RANCANGAN SISTEM YANG DIUSULKAN
4.1. Business Case Assessment
4.1.1 Business Drivers
Dalam dunia bisnis sebuah sistem jika dijalankan tanpa business driver yang kuat dan tanpa keselarasan dengan bisnis strategis yang sesuai dengan tujuan organisasi, maka inisiatif pendukung keputusan Business Intelligence mungkin akan goyah. Sebagai contoh, sebuah perusahaan atau organisasi ingin meningkatkan pendapatan dengan mengurangi waktu pasar. Ini berarti membangun aplikasi Business Intelligence dengan cepat hanya saja terdapat efek lainnya (cepat memproduksi, kualitas menurun). Sebaliknya jika membangun Business Intelligence dengan tujuan untuk mengurangi biaya operasi dengan meningkatkan produktivitas, hal ini menyebabkan membangun sebuah aplikasi BI dengan memberikan perbaikan proses bisnis dengan kualitas yang baik namun kecepatan dalam produksi menurun. Dalam contoh ini, tujuan dari strategi organisasi dan tujuan aplikasi BI keduanya merupakan business driver yang layak untuk membangun solusi BI. Namun, karena tujuan strategis dan tujuan aplikasi BI tidak kompatibel dalam hal kecepatan dan masalah kualitas, maka akan sulit untuk mendapatkan dukungan manajemen untuk aplikasi BI. Contoh ini menggambarkan bahwa pentingnya memahami tujuan strategis
organisasi serta rencana strategi IT untuk memastikan aplikasi BI mendukung keduanya.
PT. TMU dalam hal melaksanakan strategi untuk menarik pasar yang lebih besar mulai melakukan beberapa cara antara lain dengan membuat sistem yang sudah terintegrasi dimana proses transaksi dapat dilakukan tanpa menghabiskan banyak waktu dan barang yang didapatkan oleh pelanggan sesuai dengan apa yang diinginkan. Pihak IT melakukan beberapa strategi yang dianggap dapat meningkatkan profit pada penjualan. Namun karena persaingan yang ketat menyebabkan turunnya pendapat dalam beberapa tahun belakangan ini.
4.1.2 Business Analysis Issues
Dengan bantuan business analyst merumuskan isu-isu bisnis yang perlu diselesaikan oleh masing-masing tujuan aplikasi BI. Menentukan hasil yang perusahaan ingin dapat dari analisis bisnis seperti jawaban-jawaban dari masalah yang dihadapai saat ini. Kemudian menentukan persyaratan informasi untuk menyelesaikan masalah bisnis yang sesuai untuk perusahaan. Persyaratan tersebut dapat berupa bidang studi, waktu, tingkat detail, dan bahkan beberapa data eksternal dan internal yang perusahaan butuhkan untuk menjawab masalah pada bisnis yang berjalan. Mengidentifikasi peran pada bisnis yang terkait juga berperan penting dalam dukungan pengambilan keputusan.
Salah satu tantangan dalam membangun suatu lingkungan pendukung keputusan BI adalah untuk menggabungkan data dari
berbagai jenis sumber data. Pada data operasional biasanya terdapat internal tentang bidang studi, seperti berikut:
• Finansial • Logistik • Penjualan • Entry Order • Personil • Penagihan
• Research dan Engineering
Dalam private data terdapat data internal perusahaan yang biasanya datanya diambil dari desktop, hasil dari pekerjaan business analyst dan manager. External Data berisi data-data yang berada diluar perusahaan tetapi masih berhubungan dengan kelangsungan bisnis berjalan pada perusahaan seperti data iklim, data pertumbuhan penduduk, data pendapatan perkapita yang mempengaruhi penjualan PT. Tirta Multi Usaha.
Penggabungan dan standardisasi data biasanya merupakan persyaratan dari setiap aplikasi BI, namun tidaklah mudah untuk melakukan penggabungan dan standardisasi. Salah satu kesulitan dalam penggabungan dan standardisasi data dari berbagai jenis sumber data adalah data disimpan dalam struktur file yang berbeda dengan mengunakan platform yang berbeda. Yang membuat proses lebih sulit adalah kunci untuk objek yang sama pada sumber data yang berbeda, karena biasanya kunci (key) tidak cocok, definisi data tidak
konsisten, dan nilai-nilai yang terkandung sering hilang atau bertentangan.
