7
LANDASAN TEORI
2.1 Teori Umum
2.1.1 Pengertian Data
Menurut McLeod dan Shell (2007:9), Data adalah kumpulan fakta dan gambaran yang secara umum tidak dapat digunakan karena ukuran yang besar dan belum diolah.
Menurut Laudon dan Laudon (2010, p46), Data adalah aliran fakta-fakta mentah yang merupakan peristiwa yang terjadi dalam organisasi atau lingkungan fisik sebelum mereka terorganisir dan disusun menjadi bentuk yang orang-orang dapat memahami dan menggunakarmya.
Menurut Connolly and Begg (2010), Data merupakan bagian terpenting dari komponen suatu basis data yaitu sebagai jembatan antara kompnen manusia dengan komponen mesin. Sehingga dapat disimpulkan bahwa data merupakan sekumpulan fakta mentah yang berupa fenomena fisik atau transaksi bisnis yang belum di olah yang terdapat pula pada media penyimpanan dan akan diproses menjadi informasi yang bisa dimengerti oleh manusia.
2.1.2 Pengertian Informasi
Menurut Laudon dan Laudon (2010, p46), Informasi adalah data yang telah dibuat ke dalam bentuk yang memiliki arti dan berguna bagi manusia.
Menurut O'Brien dan Marakas (2008, p32), Informasi adalah data yang telah diubah menjadi konteks yang berarti dan berguna bagi para pemakai akhir tertentu.
Stair dan Reynolds (2010, pp5) mendefinisikan Informasi sebagai kumpulan fakta yang terorganisir sehingga mereka memiliki nilai tambahan selain nilai fakta
individu.Sehingga dapat disimpulkan bahwa informasi merupakan hasil olahan data yang memiliki nilai tambah makna dan berguna bagi para pengguna.
2.1.3 Pengertian Sistem Informasi
Menurut Laudon dan Laudon (2010, p46), Sistem Informasi merupakan komponen yang saling bekerja sama untuk mengumpulkan, mengolah, menyimpan dan menyebarkan informasi untuk mendukung pengambilan keputusan, koordinasi, pengendalian, analisis masalah dan visualisasi dalam sebuah organisasi.
O'Brien dan Marakas (2008, p4), menyatakan bahwa pengertian Sistem Informasi merupakan kombinasi teratur dari orang-orang, hardware, software, jaringan komunikasi, dan sumber daya data yang mengumpulkan, mengubah, dan menyebarkan informasi dalam sebuah organisasi.
Stair dan Reynolds (2010, p10), mendefinisikan Sistem Informasi sebagai seperangkat elemen atau komponen yang saling terkait yang dikumpulkan (input), memanipulasi (process), menyimpan, dan menyebarkan (output) data dan informasi, dan memberikan reaksi korektif (feedback) untuk memenuhi tujuan.
Sehingga dapat disimpulkan pula bahwa Sistem Informasi adalah kombinasi dari seperangkat komponen berupa, User , Hardware , Software , dan data yang saling bekerja sama untuk mengumpukan, mengolah, menyimpan, dan menyebarkan informasi untuk mendukung sebuah pengambilan keputusan, pengendalian, analisis masalah, dan visualisasi dalam sebuah organisasi.
2.1.4 Fact Finding
Menurut Connoly dan Begg (2008:341), ada beberapa teknik dalam fact finding, yaitu:
- Memeriksa dokumentasi (Examining Documentation): Biasanya berguna ketika ingin mencoba untuk melihat apa yang dibutuhkan sebuah database dan mencari dokumen yang berhubungan dengan masalah sehingga mempercepat pemahaman sistem.
- Wawancara (Interviewing): Wawancara merupakan teknik untuk mendapatkan informasi dari individu secara tatap muka.
Terdapat dua bentuk wawancara, yaitu unstructured interview dimana fokus wawancara dapat berpindah-pindah dan structured interview dimana pewawancara memiliki pertanyaan yang spesifik untuk dijawab oleh responden.
Pertanyaan dapat berupa open-ended questions dan closed ended-questions.
- Observing The Enterprise In Operation: Teknik ini yang paling efektif untuk memahami sistem. Teknik ini memungkinkan partisipasi atau pengamat perorangan pada saat melakukan aktivitas.
- Penelitian: Teknik yang berguna untuk melakukan penelitian mengenai aplikasi. Jurnal, referensi buku, dan internet merupakan informasi yang baik. Sumber informasi tersebut digunakan sebagai landasan dalam menyelesaikan beberapa masalah.
- Kuesioner: Kuesioner adalah fasilitas untuk mendapatkan fakta dari banyak perserta sekaligus. Terdapat dua bentuk pertanyaan pada suatu kuesioner, free-format question dan fixed-free-format question.
* Free format question mengedepankan kebebasan responden dalam menjawab pertanyaan sehingga pertanyaan tidak disertai oleh jawaban yang sudah diarahkan sebelumnya.
* Fixed-format question menginginkan jawaban dengan memiliki jawaban yang paling sesuai dari beberapa jawaban yang ada.
2.1.5 Pengertian Database
Menurut Connolly dan Begg (2008:65), Database adalah sekumpulan data tersebar yang berhubungan secara logis, dan penjelasan dari data ini dirancang untuk memenuhi kebutuhan informasi dari suatu organisasi.
Menurut Gottschalk dan Saether dalam jurnal (2010:41), Database adalah sekumpulan data yang terorganisir untuk mendukung banyak aplikasi secara efisien dengan memusatkan data dan mengontrol data redundant.
Dari keseluruhan teori yang di jabarkan, diatas kita dapat menarik kesimpulan bahwa database adalah suatu kumpulan dari data-data yang saling berhubungan secara logis dan terorganisir untuk mendeskripsikan suatu informasi yang berdasarkan skema dengan memusatkan data redundant untuk memenuhi kebutuhan informasi dari suatu organisasi.
Didalam database dikenal proses normalisasi (Kusrini & Koniyo, 2007, p98), merupakan suatu teknik dalam design logical database, teknik pengelompokkan attribut dari suatu relasi sehingga membentuk struktur relasi yang baik.
Kegunaan Normalisasi adalah meminimalisasi pengulangan informasi, memudahkan untuk mengindentifikasi setiap entitas/objek.
Langkah-langkah normalisasi: 1NF
Mengidentifikasikan attribut kunci, tidak ada grup berulang, semua attribut bukan kunci bergantung pada attribut kunci.
2NF
Sudah memenuhi bentuk normalisasi pertama, sudah tidak ada ketergantungan parsial dimana seluruh field tergantung pada sebagian field kunci.
