis, dan kecerdasan buatan. Data mining memiliki kemampuan untuk menggantikan kemampuan dari OLAP tools. Data mining memiliki kemampuan untuk membangun model prediktif dari pada model retrosp ektif.
2.2 Data
Data adalah sebuah catatan dari fakta-fakta, konsep-konsep, atau instruksi-instruksi pada sebuah media penyimpanan untuk komunikasi, penarikan, dan pemrosesan secara otomatis serta presentasi sebagai informasi yang dapat dimengerti oleh manusia (Inmon, 2002, p388).
Data adalah fakta atau observasi mentah, yang biasanya mengenai fenomena fisik, atau transaksi bisnis (O’Brien, 2005, p26).
Menurut McLeod dan Schell (2004, p9), data terdiri dari fakta-fakta dan angka- angka yang secara relatif tidak berarti bagi pemakai, merupakan fakta mentah yang belum diolah.
2.3 Perancangan Data Warehouse
Salah satu dari metodologi perancang data warehouse adalah Nine-Step Methodology oleh Kimball (1996) yang memiliki 9(sembilan) langkah sebagai berikut:
1. Memilih Proses (Choosing The Process)
Proses mengacu pada subjek masalah dari data mart tertentu. Data mart yang pertama kali dibangun haruslah tepat waktu, sesuai dengan anggaran, dan dapat menjawab pertanyaan-pertanyaan bisnis yang penting. Pilihan terbaik untuk data mart yang akan dibangun pertama kali lebih cenderung berkaitan dengan penjualan. Sumber data penjualan lebih mudah diakses dan berkualitas tinggi. 2. Memilih Sumb er (Choosing The Grain)
Memilih grain berarti memutuskan secara pasti apa yang dinyatakan oleh record dari table fakta. Hanya dengan telah terpilihnya grain untuk table fakta maka kita dapat mengidentifikasi dimensi. Keputusan grain untuk tabel fakta juga menentukan grain untuk setiap dimensi pada tabel fakta.
3. Mengidentifikasi dan Penyesuaian Dimensi (Identifying and Conforming The Dimensions)
Dimensi menentukan konteks untuk memberikan pertanyaan mengenai fakta-fakta dalam tabel fakta-fakta. Kumpulan dimensi yang dibangun dengan baik membuat data mart dapat dimengerti dan mudah untuk digunakan. Dimensi diidentifikasi dalam detail yang cukup untuk mendeskripsikan data seperti client dan properties dari grain yang tep at.
Jika ada dimensi yang mucul dalam dua data mart, maka kedua data mart tersebut harus memiliki dimensi yang sama, atau salah satu data mart adalah subset matematis dari data mart yang lain. Hanya dengan cara ini dua data marts berbagi satu atau lebih dimensi pada aplikasi yang sama. Ketika sebuah dimensi digunakan oleh lebih dari satu data mart dan dimensi tersebut
tidak disinkronisasikan antar data mart maka seluruh data warehouse akan gagal, karena dua data mart tidak dapat digunakan pada saat yang bersamaan. 4. Memilih Fakta (Choosing The Fact)
Grain dari tabel fakta menentukan fakta mana yang dapat digunakan pada data mart. Semua fakta harus dinyatakan berdasarkan tingkatan yang tersirat oleh grain. Fakta tambahan dapat ditambahkan ke dalam tabel fakta pada setiap waktu dengan catatan fakta tersebut konsisten dengan grain dari tabel.
5. Menyimpan Perhitungan Awal dalam Tabel Fakta (Storing Pre-Calcula tion in The Fact Table)
Setelah fakta dipilih, setiap fakta harus dikaji ulang untuk menentukan apakah ada kemungkinan untuk melakukan pre-calculations. Pre-calculations terjadi ketika fakta terdiri dari statement untung dan rugi.
6. Melihat Kembali Table Dimensi ( Rounding Out The Dimension Tables)
Pada langkah ini, kita kembali mengkaji tabel dimensi dan menambahkan sebanyak mungkin deskripsi teks ke dimensi. Teks deskripsi haruslah seintuitif mungkin dan dapat dimengerti oleh pengguna. Kegunaan dari data mart ditentukan oleh cakupan dan sifat atribut pada tabel dimensi.
7. Memilih Durasi Database (Choosing The Duration of Database)
Durasi mengukur berapa lama tabel fakta dapat disimpan. Pada banyak perusahaan, ada ketentuan untuk melihat pada periode waktu yang sama satu atau dua tahun sebelumnya. Tabel fakta yang sangat besar akan mengakibatkan setidaknya dua masalah yang signifikan pada data warehouse. Pertama, bertambahnya kesulitan untuk menjadikan data lama yang semakin bertambah sebagai sumber. Semakin lama suatu data, semakin banyak masalah dalam membaca dan menginterpretasikan file lama tersebut. Kedua, kebutuhan dimensi menggunakan versi yang lama, bukan versi y ang baru.