Pada PT. TMU terdapat beberapa data yang dapat diolah untuk mendukung dalam proses pembuatan BI. Data yang terdapat dalam PT. TMU sudah di standardisasi sehingga tidak terjadi konflik antara berbagai jenis sumber data. Begitu pula dengan penggabungan datanya, dimana pada periode 2009 sampai dengan oktober akhir menggunakan platform yang berbeda, namun dalam proses penggabungannya tidak terdapat kendala.
4.1.3 Business Case Assessment Activites
Dalam menentukan aktivitas yang akan dilakukan PT. TMU untuk menentukan business case assessment tidak perlu dilakukan secara linear. Berikut ini hal-hal yang menggambarkan aktivitas PT. TMU berhubungan dengan Business Case Assessment:
• Menentukan kebutuhan bisnis.
• Menilai sistem pengambilan keputusan saat ini. • Menilai sumber operasional dan prosedur.
• Menilai inisiatif pesaing dalam menggunakan BI untuk pengambilan keputusan.
• Mengusulkan solusi BI.
• Melakukan analisis biaya dan manfaat.
4.2. Enterprise Infrastructure Evaluation
Hardware merupakan perangkat komputer yang berfungsi untuk mendukung proses bisnis yang terjadi dalam perusahaan. Pada PT. TMU ada beberapa perangkat komputer yang digunakan. Hardware yang digunakan sudah memenuhi standard yang sesuai dengan kebutuhan khususnya untuk pasar swalayan saat ini. Berikut ini spesifikasi perangkat hardware yang terdapat pada PT. TMU: • PC Server
Processor Intel Core i5 2500K Unlocked 3,3 ghz cache 6MB
Motherboard Asus P8H61/USB3 Memory RAM 4 GB V-GEN HDD Western Digital 1 TB
Power Supply Corsair 750 W TX Series • PC Users
Tabel 4.1 Spesifikasi Hardware
Hardware Client
Processor Intel Dual core
Memory RAM 1GB Hard Disk 40GB Monitor Ya Printer Ya Keyboard Ya Mouse Ya
Business Intelligence yang akan diimplentasikan pada PT. TMU terletak pada bagian penjualan. Dimana penjualan yang mengalami masalah penurunan profit dalam beberapa bulan ini. Dengan penambahan teknologi Business Intelligence diharapkan
dapat membantu meningkatkan penjualan dengan pengambilan keputusan yang tepat berdasarkan hasil pengolahan teknologi BI. Dalam penginstalasian teknologi BI, PT. TMU membutuhkan beberapa hardware yang baru untuk menunjang pengembangan BI, hardware yang dibutuhkan antara lain:
Setelah penambahan beberapa perangkat hardware, PT. TMU memerlukan beberapa business analyst yang mengerti cara menjalankan program BI. Dengan program baru dan staf yang memadai, pengembangan BI dapat dijalankan secara keseluruhan, serta hardware yang baru akan menunjang kinerja BI.
4.2.2 Middleware
Middleware yang digunakan adalah Microsoft Office Excel 2007 untuk mengubah data internal perusahaan yang semula mempunyai tipe data .GDB menjadi excel agar mudah untuk melakukan proses standarisasi data yang selanjutnya data akan masuk dalam proses ETL.
Untuk menampilkan OLAP yang berupa Cube setelah melalui proses logical business intelligence menggunakan software Microsoft SQL Server 2008 R2 yang selanjutnya akan dimasukkan ke dalam Business Intelligence Development Studio untuk melakukan proses pembuatan cube.
4.2.3 Enterprise Architecture
Dalam perusahaan suatu arsitektur enterprise terdiri dari satu set representasi model dari organisasi dalam hal fungsi bisnis, proses
bisnis, dan data bisnis itu sendiri. Setiap model arsitektur enterprise dilengkapi dengan meta data pendukung (standar perusahaan, aturan bisnis, dan kebijakan perusahaan). Tujuan dari model ini ada untuk mendokumentasikan serangkaian tindakan bisnis yang dilakukan pada setiap objek dalam menjalan bisnisnya. Tujuan dari mendokumentasikan arsitektur adalah untuk menghindari penyalahgunaan dan pemalsuan data tentang obyek bisnis.
4.2.3.1 Business Function Model
Dalam Business Function Model ini memperlihatkan alam bisnis organisasi pada perusahaan. Model bisnis ini mengatur bagaimana perusahaan mengatur jalan bisnis dan melakukan reorganisasi struktur organisasi pada perusahaan.