3NF
Sudah berada dalam bentuk kedua, tidak ada ketergantungan transitif (dimana field bukan kunci tergantung pada field bukan kunci lainnya)
2.1.6 Pengertian Database Management System (DBMS)
Menurut Connolly dan Begg (2008:66), Database Management System (DBMS) adalah sebuah sistem software yang memungkinkan pengguna untuk mendefinisikan, membuat, me-maintain, dan mengontrol akses ke database.Fasilitas yang dimiliki oleh DBMS:
1. Hal ini memungkinkan pengguna untuk mendefinisikan basis data, biasanya melalui Definition Data Language (DDL). DDL memungkinkan pengguna untuk menentukan tipe data, struktur dan batasan pada data yang akan disimpan dalam basis data.
2. Hal ini memungkinkan pengguna untuk memasukkan, update, menghapus, dan mengambil datadari database, biasanya melalui Data Manipulation Language (DML),yang memiliki suatu gudang penyimpanan terpusat untuk semua data dan pendeskripsian data yang memungkinkan DML untuk menyediakan fasilitas inquiry secara umum untuk data tersebut,disebut bahasa query.
3. Menyediakan akses terkontrol pada database. Sebagai contoh, mungkin menyediakan:
a. Sistem keamanan, yang mencegah pengguna yang tidak sah untuk mengakses basis data.
b. Sistem integritas, yang mempertahankan konsistensi data yang disimpan. c. Suatu sistem control concurrency, yang memungkinkan berbagi akses
basis data.
d. Suatu sistem control recovery, yang mengembalikan basis data kedalam keadaan yang konsisten sebelum menyusul kegagalan perangkat keras atau perangkat lunak.
e. Sebuah catalog yang dapat diakses pengguna, yang berisi deskripsi dari data dalam basis data.
2.1.7 Pengertian Data Warehouse
Menurut Connolly (2008, p1151) Data warehouse adalah berorientasi subjek, terintegrasi, rentang waktu, dan tidak mudah berubah data dalam mendukung proses pengambilan keputusan manajemen
Menurut Poolet (2009, p31-33) Data warehouse adalah alat strategis yang dapat menganalisis data mentah transaksional untuk mengungkapkan kesejahteraan antara persepsi dan realitas. Data warehouse juga sebagai penjaga asset perusahaan.
Menurut Farhan (2011, p46-57) Data warehouse adalah sebuah proses kompleks yang terdiri dari banyak tugas seperti ekstraksi, transformasi, integrasi, membersihkan, manajemen kunci, sejarah manajemen dan loading. Untuk memenuhi keputusan dukungan kebutuhan data warehouse dapat menggunakan data dari berbagai sumber internal dan eksternal.
Menurut Matamala (2012, p99-113) Data warehouse adalah suatu repositori data dari sumber yang berbeda, sebuah sistem untuk analisis data yang dugunakan untuk mendukung pengambilan keputusan.
Menurut Huda (2010, p437-448) dengan data warehouse, data-data terkait dalam pengambilan keputusan dapat disimpan dalam lintas waktu yang mencukupi, serta dapat menghasilkan media penyajian informasi yang lengkap, dinamis, dan cepat.
Menurut jurnal yang dibuat oleh Gosain (2009, p110-117) Data warehouse are complex systems that have to deliver highly-aggregated data from heterogeneous sources to decision makers.
Berdasarkan jurnal yang dibuat oleh Oscar Romero dan Alberto Abell (2009) Data wareouse adalah database yang disusun untuk, mendukung pembuatan keputusan dalam organisasi. Data warehouse mengintegrasikan data dan menghomogenkan data dalam data repositori yang besar.
2.1.8 Karakteristik Data Warehouse
Karakteristik data warehouse terdiri dari subject oriented, integrated, time variant, dan non volatile. Karakteristik data warehouse menurut Inmon (2011), antara lain:
1. Subject Oriented
Data tersusun berdasarkan subyek yang detil, seperti sales, product, atau customers, hanya mengandung informasi yang relevan untuk mengambil keputusan. Subject Oriented tidak hanya dapat membantu user untuk menentukan bagaimana proses bisinis mereka berjalan tetapi juga membantu dalam menentukan mengapa proses bisnis mereka berjalan.
2. Integrated
Integrasi berhubungan erat dengan subject orientation. Data warehouse harus menempatkan data dari sumber yang berbeda ke dalam format yang konsisten untuk melakukannya, mereka harus menghadapi konflik penamaan dan perbedaan di antara satuan ukuran.
3. Time Variant
Data warehouse menyimpan data historical. Data yang tidak selalu memberikan status. Mereka mendeteksi tren, penyimpangan dan hubungan jangka panjang untuk melakukan peramalan dan perbandingan, yang mengarah kepada pengambilan keputusan. Setiap data warehouse mempunyai kualitas yang sementara. Waktu adalah satu-satunya dimensi yang penting yang semua data warehouse harus bisa mendukung.
4. Non volatile
Setelah data dimasukan ke dalam data warehouse, user tidak bisa mengganti atau meng-update data. Data yang lama dibuang dan perubahan data disimpan sebagai data yang baru.
2.1.9 Data Warehouse Lifecycle Diagram
Menurut Kimball dan Ross (2008), Lifecycle Diagram adalah roda map yang menggambarkan secara keseluruhan dari urutan dari tugas yang dibutuhkan untuk desain yang efektif, pengembangan, dan penyebaran.
Gambar 2.1 Lifecycle Diagram Sumber: Kimball dan Ross (2008, p3-14)
Pada gambar diatas terdapat beberapa tahap proses dalam pembangunan data warehouse Kimball dan Ross (2008, p3-14) yaitu :
1. Project Planning
Pada tahap ini proyek yang ingin dibuat sudah mulai dipersiapkan dan di rancang terlebih dahulu. Proyek dalam kali ini di rencanakan apa yang diperlukan dalam pembuatan proyek tersebut.
Pada tahap ini semua data-data dan informasi serta kebutuhan-kebutuhan yang diperlukan untuk membuat proyek telah disiapkan dan dikumpulkan. Hal-hal yang dibutuhkan di antaranya pertama adalah mendesain technical designer architecture yang digunakan untuk produk dan seleksi penginstalasian software, kedua merupakan dimensional modeling yang nantinya akan digunakan untuk physical design dan menjadi data staging design and development, ketiga adalah analytic application specification yang akan digunakan untuk menganalisa application development.