8. Menelusuri Perubahan dari Dimensi secara Perlahan (Tracking Slowly Changing Dimension)
Pada tahap ini, data warehouse memperhatikan proses dimensi yang semakin tua seiring dengan berjalannya waktu. Untuk itu perlu dilakukan update agar data warehouse selalu konsisten. Terdapat tiga tipe dasar perubahan dimensi
secara perlahan:
a. Tipe 1 : Perubahan data secara langsung atau update tabel dimensi.
b. Tipe 2 : Perubahan data membentuk record baru dengan surrogate key yang berbeda.
c. Tipe 3 : Perubahan data akan membentuk atribut atau kolom baru pada tabel dimensi.
9. Memutuskan Prioritas Query dan Tipe Query (Deciding The Query Priorities and The Query Models)
Pada tahap ini dipertimbangkan masalah perancangan fisik (physica l design). Masalah utama pada perancangan fisik yang mempengaruhi persepsi pengguna akhir dari data mart adalah urutan penyusunan tabel fakta pada disk dan adanya pre stored summaries dan agregasi
2.4 OLTP (Online Transaction Processing)
OLTP adalah sebuah sistem real-time yang memproses transaksi. Sistem real-time akan menangkap dan memproses transaksi secepatnya, yang mendukung operasi bisnis perusahaan sehari-hari (O’brien, 2005, p228).
Menurut Connoly (2002, p1049), OLTP adalah sebuah system yang dioptimasi untuk transaksi yang dapat diprediksi, berulang dan terupdate secara intensif dalam jumlah besar. Data OLTP disusun berdasarkan kebutuhkan transaksi yang berhubungan dengan aplikasi bisnis dan mendukung keputusan sehari-hari kumpulan user operasional yang berjalan bersamaan. Sistem OLTP menyediakan sumber data untuk data warehouse.
Tabel 2.1 Perbandingan Sistem OLTP dan Sistem Data Warehouse
Sistem OLTP Sistem data warehouse Menangani data sekarang Menangani data historis
Menyimpan detailed data Menyimpan detailed, lightly, dan highly summarized data
Data bersifat dinamis Data bersifat statis
Proses berulang Proses sewaktu-waktu tidak terstruktur heuristik
Jumlah transaksi tinggi Jumlah transaksi rendah sampai sedang
Berorientasi aplikasi Berorientasi subjek
Mendukung keputusan harian Mendukung keputusan strategis Melayani banyak user Melayani sedikit user (manajerial) 2.5 OLAP (Online Analytical Processing)
OLAP adalah sebuah metode yang memungkinkan user berkomunikasi dengan data warehouse baik melalui antarmuka grafis atau antarmuka web, dan dapat dengan cepat menghasilkan informasi dalam berbagai bentuk, termasuk grafik (McLeod dan Schell, 2004, p200).
Menurut Connolly (2002, p1056), OLAP adalah sebuah sintesis, analisis, dan konsolidasi dinamis dari data multidimensional dalam jumlah besar. OLAP adalah sebuah teknologi yang menggunakan view multidimensional dari data agregat untuk menyediakan akses cepat ke informasi yang dimaksudkan untuk analisis lebih lanjut. OLAP memungkinkan user untuk mendapatkan pengertian dan pengetahuan yang lebih dalam mengenai berbagai aspek data perusahaan melalui akses yang cepat, konsisten, dan interaktif ke berbagai variasi view dari d ata. 2.6 Penjualan
Menurut Joel G. Siegel dan Joe K. Shim (2006, p404), penjualan adalah penerimaan yang diperoleh dari pengiriman barang dagangan atau dari penyerahan pelayanan dalam bursa sebagai barang pertimbangan. Pertimbangan ini dapat dalam bentuk tunai peralatan kas atau harta lainnya. Pendapatan dapat diperoleh pada saat penjualan, karena terjadi pertukaran, harga jual dapat ditetapkan dan bebannya diketahui.
Dalam kegiatan ini penjualan akan melibatkan debitur atau disebut juga pembeli serta barang-barang atau jasa yang diberikan dan dibayar oleh debitur tersebut dengan cara tunai ataupun kredit.
Penjualan barang dagang oleh sebuah perusahaan dagang biasanya hanya disebut “penjualan”, jumlah transaksi yang terjadi biasanya cukup besar dibandingkan jenis transaksi lainnya. Dalam menjual barang dagangannya perusahaan dapat menerapkan tiga metode penjualan yang sering dikenal yaitu penjualan tunai, penjualan kredit, dan penjualan konsiny asi.
2.7 Pembayaran
Pembayaran adalah debit sebagian atau seluruhnya dari suatu kewajiban dengan penyelesaian dalam bentuk transfer dana, asset atau layanan yang bernilai moneter sama dengan sebagian atau seluruh kewajiban d ebitur.