4.2.3.2 Business Process Model
Model ini menggambarkan sebuah proses berjalan pada perusahaan dan memperlihatkan cara perusahaan dalam menjalankan fungsi bisnisnya tersebut. Model ini sangat penting untuk rekayasa ulang proses bisnis serta inisiatif perbaikan proses bisnis yang sering timbul dari proyek BI.
4.2.3.3 Business Data Model
Model ini pada merupakan data model logikal pada perusahaan, dimana memperlihatkan data-data apa saja yang merupakan bagian dari aktivitas organisasi bisnis.
4.3 Project Planning (Program)
Tabel 4.2 Tabel Project Planning Issue
No.
Issue Date Issue Description Assigned To
Action Taken Action Date
Resolution
1 Minggu 1 Pengumpulan data dari PT.TMU Rendy Ho Mensortir data-data
yang diperlukan untuk pembuatan database.
9 Oktober 2012
Data penjualan, data barang, data retur barang, data customer.
2 Minggu 2 Melakukan pengecekan pada
data-data yang diperlukan.
Rendy Ho Menghapus data-data
kosong atau null.
16 Oktober 2012
Menghapus kode barang yang tidak memiliki nama barang.
3 Minggu 3 Pembuatan database dengan
menggunakan SQL server 2008 R2
Adi Putra Setiawan
Melakukan standarisasi pada data yang sudah ada
23 Oktober 2012
Database TMU pada SQL Server
4 Minggu 4 Pembuatan datawarehouse
dengan menggunakan Visual Studio : Business Intelligence Development Studio. Adi Putra Setiawan Melakukan connect database ke datawarehouse. 30 Oktober 2012 Datawarehouse dengan data source dari SQL server 2008 mengenai TMU.
5 Minggu 5 Pembuatan Star-Schema pada
datawarehouse PT.TMU
Adi Putra Setiawan
Menghubungkan table dimensi dengan table fakta
8
November 2012
Terdapat 1 tabel fakta yang dihubungkan dengan 4 tabel dimensi.
6 Minggu 6 Memperbaiki beberapa error
pada data warehouse
Adi Putra Setiawan
Menghapus kesamaan primary key pada
16
November
Adanya kesamaan primary key pada
database 2012 baterai ABC, kategori cat, dan kategori handle.
7 Minggu 7 Menginput dimensi yang ada
pada database dan memeriksa error yang terjadi
Adi Putra Setiawan
Mengambil beberapa data yang terdapat dalam dimensi yang telah dibuat
23
November 2012
Terbentuknya dimensi merk, dimensi kategori, dimensi barang, dan fact table, dimensi time
8 Minggu 8 Mencoba koneksi antara dimensi
dan cube dan membuat cube
Adi Putra Setiawan & Steven Arney
Ada error dalam pengerjaan koneksi sehingga harus melakukan set ulang pada atribut yang mengandung date 2 Desember 2012 Dimensi time melakukan koneksi ulang dan pembuatan ulang dimensi ulang dengan meng-set atribut dari varchar ke date
9 Minggu 9 Mencoba menjalankan cube Adi Putra
Setiawan & Steven Arney
Mengambil beberapa asumsi agar cube terlihat mudah
dimengerti untuk para pengambil keputusan
10
Desember 2012
Cube yang dihasilkan dapat memperlihatkan kategori, merk, kode barang, beserta tahun penjualan, harga beli, harga jual dan jumlah barang yang terjual
10 Minggu 10 Melakukan koneksi kedalam
DevExpress Adi Putra Setiawan Mencoba memasukkan cube ke dalam DevExpress 17 Desember 2012
Cube mulai bisa terhubung kedalam DevExpress
11 Minggu 11 Membuat desain dashboard Adi Putra
Setiawan
Memasukan beberapa gauge chart untuk memperlihatkan hasil
23
Desember
Melakukan analisis dan menanyakan beberapa masukan kepada
penjualan selama 5 tahun
2012 pembimbing untuk hasil
desain
12 Minggu 12 Melakukan koneksi antar chart Adi Putra
Setiawan
Ada error ketika melakukan koneksi sehingga gauge chart tidak dapat berfungsi
2 Januari 2013
Error bisa diatasi dan gauge berfungsi
13 Minggu 13 Melakukan tes terakhir terhadap
aplikasi secara keseluruhan
Adi Putra Setiawan
Tidak ada kendala dalam jalannya aplikasi
11 Januari 2013
Business Intelligence Dashboard selesai
4.4 Project Requirement Definition
4.4.1 Peningkatan Infrastruktur Teknis
Peningkatan untuk komponen infrastruktur teknis dapat mencakup satu atau lebih, berikut ini beberapa yang mencakup komponen infrastruktur:
• Pengadaan data mining tools. • Pengadaan Meta Data Repository. • Pengadaan kebutuhan jaringan.