3. Deployment
Setelah seluruh tahap awal dilakukan, lalu baru proyekakan disebarkan untuk di uji coba, apakah sudah sesuai dengan bisnis yg diinginkan.jika sudah maka lanjut pada tahap selanjutnya.
4. Maintenance and Growth
Setelah diuji coba, jika sesuai maka proyek akan di maintenance serta dikembangkan lagi. Jangan lupa untuk membangun security pada sistem yang telah dibangun.
2.1.10 Pengertian Data Mart
Menurut Turban, Sharda, Delen dan King (2011:53), Data mart adalah subset dari data warehouse dan berfokus pada topik tertentu atau departemen, yang biasanya terdiri dari suatu subyek (misalnya pemasaran, operasi). Terdapat dua jenis data mart, antara lain:
- Dependent Data Mart adalah sebuah subset yang dibuat secara langsung dari data warehouse. Memiliki keuntungan dari penggunaan data model yang konsisten dan menyediakan kualitas data.
- Independent Data Mart adalah data mart yang mendukung konsep dari single enterprise-wide data model, tetapi data warehouse harus dibuat terlebih dahulu. Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat disimpulkan bahwa pengertian data mart adalah subset dari data warehouse atau data secara
langsung dari sistem transaksional yang berfokus pada topik tertentu atau departemen yang biasanya terdiri dari suatu subyek (misalnya pemasaran).
2.1.11 Perbandingan antara OLTP dan Data Warehouse
Menurut Connolly dan Begg (2008:p199), terdapat beberapa perbedaan mendasar antara sistem OLTP dan sistem Data Warehouse. Lihat penjelasan pada tabel berikut ini.
Tabel 2.1 Perbedaan Sistem OLTP dan Sistem Data Warehouse Karakteristik Sistem OLTP Sistem Data Warehouse Tujuan
Utama Mendukung proses operasional Mendukung proses analisis
Umur Data Saat ini Historic
Latensi Data Real time Tergantung pada panjang siklus untuk data suplemen ke warehouse
Granularitas
Data Detailed data
Detailed data, lightly dan highly summarized data
Proses Data
Pola yang dapat diprediksi mengenai query insert, update, delete. Hasil transaksi tingkat tinggi
Pola yang kurang dapat diprediksi dari query data; hasil transaksi tingkat menengah hingga rendah
Laporan Terprediksi, satu dimensi, laporan relatif statis dan tetap
Tidak terprediksi, multidimensional, laporan dinamis
Pengguna Melayani pengguna operasional dalam jumlah besar
Melayani jumlah pengguna manajerial yang relatif sedikit
2.1.12 Pengertian ERD (Entity Relationship Diagram)
Menurut Connolly dan Begg (2008, p371), Entity Relationship Diagram merupakan salah satu model yang dapat memastikan pemahaman yang tepat terhadap data dan bagaimana penggunaannya di dalam suatu organisasi.
Model ini menggunakan pendekatan Top-Down dalam merancang database, di mulai dengan mengidentifikasikan data penting yang disebut entity dan relationship antara data yang harus direpresentasikan ke dalam model, kemudian ditambahkan beberapa attribute dan constraint pada entity, attribute dan relationship.
Gambar 2.2 Notasi ER Model
ERD terdiri atas: • Entity
Entitas merupakan suatu objek yang dapat diidentifikasi dalam lingkungan pemakai, sesuatu yang penting dalam konteks sistem yang akan dibuat.
• Attribute
Entitas memiliki elemen yang disebut dengan atribut dan berfungsi mendeskripsikan karakter entitas. Misalkan dalam barang memiliki atribut No_barang dan Jenis_barang.
• Relationalship
Hubungan antara entitas satu dengan entitas yang lain.
Contoh: barang dengan supplier dalam entitas barang memiliki primary key dari entitas supplier yang menjadi foreign key dari supplier.
2.1.13 Architecture Data Warehouse
Menurut Conolly & Begg, (2008, p1203-1207), arsitektur data warehouse terdiri dari:
1. Operational Data
Sumber data untuk data warehouse diambil dari:
- Mainframe data operasional yang menangani generasi pertama secara hirarki dan database jaringan. Biasanya mayoritas data operasional perusahaan disimpan di sistem ini.
- Data masing-masing departemen yang disimpan dalam system file kepemilikan seperti VSAM, RMS dan relational DBMS seperti Informix dan Oracle.
- Data internal yang tersimpan dalam workstation dan server pribadi.
- Sistem eksternal seperti internet, database komersial atau database yang berhubungan dengan supplier dan customer.
2. Operational Datastore (ODS)
Suatu operational datastore (ODS) adalah suatu media penyimpanan dan pengintegrasian data operasional yang digunakan untuk analisis. ODS menyediakan data dengan cara yang sama seperti data warehouse, tetapi
sesungguhnya bertindak secara sederhana sebagai tempat penampungan sementara sebelum data dipindahkan ke data warehouse.
ODS diciptakan ketika sistem operasional ditemukan tidak mampu untuk mencapai keberhasilan sistem pelaporan. ODS menyediakan manfaat yang berguna dari suatu relational database dalam mengambil keputusan yang mendukung fungsi data warehouse.
Membangun ODS dapat membantu dalam pembuatan data warehouse sebab suatu ODS dapat menyediakan data yang telah di-extract dan di-cleansing dari sumber. Ini artinya proses integrasi dan restrukturisasi data untuk data warehouse menjadi lebih sederhana.
3. Load Manager
Load manager melaksanakan semua operasi yang berhubungan dengan pengambilan dan load data ke dalam data warehouse. Data di-extract secara langsung dari sumber data atau dari penyimpanan data operasional. Operasi yang dilakukan oleh load manager dapat meliputi perubahan bentuk yang sederhana untuk mempersiapkan data tersebut agar dapat dimasukkan ke dalam data warehouse.
4. Warehouse Manager
Warehouse manager melaksanakan semua operasi yang berhubungan dengan manajemen data. Operasi yang dilakukan oleh warehouse manager meliputi: - Analisis data untuk memastikan konsistensi
- Transformasi dan penggabungan sumber data dari tempat penyimpanan data sementara ke dalam table-table data warehouse.
- Pembuatan index dan view pada table - Melakukan denormalisasi
- Melakukan agregasi
- Melakukan backup dan mengarsip data
Dalam beberapa hal, warehouse manager juga menghasilkan profile query untuk menentukan kesesuaian indeks dan agregasi. Suatu profile query dapat
dihasilkan baik untuk masing-masing user, kelompok user atau data warehouse dan didasarkan pada informasi yang menguraikan karakteristik query seperti frekuensi, target table, dan ukuran dari hasil yang telah ditetapkan.