4.4.2 Persyaratan untuk Peningkatan non Infrastruktur Teknis
Komponen infrastruktur non teknis akan ditambahkan atau direvisi. Berikut ini merupakan persyaratan yang akan ditambahkan: • Memperkirakan pedoman dalam pengembangan BI.
• Peran dan tanggung jawab jelas. • Standarisasi.
• Prosedur dalam pengembangan BI.
4.4.3 Persyaratan untuk Menentukan Laporan
Selama proses pengumpulan atau pembuatan layout sampel laporan dan query, perlu menetapkan dan mendokumentasikan aturan bisnis untuk menurunkan data dan menciptakan ringkasan laporan. Pada PT. TMU ada staf yang ditunjuk untuk mengawasi query library.
4.5 Data Analysis
4.5.1 Top-Down Logical Data Modeling 4.5.1.1 Entity-Relationship Model
Gambar 4.4 Entity-Relationship Model
Proses berjalannya data bisnis dari PT.TMU pada saat pelanggan akan membeli barang maka sales akan mencatat nama pelanggan pada sales_order lalu mencatatkan pesanan barang apa saja yang ingin dibeli oleh pelanggan. Sales akan mencatatkan pesanan secara detil mengenai barang yang akan dipesan sesuai atribut yang ada. Setelah itu pelanggan akan melakukan pembayaran pada bagian kasir. Apabila barang yang dibeli ingin
dikirim, maka pelanggan diharuskan melengkapi data-data untuk menghindari kesalahan pengiriman dan kesalahan pemesanan barang yang akan dimasukkan pada surat jalan. Apabila terjadi kesalahan barang atau kerusakan barang maka pelanggan dapat mengembalikan barang, lalu akan dibuatkan surat retur yang berisi data pada surat jalan.
4.5.2 Bottom-up Source Data Analysis 4.5.2.1 Source Data Selection Process
Data yang digunakan untuk membuat BI harus dipertimbangkan dan dianalisis dengan baik agar hasil yang didapat sesuai dengan apa yang ingin dicapai.
• Identifikasi data: pembersihan data dilakukan untuk menghilangkan data yang tidak dibutuhkan dalam membuat BI seperti data null atau record data yang tidak digunakan akan dihapus.
• Analisis data: setelah data dibersihkan, lalu data dianalisis untuk entitas yang akan digunakan, atribut yang perlu digunakan, dan tingkat kepentingan data yaitu seberapa besar data diperlukan untuk mendukung BI.
• Memilih data: setelah proses analisis, peneliti menentukan data apa saja yang dapat digunakan dalam membangun BI ini. Data record penjualan, barang, surat jalan, dan retur
merupakan data terpenting untuk membangun BI, sedangkan data pelanggan merupakan data pendukung.
• Tools: untuk melakukan pembersihan data atau proses ETL peneliti menggunakan software Microsoft SQL Server 2008 R2.
4.6 Application Prototyping
Ruang lingkup dalam membuat prototipe yaitu dari proses ETL hingga memunculkan dashboard BI. Prototipe ini akan memberikan pemahaman akses jalan ke database BI, dimensi pelaporan yang dibutuhkan untuk pengembangan program dengan OLAP. Dalam melakukan prototipe ETL peneliti menggunakan data sales order dan data barang untuk kemudian di-load kedalam tabel penjualan. Data sales order dan barang juga digunakan dalam membuat cube, data mining dan dashboards.
4.7 Meta Data Repository Analysis
Meta data sangat penting untuk mendukung keputusan BI karena membantu data bisnis PT. TMU untuk berkembang menjadi sebuah informasi. Meta data dapat dilihat sebagai lapisan semantik yang membantu PT. TMU untuk menavigasi melalui database serta aplikasi BI.
4.7.1 Meta Data Repositori sebagai Alat Navigasi
Meta data repositori digunakan untuk PT. TMU dalam mengambil data, menemukan data, mengelola data, dan memahaminya menjadi sebuah informasi, itu yang dimaksudkan dengan meta data repositori sebagai navigasi. User/staff PT. TMU biasanya tidak memiliki keterampilan teknis maupun waktu untuk
kode pemrograman dan mereka juga tidak ingin tergantung pada staff IT untuk mengartikan makna dan isi data setelah diolah oleh program. Meta data repositori menjelaskan data apa yang tersedia, dimana database disimpan, darimana data berasal, bagaimana untuk mengaksesnya dan bagaimana menggunakannya sehingga tidak tergantung pada staff IT.
4.7.2 Standarisasi Data
Setiap data yang disimpan secara konsisten dalam jangka waktu yang panjang dapat membuat redudansi data dan masalah inkonsistensi sistem operasional sehingga diperlukan standarisasi data pada PT. TMU. Standarisasi data dilakukan dengan cara mendokumentasikan setiap perubahan yang dibuat pada data. Dokumentasi ini mengambil bentuk meta data dimana mengubah elemen data dengan standar penamaan baru atau data dapat disaring, ditambah serta diubah untuk mempertegas aturan bisnis pada PT. TMU.
4.7.3 Klasifikasi Meta Data
Ada empat kelompok meta data atau klasifikasi meta data: ownership, descriptive characteristics, rules and policies, and physical characteristics.
4.7.3.1 Ownership
Setiap kepemilikan data harus didistribusikan sehingga setiap bagian dapat mempertangung jawabkan data tersebut. Pada bagian kasir dapat memperoleh data barang, jenis barang,
stok barang dan harga barang, sedangkan manajer dapat melihat keseluruhan data penjualan pada PT. TMU.
Pembagian tersebut dilakukan dengan aplikasi dimana setiap bagian diharuskan menggunakan kode staff dan kode sandi yang menentukan data apa saja yang dapat diakses.
4.7.3.2 Descriptive Characteristics
• Nama: setiap objek data, elemen data, dan proses bisnis PT. TMU harus memiliki nama yang unik seperti kode barang “120058”, yang berarti pada dua digit pertama angka 12 merupakan susunan barang dengan abjad A sehingga mengurangi redudansi data.
• Definisi: setiap objek data, elemen data, dan proses bisnis memiliki definisi singkat yang menjelaskan apa itu.
• Jenis dan panjang data: setiap elemen data memiliki tipe dan panjang resmi bahkan jika elemen data dalam sistem atau kolom/sel pada database dapat menyimpang. Penyimpangan itu juga akan ditetapkan sebagai meta data di bawah elemen data, kolom atau sel di mana proses tersebut terjadi.
• Domain: setiap elemen data memiliki set nilai-nilai yang diijinkan seperti karakter dan angka yang menentukan karakter unik untuk setiap data. Contoh kode barang “12 (barang abjad A) dan 0058 (urutan barang).”
4.7.4 Meta Data Repository Challenges
4.7.4.1 Technical Challenges
Membangun rancangan repositori meta data PT. TMU menggunakan software Microsoft SQL Server 2008 dengan melakukan analisis proses bisnis terlebih dahulu lalu melakukan pembagian atau pendistribusian data kepada setiap bagian.
4.7.4.2 Staffing Challenges
Dalam membuat repositori meta data, peneliti akan melakukan analisis terhadap proses bisnis dan user terlebih dahulu, lalu membuat model data yang sesuai dengan proses bisnis yang ada, mendesain database dan terakhir membangun data warehouse.
4.7.4.3 Budget Challenges
Biaya yang dibutuhkan akan disesuaikan dengan pemeliharan repositori meta data sehingga PT. TMU tidak harus mengalokasikan uang lebih banyak untuk repositori meta data.
4.7.4.4 Usabillity Challenges
Melalui repositori meta data dapat dengan segera melihat informasi yang ditampilkan dalam bentuk grafik sehingga PT. TMU dapat dengan mudah memperoleh gambaran mengenai kelancaran proses bisnisnya.
4.8 Database Design
Database yang akan dibuat memiliki 6 tabel atau entitas yaitu: Pelanggan, Sales_Order (SO), Pembayaran, Barang, Detil_Sales_Order, Surat_Jalan dan Retur. Pelanggan akan mendaftar pada saat memesan barang lalu data pelangggan akan masuk dalam SO sehingga pada saat membayar akan terlihat data pelanggan. Apabila barang akan dikirim maka data pelanggan dan SO akan masuk pada Surat Jalan agar tidak ada kesalahan alamat dan barang. Data barang dapat diakses oleh tabel SO dan Detil_Sales_Order untuk mengetahui nama barang dan stok barang. Apabila terjadi retur maka surat jalan akan dibawa kembali untuk disesuaikan dengan SO dan akan dibawa kembali pada pengiriman kedua.