5. Query Manager
Query manager melaksanakan semua operasi yang berhubungan dengan manajemen user query. Komponen ini secara khusus dibangun menggunakan peralatan akses data end-user, peralatan pengontrol data warehouse, fasilitas database, dan pembangunan program. Kompleksitas query manager ditentukan oleh fasilitas yang disajikan melalui peralatan akses para end-user database. Operasi yang dilakukan komponen ini meliputi pengarahan query pada tabel yang sesuai dan penjadwalan pelaksanaan query. Terkadang query manager juga menghasilkan profile query yang mengijinkan warehouse manager menentukan kesesuaian indeks dan agregasi.
6. Detailed Data
Area ini menyimpan semua data yang terperinci di dalam skema database. Dalam banyak kasus data yang terperinci tidaklah disimpan secara online tetapi dapat disediakan melalui agregasi data pada tingkatan detil berikutnya. Bagaimanapun biasanya data yang lebih terperinci ditambahkan untuk melengkapi data yang sudah ada.
7. Lightly and highly summarized data
Area ini menyimpan semua lightly and highly summarized data yang dihasilkan oleh warehouse manager. Area ini adalah tempat penampungan sementara sebelum dilakukan perubahan secara berkelanjutan untuk merespon perubahan profile query.
Tujuan informasi ringkasan adalah untuk mempercepat pencapaian query. Meskipun biaya operasi akan meningkat sehubungan dengan proses peringkasan data tersebut, namun ini merupakan offset untuk melaksanakan operasi ringkasan secara terus menerus untuk menjawab user query. Data ringkasan diperbaharui secara terus-menerus ketika ada data baru yang terisi ke dalam data warehouse.
8. Archive or Backup Data
Area ini menyimpan semua detil dan ringkasan data untuk kepentingan archiving dan backup. Walaupun ringkasan data dibangun dari detil data, akan memungkinkan untuk membuat cadangan ringkasan data secara online jika data ini ditunjukkan melebihi penyimpanan waktu untuk detil data. Data ditransfer ke gudang atau penyimpanan seperti magnetic tape dan optical disk.
9. Metadata
Area ini menyimpan semua definisi metadata yang digunakan oleh semua proses di dalam warehouse. Metadata digunakan untuk berbagai tujuan termasuk:
- Proses extract dan load – metadata digunakan untuk memetakan sumber data ke dalam pandangan umum sebagai warehouse.
- Proses manajemen warehouse - metadata digunakan untuk mengotomatisasi pembuatan tabel ringkasan.
- Sebagai bagian proses manajemen query – metadata digunakan untuk menghubungkan suatu query dengan sumber data yang tepat.
Struktur metadata berbeda untuk masing-masing proses, sebab memiliki tujuan yang berbeda. Ini berarti bahwa berbagai salinan metadata yang menggambarkan data item yang sama dipegang di dalam data warehouse. Manajemen metadata di dalam data warehouse adalah suatu tugas yang sangat kompleks yang tidak boleh diremehkan.
10.End-Users Access Tools
Tujuan prinsip data warehousing adalah untuk menyediakan informasi kepada para user bisnis untuk pengambilan keputusan. Para user berinteraksi dengan warehouse menggunakan peralatan akses end-user. Berdasarkan kutipan dari (Conolly & Begg 2008, p1206) yang dikemukakan oleh Berson dan Smith, kategori tools dibagi menjadi lima bagian:
- Sebagai alat untuk laporan dan query
Menghasilkan program laporan dan laporan tertulis, sedangkan query tools didesain untuk menerima SQL atau menghasilkan pernyataan SQL untuk men-query data di dalam data warehouse.
- Perangkat pengembangan aplikasi
Keperluan end-user dari laporan dan alat query terkadang tidak cukup karena analisis yang diperlukan tidak dapat ditampilkan atau karena interaksi pengguna memerlukan keahlian yang tinggi dari user. Beberapa dari alat pengembangan aplikasi ini terintegrasi dengan alat OLAP yang tekenal, dan dapat mengakses semua sistem database utama, termasuk Oracle, Sybase, dan Informix.
- Perangkat Executive Information System (EIS)
Executive Information System (EIS), dikembangkan untuk mendukung pembuatan keputusan tingkat tinggi. Alat EIS berhubungan dengan mainframe pengguna untuk membangun kebiasaan-kebiasaan, aplikasi grafik pendukung keputusan untuk menyediakan sebuah gambaran data-data organisasi dan akses ke sumber data luar.
- Perangkat Online Analytical Processing (OLAP)
Perangkat OLAP berdasarkan dari konsep multidimensional database dan mengijinkan pengguna untuk menganalisa dan menggunakan kompleks multidimensional views. Aplikasi bisnis khusus ini digunakan untuk menilai keefektifan marketing, perkiraan sales produk, dan rencana kapasitas.
- Perangkat Data Mining
Data mining adalah proses menemukan korelasi baru, pola, arah yang baru dengan menganalisa sejumlah besar data menggunakan statistik, matematika, dan teknik Artificial Intelligence.
Gambar 2.3 Arsitektur Data Warehouse Sumber: Conolly & Begg (2008, p1204)
2.1.14 Metodologi Perancangan Data Warehouse
Menurut (Kimball & Ross, 2010) terdapat 9 tahap metodologi dalam membangun data warehouse dikenal dengan nine-step methodology yaitu:
1. Memilih proses (Choosing the process)
Proses pada subyek masalah dari data mart tertentu. Data mart yang akan dibangun harus sesuai anggaran dan dapat menjawab masalah-masalah bisnis yang penting.
2. Memilih Grain (Choosing the grain)
Memilih grain berarti menentukan hal yang sebenarnya dihadirkan oleh tabel fakta. Setelah menentukan grain-grain tabel fakta, dimensi-dimensi untuk setiap fakta dapat diidentifikasi.
3. Identifikasi dan membuat dimensi yang sesuai (Identifying and conforming the dimensions)
Mengidentifikasi dimensi disertai deskripsi detail yang secukupnya. Ketika tabel dimensi berada pada dua atau lebih data mart, maka tabel dimensi tersebut harus mempunyai dimensi yang sama atau salah satu merupakan subset dari yang lainnya. Jika suatu tabel dimensi digunakan oleh lebih dari satu data mart, maka dimensinya harus disesuaikan.
4. Memilih Fakta (Choosing the fact) Memilih fakta yang akan digunakan dalam data mart. Semua fakta harus
ditampilkan pada tingkat yang diterapkan oleh grain dan fakta juga harus numeric dan aditif.
5. Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-calculation the fact table)
Ketika fakta telah dipilih, maka setiap fakta tersebut harus diuji apakah ada fakta yang dapat menggunakan pre-kalkulasi, setelah itu lakukan penyimpanan pada tabel fakta
6. Melengkapi Tabel Dimensi (Rounding out the dimension tables)
Menambahkan sebanyak mungkin deskripsi teks pada tabel dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user.
7. Memilih durasi dari Database (Choosing the duration of the database) Menentukan batas waktu dari umur data yang diambil dan akan dipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua tahun lalu atau lebih diambil dan dimasukkan dalam tabel fakta.
8. Melacak perubahan dari dimensi secara perlahan (Tracking slowly changing dimensions)
Perubahan dimensi yang lambat menjadi sebuah masalah. Ada 3 tipe dasar dari perubahan dimensi yang lambat, yakni:
b) Perubahan atribut dimensi yang mengakibatkan pembuatan suatu record dimensi baru.
c) Perubahan atribut dimensi yang mengakibatkan sebuah attribut alternative dibuat, sehingga kedua attribut tersebut yakni attribut yang lama dan yang baru dapat diakses secara bersamaan dalam sebuah dimensi yang sama.
9. Memutuskan prioritas dan cara query (Deciding the query priorities and the query modes)
Mempertimbangkan pengaruh dari perancangan fisikal yang akan mempengaruhi persepsi user terhadap datamart. Selain itu, perancangan fisikal akan mempengaruhi masalah administrasi, backup, kinerja pengindeksan dan keamanan.
2.1.15 Relational Model dan Multidimensional Model
Menurut Miranda dalam jurnalnya (2011:1-12), membuat data warehouse tidak sekedar memindahkan data operasional ke dalam data warehouse, memindahkan data dari beberapa sumber berpotensi menimbulkan masalah besar terutama terkait dengan isu tidak konsistennya data. Data warehouse tidak hanya digunakan dalam melakukan loading, integrasi, dan menyimpan data dalam jumlah besar, namun juga berpotensi untuk mendapatkan sudut pandang baru dari sebaran data, dan memungkinkan untuk memberikan pelaporan dan jawaban dari pertanyaan pengguna yang bersifat ad hoc secara cepat dan lebih baik.
1. Data Extraction
Menurut Kimball dan Ross (2010:p89), extraction adalah langkah pertama dalam proses memasukkan data ke dalam lingkungan data warehouse. Extracting berarti membaca dan memahami sumber data dan menyalin data yang dibutuhkan untuk data warehouse ke dalam staging area untuk manipulasi lebih jauh.
2. Data Transforming
Menurut Kimball dan Ross (2010:p92), setelah data di–ekstrak ke staging area, ada banyak perubahan yang mungkin dilakukan, seperti cleansing data (memperbaiki kesalahan ejaan, mengatasi konflik domain, menangani bagian yang hilang, atau parsing ke dalam format standar), menggabungkan data dari berbagai sumber, menghilangkan data berulang, dan memberikan warehouse keys.
Menurut Connolly dan Begg (2008, p128), langkah transformasi menerapkan serangkaian aturan atau fungsi pada data yang telah diekstrak, yang menentukan bagaimana data akan digunakan untuk analisis dan dapat melibatkan perubahan seperti merangkum, encoding, penggabungan data, pemisahan data, kalkulasi data, dan penciptaan surrogate key.
Menurut Miranda dalam jurnalnya (2011:1-12), setelah penggalian data dari berbagai sumber, transformasi dibutuhkan untuk menjamin konsistensi data. Agar mengubah data ke data warehouse. Transformasi dapat dilakukan selama ekstraksi data atau saat memuat data ke dalam data warehouse. Integrasi ini bisa menjadi masalah yang kompleks ketika jumlah sumber data menjadi lebih besar. 3. Data Loading
Menurut Kimball dan Ross (2010:p80), setelah melakukan transformasi maka data dapat dimuat ke dalam data warehouse.
Menurut Connolly dan Begg (2008, p178), loading data ke dalam data warehouse dapat terjadi setelah semua transformasi telah terjadi atau sebagai bagian dari proses transformasi. Saat data dimuat ke dalam warehouse, aturan (constraint) tambahan didefinisikan dalam skema database, seperti trigger yang akan aktif pada saat dilakukan loading data, yang juga berkontribusi pada kualitas seluruh kinerja data pada proses ETL.
Menurut Miranda dalam jurnalnya (2011:1-12), setelah proses penggalian, mengubah dan pembersihan telah dilakukan, data diambil ke dalam data warehouse. Pemuatan data dapat dikategorikan ke dalam dua jenis; pemuatan
data yang saat ini ada dalam database operasional. Untuk menjamin kesegaran data, data warehouse perlu untuk terus memperbaharui datanya.
2.1.16 Star Schema
Menurut Doro Edhi, Stevalin Betshani dalam jurnal Analisis Data dengan Menggunakan ERD dan Model Konseptual Data Warehouse (2009, p4) Star schema adalah salah satu dimensional model dimana fact tabel terletak di pusat dan tabel lainnya, yaitu dimension tabel terletak disekelilingnya. Kebanyakan, dari fact table pada star schema merupakan normalisasi bentuk ketiga dari database, sedangkan dimensional table adalah normalisasi bentuk kedua. Star schema merupakan bentuk dimensional model yang paling sederhana.
Star Schema adalah suatu struktur logical yang memiliki sebuah tabel fakta yang berisikan data – data fakta di tengahnya dan di kelilingi oleh tabel-tabel dimensi yang berisikan data-data referensi (biasa dalam bentuk denormalisasi), (Conolly & Begg 2008, p1227).
2.1.17 Snowflake Schema
Snowflake schema adalah variasi lain dari skema bintang dimana tabel dimensi tidak berisi data yang dinormalisasi, dan suatu tabel dimensi dapat memiliki tabel dimensi lainnya (Conolly & Begg 2008, p1129).
Gambar 2.5 Snowflake Schema Sumber Conolly & Begg (2008, p1229)
2.1.18 Starflake Schema
Starflake schema adalah struktur campuran antara star schema dan snowflake schema. Beberapa tabel dimensi dapat disajikan dalam bentuk skema bintang maupun snowflake schema untuk memenuhi kebutuhan query yang berbeda beda (Conolly & Begg 2008, p1230).