4.8.1 Logical Database Design 4.8.1.1 Star Schema
4.8.2 Physical Database Design 4.8.2.1 Kamus Data
Tabel 4.3 Sales Fact Table
No. Entity Attributes Description Data Type & Length
Proses Sumber
1 SalesFactTable Kode_Kategori ID pelanggan Char(8) Copy Barang
Kode_merk Nama pelanggan Varchar(25) Copy Barang
Kode_barang Alamat pelanggan Varchar(30) Copy Barang
H#BELI Harga Beli Numeric(15) Copy Barang
H#JUAL Harga Jual Numeric(15) Copy Barang
Date Tanggal Date Copy Barang
Tabel 4.4 Kategori
No. Entity Attributes Description Data Type & Length
Proses Sumber
2 Kategori Kode_kategori Kode Kategori barang Char(8) Create Barang
Nama_kategori Nama Kategori Varchar(20) Create Barang
Satusan Satuan barang Numeric(15) Create Barang
Tabel 4.5 Kamus Data Barang
No. Entity Attributes Description Data Type & Length
Proses Sumber
5 Barang Kode_barang Kode Barang Char(8) Create Barang
Nama_Barang Nama Barang Varchar(20) Create Barang
Tabel 4.6 Dimensi TIme
No. Entity Attributes Description Data Type & Length
Proses Sumber
6 Time Date Tanggal Date Create Barang
Day of Year Hari Date Create Barang
4.9 Extract/Transform/Load Design
4.9.1 ETL Process
Pada proses ETL untuk membuat data warehouse format data awal yang didapat adalah Firebird (.gdb) lalu diubah menjadi format Microsoft Excel (.xls) lalu diimpor ke SQL Server 2008 (.mdf).
Setelah mengubah format data, dilakukan proses cleansing atau pembersihan data dengan cara melakukan analisis data untuk mengurangi redudansi data dan menghilangkan data yang tidak terpakai. Record data yang didapat banyak memiliki nilai null atau kosong sehingga perlu dilakukan pembersihan data untuk mengurangi error dan kerusakan sistem.
4.9.2 Design Extract Programs
Untuk mengekstrak data digunakan atribut yang unik yang akan menjadi primary key atau foreign key yang terhubung dari satu tabel ke tabel lain sehingga setiap nilai dari data dapat diambil dan diterima dari sumber yang telah dibuat sesuai dengan kebutuhan untuk membuat BI.
4.9.3 Design Transform Programs
Beberapa elemen data atau atribut data akan dibagi dikolom yang berbeda sesuai dengan kebutuhan BI, contoh: tabel pelanggan yang diolah dari data excel akan diimpor ke SQL Server dan dibuat pada 1 tabel sendiri yang saling terintegrasi dengan tabel lain. Setelah data diubah maka akan diringkas berdasarkan pola pelaporan yang diperlukan sesuai dengan star schema yang telah dibuat diatas.
4.9.4 Design Load Programs
Langkah terakhir dalam proses ETL adalah Load database ke program BI. Data yang sudah diekstrak lalu diolah kemudian akan dimasukkan kedalam program BI dalam bentuk dashboard sehingga data akan mudah dianalisa sebagai informasi pendukung pengambilan keputusan penjualan PT. TMU.
Gambar 4.6 Proses Membuat ETL
Langkah pertama untuk melakukan ETL adalah meng-import data dari microsoft excel ke dalam software SQL Server 2008 R2 untuk melakukan proses ETL. Klik start – microsoft SQL server 2008 R2 – Import and Export Data – klik browse – pilih database TMU
Gambar 4.7 ETL Process
4.10 Meta Data Repository Design
Meta data yang dibuat menggunakan metode centralized meta data repository dimana data sementara akan dimasukkan pada database menggunakan SQL Server untuk masuk dalam proses cleansing dan ETL lalu akan diolah menjadi sebuah informasi menggunakan tools Business Intelligence Development Studio (BIDS).
Tabel 4.7 Rancangan Meta Data
Nama Cube Nama Fact Nama Dimensi Atribut
OLAP PT.TMU
FactSales Dimensi Kategori Kode_Kategori
Nama_Kategori
Dimensi Merk Kode_merk
Dimensi Barang Kode_Barang
Nama_Barang
Satuan
Dimensi Time Time_ID
Year
HJual
HBeli
4.11 Extract/Transform/Load Development
4.11.1 Data Transformation Activities
• Cleansing: dalam tahap pembersihan semua sumber data yang tidak sesuai dengan aturan yang telah dibuat akan berubah untuk menyesuaikan diri dengan aturan yang ada. Pembersihan dilakukan agar atribut dan nilai data sesuai.
• Summarization: merupakan ringkasan total dari tabel fakta. Ringkasan total dihitung dan disimpan di berbagai tingkat yaitu: ringkasan penjualan, ringkasan penjualan/cabang dan total penjualan setiap cabang. • Derivation: pada proses ini dilakukan untuk perhitungan, pencarian tabel dan logika program yang digunakan untuk melakukan auto-generate untuk setiap kode baru yang merupakan primary key dan menghitung keuntungan dari setiap item barang.
• Agregation: semua elemen data pada suatu objek dapat dibawa bersama-sama. Sebagai contoh, elemen data pelanggan dapat dikumpulkan dari beberapa sumber file seperti file penjualan, surat jalan dan pembayaran. • Integration: integrasi data didasarkan pada aturan normalisasi dimana
setiap nama pada elemen data yang berbeda akan diseragamkan sesuai dengan standar yang telah ditentukan sebelumnya. Setiap elemen data juga dikaitkan dengan sumber file dan database yang menjadi target dari B
I .
4.11.2 Reconciliation
Total rekonsiliasi ETL adalah total proses ETL kontrol bukan rekonsiliasi operasional yang merupakan laporan keuangan atau buku besar. Tujuan dari rekonsiliasi ETL adalah untuk memastikan bahwa semua nilai data yang masuk dalam proses ETL dapat sesuai dengan semua nilai-nilai data yang keluar dari proses ETL.
Total rekonsiliasi ETL serta kualitas data dan statistik sebagai meta data memperlihatkan bahwa repositori meta data sangatlah penting bagi PT. TMU untuk melihat informasi penting mengenai data yang telah dimuat dan kebersihan data agar mudah dilihat melalui statistik data agar owner dapat dengan mudah mengenali dan menyelesaikan masalah.
4.12 Application Development 4.12.1 Dimension Table
Pada dimensi barang diperlihatkan bagian atribut bahwa primary key pada kode barang. Untuk bagian Hierarchies menggunakan nama barang tanpa memasukkan kode barang yang menjadi primary key. Fungsi dari dimensi ini adalah untuk menampilkan nama-nama barang pada cube sesuai dengan kode barang.
Gambar 4.10 Dimensi Tabel Kategori
Pada dimensi kategori diperlihatkan bagian atribut bahwa primary key pada kode kategori. Untuk bagian Hierarchies menggunakan nama kategori tanpa memasukkan kode kategori yang menjadi primary key. Fungsi dari dimensi ini adalah untuk memperlihatkan kategori barang yang sesuai dengan jenis barang pada cube. Kategori barang merupakan pengelompokan dari jenis barang agar memudahkan pengambil keputusan untuk mengetahui apa jenis dari barang yang akan dianalisis untuk menghitung profit.
Gambar 4.11 Dimensi Tabel Merk
Pada dimensi merk diperlihatkan bagian atribut bahwa primary key pada kode merk. Untuk bagian Hierarchies menggunakan nama kategori tanpa memasukkan kode merk yang menjadi primary key. Fungsi dari dimensi ini adalah untuk memperlihatkan merk barang yang sesuai dengan jenis barang pada cube dan menunjukan merk yang memperlihatkan penjualan yang baik dan penjualan yang buruk, sehingga dapat menganalisis kesalahan dalam strategi yang diterapkan.
Pada dimensi time menggunakan tahunan yang berfungsi memperlihatkan penjualan setiap barang dalam tahun 2008 sampai 2012. Dengan memperlihatkan penjualan dari tahun ke tahun, maka dapat membandingkan bagaimana kondisi penjualan setiap barang meningkat atau menurun.
4.12.2 Fact Table
Fact table merupakan gabungan dari beberapa foreign key yang terdapat di tabel dimensi. Fact table dibuat untuk mengetahui hubungan fakta-fakta yang berkaitan antar dimensi. Kegunaan dari fact table adalah untuk mendefinisikan hubungan antar banyak dimensi. Hubungan tersebut dibuat berdasarkan primary key yang terdapat pada tabel dimensi.