Gambar 2.6 Starflake Schema Sumber: Conolly & Begg(2008)
2.1.19 Granularity
Granularity mengarahkan ke level of detail atau ringkasan data pada data warehouse. Semakin detil data semakin rendah tingkat granularity. Semakin ringkas data, semakin tinggi tingkat granularity. Ringkasan dari semua transaksi pada suatu bulan akan menjadi tingkat yang tinggi atas granularity.
Granularity dari data akan menajadi sebuah persoalan desain utama pada lingkungan data warehouse karena mempengaruhi volume data pada data warehouse dan jenis query yang dapat dijawab. Pada banyak kasus, data warehouse berada pada
tingkat granularity yang terlalu tinggi artinya developer harus menghabiskan banyak sumber daya untuk memecah data. Kadang – kadang data masuk ke data werehouse pada tingkat granularity yang terlalu rendah (William 2011, p41).
2.1.20 Pengertian Metadata
Metadata adalah sebuah komponen penting dari lingkungan data warehouse. Metadata atau data tentang data, telah menjadi bagian dari lingkungan pemrosesan informasi selama telah ada program dan data. Tetapi dalam dunia data warehouse, metadata mendapatkan tingkat kepentingan yang baru, untuk segala usaha yang paling efektif digunakan pada data warehouse.
Metadata memungkinakan end-user atau decision support system analyst untuk menavigasi melalu beberapa kemungkinan. Ketika user akan menggunakan data warehouse yang tidak memiliki metadata, maka user tidak tahu darimana akan memulai analisa. Dengan adanya metadata, maka user dapat dengan cepat mencari data yang penting atau menentukan data yang tidak ada dalam data warehouse. Metadata bertindak sebagai index untuk isi data warehouse (William 2011, p102).
Metadata items menyimpan hal – hal sebagai berikut: - Stuktur data bagai programmer.
- Struktur data bagi DSS Analyst. - Sumber data untuk data warehouse. - Transformasi data ke data warehouse. - Data model.
- Relationship antara data model dan data warehouse. - Histori dari extract.
2.1.21 External Data dan Data Warehouse
Kebanyakan organisasi membangun data warehouse mereka pada data yang berasal dari sistem yang ada (yakni, diatas data internal ke perusahaan). Di hampir setiap kasus, data ini dapat disebut data internal, terstruktur. Data internal berasal dari perusahaan dan telah dibentuk ke dalam format yang teratur. Satu keseluruhan besar atas data lain yang sah digunakan untuk sebuah perusahaan yang tidak dihasilkan dari sistem perusahaan sendiri disebut data eksternal dan biasanya memasuki perusahaan dalam format yang tidak diduga. Data warehouse ialah tempat yang idela untuk menyimpan data eksternal (William 2011, p257-258).
Data warehouse mampu menangani lebih dari data internal, terstruktur. Ada banyak infromasi yang relevan untuk menjalankan perusahaan yang berasal dari sumber-sumber di luar perusahaan (William 2011, p268)
2.1.22 Komponen Dimensionality Modeling Berikut adalah komponen dimensionality modeling:
1. Fact
Menurut Kimball dan Ross (2010, p402), fact atau fakta adalah sebuah ukuran dari performa bisnis, biasanya berupa numerical dan penjumlahan. Hal ini berlanjut pada pengertian dari tabel fact sebagai lokasi penyimpanan untuk fact yang ada.
2. Fact Table
Menurut pendapat Kimball dan Ross (2010, p405), tabel fakta pada sebuah skema bintang (dimensional model) adalah tabel central dengan pengukuran performansi binis dalam bentuk numeric yang memiliki karakteristik berupa sebuah composite key, yang tiap – tiap elemennya adalah foreign key yang didapat dari tabel dimensi.
Gambar 2.7 Fact table Sumber: Kimball(2010, p408)
3. Dimension
Menurut Kimball dan Ross (2010, p399), dimension atau dimensi merupakan sebuah entitas independent pada sebuah model dimensional yang berfungsi sebagai pintu masuk atau berperan sebagai sebuah mekanisme untuk memecah – mecah pengukuran tambahan yang ada pada tabel fakta dari model dimensional.
4. Dimensional table
Menurut Chuck Ballard (2012, p135), dimensional table atau tabel dimensi merupakan table yang mengandung attribute yang menggambarkan fact records dalam fact table. Beberapa dari attribute tersebut menyediakan informasi yang deskriptif, yang lainnya digunakan untuk mengidentifikasi bagaimana fact table data seharusnya diringkas untuk memberikan infomasi yang berguna dalam bisnis analyst.
Point-point penting tentang dimensional table:
- Tiap dimensi table memiliki satu dan hanya satu tingkat element terendah, atau tingkat detil terendah, yang disebut dimensional grain, atau biasa disebut granularity of the dimension.
- Tiap non-key element seharusnya muncul apabila terdapat hanya satu tabel dimensi.
- Baris dalam dimensi tabel menetapkan hanya one-to-many relationship dengan table fact.
5. Surrogate key
Merupakan salah satu elemen yang biasanya ditambahkan pada tabel dalam konsep permodelan data warehouse. Menurut Joy Mundy, Warren Thornthwaite (2011, p38), surrogate key adalah key yang bernilai unik yang menjadi primary key dalam tiap baris dimensi dan digunakan untuk menggabungkan dimensi-dimensi untuk menghubungkan foreign key field dalam fact table.
Pada tabel dimensi, surrogate key bertindak sebagai foreign key yang menspesifikasikan dimensi, walaupun terkadang tidak dibutuhkan surrogate key pada tabel fakta juga dapat bertindak sebagai bagian dari primary key yang dimiliki oleh fakta. Surrogate key biasanya tidak bisa dijelaskan sendiri hanya melalui nilai yang terkandung didalamnya. Surrogate key pada data warehouse dibutuhkan untuk menangani permasalahan yang timbul dari slowly changing dimensions serta data yang hilang maupun data yang tidak digunakan.
Keuntungan-keuntungan surrogate key dalam table dimensi:
- Surrogate key membantu melindungi DW/BI system dari perubahan administatif yang tidak terduga dalam pergantian source system.
- Surrogate key juga mengizinkan DW/BI system untuk mengitegrasikan data yang sama, seperti customer, dari multiple souce system dimana memiliki perbedaan keys.
6. Granularity
Menurut Doug Vucevic, Wayne Yaddow (2012, p159) yang menyatakan bahwa Granularity adalah salah satu aspek penting dalam mempertimbangkan desin data warehouse.dalam granularity terdapat tingkat detail yang terkandung pada setiap unit data. Semakin detail tingkat datanya, maka semakin rendah tingkat granularity-nya. Dan Sebaliknya, semakin rendah tingkat detail datanya, maka semakin tinggi tingkat granularity-nya.”