4.12.3 Multidimensional Analysis Factors (Cube)
Gambar 4.14 Cube PT.TMU
Dimensi yang digunakan dalam cube diatas terdiri dari 4 dimensi. Dimulai dari dimensi yang ruang lingkupnya lebih luas yaitu dimensi kategori yang berisi jenis-jenis bahan bangunan sesuai dengan kriterianya, lalu dimensi kedua merupakan dimensi merek barang yang menampilkan merek dari bahan bangunan yang telah dipilih pada dimensi kategori, dimensi ketiga yaitu dimensi nama barang, menjelaskan nama dari barang bahan bangunan yang telah dipilih mereknya dan yang terakhir merupakan dimensi waktu yang memberikan detail mengenai barang dimana nantinya akan dilakukan analisa mengenai masalah penjualan barang yang rendah.
Dari cube yang telah dibuat owner dapat mengetahui rincian masing-masing barang dari jumlah dan harga jualnya, sehingga secara jelas dapat
dilihat dengan mengetahui jenis barang maka akan menunjukan merk barang dan kategori barang yang terdapat pada perusahaan.
4.12.4 Dashboard
Dashboard dibuat untuk memperlihatkan kepada user hasil bisnis yang telah dilakukan sehingga user dapat mempertimbangkan solusi dari masalah yang ditemukan dengan lebih baik.
Pembuatan program dashboard menggunakan tools yang telah ada yaitu QlickView. Data yang digunakan diambil dari data yang telah melalui proses ETL sehingga merupakan data bersih.
Gambar 4.15 Dashboard PT.TMU
4.13 Data Mining
Kapasitas data mining bukanlah sesuatu yang dapat dibeli. Data mining membutuhkan pembangunan BI-decision-support application dapat menggunakan komponen canggih seperti Artificial Intelligence, databases, traditional statistics.
Data mining adalah analisis data dengan tujuan untuk mencari informasi yang terdapat pada data yang dimiliki oleh suatu proses bisnis perusahaan.
4.13.1 Teknik Data Mining
Teknik data mining yang digunakan yaitu:
• Forecasting: teknik ini juga dibutuhkan untuk menganalisis perkiraan pembelian stok barang. Dengan menggunakan time sequence discovery serta data pendukung user dapat menentukan pembelian barang akan ditingkatkan pada event atau waktu tertentu.
Gambar 4.16 Hasil Data Mining
Hasil analisis data mining dengan menggunakan teknik forecasting penjualan per-tahun. Dari hasil data mining diatas dapat dibuat beberapa
keputusan mengenai jumlah stok barang, harga jual barang, dan marketing untuk meningkatkan profit PT.TMU. Pada hasil data mining di atas tahun 2008 hingga tahun 2009 penjualan menurun dikarenakan keadaan iklim yang tidak baik pada tahun tersebut. Kemudian pada tahun 2010 ada kenaikan penjualan dimana
penjualan meningkat dikarenakan faktor permintaan tinggi. Pada tahun 2011 terjadi penurunan penjualan yang diakibatkan adanya pesaing yang mulai memasuki pasaran di daerah tersebut. Pada tahun 2012 terjadi kenaikan yang signifikan dikarenakan TMU melakukan penurunan harga jual, dimana harga jual yang ada pada tahun sebelumnya dinyatakan lebih tinggi dari pesaing yang ada
4.14 Meta Data Repository Development
4.14.1 Internal Database Management System
Gambar 4. 17 Database Diagram
Rancangan untuk membuat database diagram dengan menentukan atribut dari setiap tabel, kemudian menentukan Primary Key dari setiap tabel untuk menunjukkan hubungan atribut dari setiap tabel.
4.14.2 Meta Data Repository Fact Table
Gambar 4. 18 Meta Data Repository Fact Table
Meta data repository fact table memiliki atribut kode_kategori, kode_merk, H#BELI, H#JUAL, tahun, dan jumlah.
4.14.3 Meta Data Repository Barang
Gambar 4. 19 Meta Data Repository Barang
Meta data repository barang memiliki atribut kode_barang, nama_barang, satuan.
4.14.4 Meta Data Repository Kategori
Gambar 4.20 Meta Data Repository Kategori
Meta data repository kategori memiliki atribut kode_kategori dan nama_kategori.
4.14.5 Meta Data Repository Merk
Gambar 4.21 Meta Data Repository Merk
Meta data repository merk memiliki atribut kode_merk dan nama_merk.