Contohnya adalah sebuah transaksi yang sederhana akan berada pada tingkat granularity yang rendah, sedangkan keseluruhan dari transaksi dalam satu bulan akan berada pada level granularity yang lebih tinggi. Granularity merupakan permasalahan utama dalam mendesain lingkungan pada data warehouse karena berpengaruh besar pada volume dari data yang terletak di dalam data warehouse.
Keuntungan-keuntungan granularity: • Dapat digunakan kembali
Dikatakan dapat digunakan kembali karena dapat digunakan oleh banyak orang dengan cara-cara yang berbeda. Contohnya data yang sama dapat digunakan untuk memenuhi kebutuhan dalam bidang pemasaran, penjualan 49 dan keuangan. Pemasaran menginginkan melihat data bulanan berdasarkan area geografi, dan keuangan menginginkan melihat pendapatan setiap kuarter berdasarkan produk.
• Kemampuan untuk mencocokkan data
Jika memiliki satu dasar yang sama untuk semuanya, maka jika terjadi perbedaan dalam analisis antara dua atau lebih departemen, proses pencocokan akan menjadi lebih sederhana dan mudah.
• Fleksibel
Dimana para user dapat merubah data sesuai dengan tampilan yang mereka inginkan sehingga pekerjaan dapat diselesaikan dengan baik dan mudah.
• Kebutuhan yang tidak jelas yang akan datang dapat diakomodasi.
Saat ada kebutuhan yang baru dan ada kebutuhan informasi, data warehouse sudah siap untuk melakukan analisis dan organisasi disiapkan untuk menangani kebutuhan yang baru.
2.1.23 OLTP
Menurut Hoffer et al (2009:431), OLTP atau Online Transaction Processing adalah sebuah sistem yang digunakan dalam aplikasi berorientasi transaksi yang melibatkan pemrosesan transaksi SQL secara real-time. Hal ini memiliki karakteristik berupa entri dan pemanggilan kembali data secara cepat dalam lingkungan multi user.
Berdasarkan definisi yang dijabarkan oleh para ahli di atas, maka dapat disimpulkan Online Transaction Processing (OLTP) adalah sebuah sistem yang digunakan dalam aplikasi berorientasi transaksi dimana dapat menangani aliran data transaksi yang tinggi dimana data yang ditangani adalah data operasional sehari - hari.
Ada beberapa perbedaan antara OLTP dan data warehouse diantaranya:
Tabel 2.2 Perbedaan OLTP dengan Data Warehouse
Sumber: Connoly dan Begg (2008, p1153)
OLTP Data Warehouse
Menangani data saat ini Lebih cenderung menangani data masa lalu (data historis)
Data bisa saja disimpan pada beberapa platform
Data disimpan dalam satu platform
Data diorganisasikan berdasarkan fungsi atau operasi seperti penjualan, produksi, dan pemrosesan pesanan
Data diorganisasikan menurut subjek seperti pelanggan atau produk
Pemrosesan bersifat berulang Pemrosesan sewaktu-waktu, tak terstruktur, dan bersifat heuristik
Untuk mendukung keputusan harian (operasional)
Untuk mendukung keputusan yang strategis
Melayani banyak pemakai operasional Untuk mendukung pemakai manajerial yang berjumlah relatif sedikit
2.1.24 OLAP
Menurut Hoffer et al (2009:431), Online Analytical Processing (OLAP) merupakan seperangkat alat grafis yang menyajikan pengguna dengan tampilan multidimensional dari data dan memungkinkan pengguna untuk menganalisis data menggunakan teknik windowing sederhana.
Menurut Connolly dan Begg (2008:p1250), Online Analytical Processing (OLAP) adalah perpaduan dinamis analisis dan gabungan dari data multidimensional dalam jumlah besar.
Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat disimpulkan Online Analytical Processing (OLAP) adalah perpaduan dinamis analisis dan gabungan dari data multidimensional dalam jumlah besar yang memungkinkan pengguna untuk menganalisis data menggunakan teknik windowing sederhana.
Manfaat yang didapat dari implementasi aplikasi OLAP yang berhasil, antara lain: • Meningkatkan produktivitas dari end-user bisnis, pengembang IT, dan juga
seluruh organisasi. Akses yang lebih terkendali dan terencana terhadap informasi strategi dapat menyediakan pengambilan keputusan yang efektif.
• Mengurangi backlog pengembangan aplikasi untuk staf IT dengan membuat end-user dapat membuat perubahan skema mereka sendiri dan membangun model milik mereka sendiri.
• Mempertahankan kendali organisasi melalui integritas data yang berhubungan sebagai aplikasi OLAP yang tergantung pada data warehouse dan sistem OLTP untuk me-refresh sumber data.
• Meningkatkan pendapatan dan profitabilitas yang potensial dengan cara memampukan organisasi untuk merespon lebih cepat terhadap permintaan pasar.
2.1.25 Fungsi Data Warehouse
Data warehouse mempunyai kegunaan sebagai berikut: 1. Pembuatan laporan
Pembuatan laporan merupakan salah satu kegunaan datawarehouse yang paling umum dilakukan. Dengan mengunakan query sederhana didapatkan laporan perhari, perbulan, pertahun atau jangka waktu kapanpun yang diinginkan.
2. On – Line Analytical Processing
Dengan adanya data warehouse, semua informasi baik detail maupun summary yang dibutuhkan dalam proses analisa mudah didapat.
OLAP mendayagunakan konsep data multidimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun perintah SQL. Hal ini dimungkinkan karena penggunaan konsep multidimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fungsi yang berbeda. Fasilitas lain yang ada pada software OLAP adalah fasilitas roll-up dan drill-down. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi dan roll-up adalah sebaliknya.
3. Data mining
Data mining merupakan proses untuk menggali (mining) pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (artificial intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakai.
Beberapa solusi yang diberikan data mining antara lain: a. Menebak target pasar
Data mining dapat mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan.
b. Melihat pola beli dari waktu ke waktu
Data mining dapat digunakan untuk melihat pola beli dari waktu ke waktu.
c. Cross – market analysis
Data mining dapat dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.
d. Profil pelanggan
Data mining bisa membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada suatu produk saja.
e. Informasi summary
Data mining dapat membuat laporan summary yang bersifat multidimensi dan dilengkapi dengan informasi statistik lainnya.
4. Proses informasi eksekutif
Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laporan data warehouse menjadi target informative bagi user.
2.1.26 Keuntungan Data Warehouse
Menurut Connolly dan Begg (2008, p152) implementasi data warehouse yang tepat dapat memberikan keuntungan-keuntungan antara lain:
• Meningkatkan produktifitas dari pengambilan keputusan perusahaan.
Data warehouse meningkatkan produktifitas dari pengambilan keputusan dengan membuat integrasi database yang konsisten, berorientasi subjek dan historical data. Data warehouse mengintegrasikan data dari banyak sistem yang tidak kompatibel menjadi suatu bentuk yang menyediakan satu tampilan yang konsisten mengenai perusahaan. Dengan mentranformasikan data menjadi informasi yang berguna, data warehouse mengijinkan si pengambil keputusan untuk melakukan analisis lebih sesuai dengan kenyataan, akurat dana konsisten. • Potensi ROI (Return of Investment) yang besar.
Suatu perusahaan akan mengeluarkan sumber daya cukup besar untuk mengimplementasikan data warehouse dan pengeluaran yang berbeda-beda sesuai dengan variasi solusi teknikal yang akan diterapkan pada perusahaan bagaimanapun juga. Suatu studi oleh International Data Corporation (IDC) pada tahun 1996 melaporkan bahwa rata-rata tiga tahun Return of Invesment (ROI) dalam datawarehouse mencapai 401% dengan lebih dari 90% dari perusahaan yang disurvei mencapai lebih dari 40% ROI, setengah dari perusahaan mencapai lebih dari 160% ROI, dan seperempat lebih mendapat lebih dari 600% ROI (IDC, 1996)
• Competitive Advantage
Return on investment yang besar dari perusahaan yang berhasil mengimplementasikan suatu data warehouse adalah bukti dari sangat besarnya competitive advantage yang dapat diperoleh dengan mengunakan teknologi ini. Competitive advantage diperoleh dengan mengijinkan si pengambil keputusan untuk mengakses data tersembunyi yang sebelumnya tidak tersedia, tidak di
ketahui, dan tidak dimanfaatkan seperti data mengenai pelanggan, tren, dan permintaan.
2.2 Teori khusus
2.2.1 Pengertian Penjualan
Penjualan merupakan proses antara pembeli dan penjual yang bertemu karena adanya kebutuhan, dengan saling bertukar informasi dan adanya keterkaitan akan suatu kebutuhan. Penjualan membutuhkan dorongan dalam bentuk iklan ataupun bentuk penyampaian kepada masyarakat luas agar tercapainya dorongan efektivitas antara pembeli dan penjual.Dengan informasi yang diberikan maka penjualan barang atau jasa tertentu dapat meningkat sejalannya waktu (Kotler, 2006:457).
Penjualan merupakan proses menciptakan dan mengembangkan hubungan antara pelanggan dan penanggung jawab (stakeholders). Relasi penjualan mengacu pada peningkatan pembangunan, hubungan pertukaran biayayang efektif dengan setiap pelanggan, supplier, karyawan dan mitra lainnya agar tercapai hubungan yang saling menguntungkan (Jobber & David, 2006).
• Penjualan Kredit
Penjualan kredit dilaksanakan oleh perusahaan dengan cara mengirimkan barang sesuai order yang diterima dari pembeli dan untuk jangka waktu tertentu perusahaan mempunyai tagihan kepada pembeli tersebut. Fungsi yang terkait dengan sistem penjualan kredit adalah:
1. Fungsi Penjualan
Fungsi ini bertanggung jawab untuk menerima surat order dari pembeli, meng-edit order dari pelanggan untuk menambahkan informasi yang belum ada pada surat order tersebut (seperti spesifikasi barang dan rute pengiriman), meminta otorisasi kredit, menentukan tanggal pengiriman dan dari gudang mana barang akan dikirim dan mengisi surat order pengiriman.
Fungsi ini bertanggung jawab untuk meneliti status kredit pelanggan dan memberikan otorisasi pemberian kredit kepada pelanggan.
3. Fungsi Gudang
Fungsi ini bertanggung jawab untuk menyimpan barang dan menyiapkan barang yang dipesan oleh pelanggan serta menyerahkan barang ke fungsi pengiriman.
4. Fungsi Pengiriman
Fungsi ini bertanggung jawab untuk menyerahkan barang atas dasar surat order pengiriman yang diterimanya dari fungsi penjualan. Fungsi pengiriman bertanggung jawab untuk menjamin bahwa tidak ada barang yang keluar dari perusahaan tanpa ada otorisasi dari yang berwenang.
5. Fungsi Penagihan
Fungsi ini bertanggung jawab untuk membuat dan mengirimkan faktur penjualan kepada pelanggan, serta menyediakan copy faktur bagi kepentingan pencatatan transaksi penjualan oleh fungsi akuntansi.
6. Fungsi Akuntansi
Fungsi ini bertanggung jawab untuk mencatat piutang yang timbul dari transaksi penjualan kredit dan membuat serta mengirimkan pernyataan piutang kepada para debitur, serta membuat laporan penjualan.
2.2.2 Pengertian Pembelian
Menurut Sofjan Assauri (2008, p223) Pembelian merupakan salah satu fungsi yang penting dalam berhasilnya operasi suatu perusahaan. Fungsi ini dibebani tanggung jawab untuk mendapatkan kuantitas dan kualitas bahan-bahan yang tersedia pada waktu dibutuhkan dengan harga yang sesuai dengan harga yang berlaku. Pengawasan perlu dilakukan terhadap pelaksanaan fungsi ini, karena pembelian menyangkut investasi dana dalam persediaan dan kelancaran arus bahan ke dalam pabrik.
2.2.3 Pengertian Persediaan
Pengertian persediaan menurut Agus Ristono (2009:1) menyatakan Persediaan dapat diartikan sebagai barang-barang yang disimpan untuk digunakan atau dijual pada masa atau periode yang akan datang. Persediaan terdiri dari persediaan bahan baku, persediaan barang setengah jadi, dan persediaan barang jadi.
Dari pengertian diatas dapat diketahui bahwa persediaan terdiri dari persediaan bahan baku, persediaan barang setengah jadi, dan persediaan barang jadi. Persediaan bahan baku dan barang setengah jadi disimpan sebelum digunakan atau dimasukan ke dalam proses produksi. Sedangkan barang jadi atau barang dagangan disimpan sebelum dijual atau dipasarkan. Dengan demikian setiap perusahaan yang melakukan kegiatan usaha umumnya memiliki persediaan.
