BAB II LANDASAN TEORI

5 BAB II

LANDASAN TEORI

2.1. On-Line Analytical Processing (OLAP)

OLAP merupakan singkatan dari On-Line Analytical Processing. Pada dasarnya, OLAP adalah metode khusus untuk menganalisis data yang terdapat dalam media penyimpanan data (database) dan kemudian membuat laporan sesuai dengan permintaan pengguna. OLAP memungkinkan user berkomunikasi dengan data warehouse baik melalui antarmuka grafis atau antarmuka web, dan dapat dengan cepat menghasilkan informasi dalam berbagai berbentuk, termasuk grafik.

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 data [2].

2.1.1. Operasi OLAP

Berikut adalah operasi-operasi yang terdapat pada OLAP dan merupakan keunggulan dalam proses analisis OLAP:

a. Operasi Rool-up dan Drill Drown, merupakan proses agregasi data. Proses drill down adalah proses penampilan data dalam bentuk yang lebih detail.

Proses pendetailan ini berdasarkan konsep hirarki data yang telah terformat sebelumnya. Kebalikannya, yaitu consolidation yaitu penggabungan atau penyatuan data ke dalam level yang lebih tinggi. Gambar 2.1 memperlihatkan contoh Operasi Roll-up dan Drill Drown.

Gambar 2.1 Contoh Roll-up dan Drill Drown [6]

Misalkan proses drill down dilakukan pada sebuah tabel fakta, maka retrieve data akan dilakukan dari tabel database relasional sehingga query tidak secepat Molap. Kubus Holap lebih kecil dari kubus Molap, tetapi response time query masih lebih cepat jika dibandingkan dengan Rolap.

b. Slice and Dice. Operasi slicing dan dicing merupakan kemampuan OLAP untuk melakukan pemilihan subset pada suatu data. Proses slicing adalah proses pemotongan data pada cube berdasarkan nilai pada satu atau beberapa dimensi. Sedangkan dicing adalah pemotongan hasil slicing menjadi bagian subset data yang lebih kecil. Gambar 2.2 memperlihatkan contoh Operasi Slice and Dice.

c. Pivoting adalah kemampuan OLAP untuk mengubah berbagai sudut pandang data. Dengan operasi ini perubahan perspektif sudut pandang menjadi lebih mudah. Rotasi dapat dilakukan dengan memutar masingmasing sumbu dari cube yang dikehendaki untuk menampilkan data dari berbagai sudut pandang [3].

Gambar 2.2 Contoh Slice and Dice [6]

Gambar 2.3 Contoh Pivoting [7]

2.1.2. Teknik OLAP

Teknik OLAP dapat dirangkum menjadi 5 garis besar, yaitu: fast analysis of shared multidimensional information atau disingkat fasmi:

• Fast, berarti sistem ditarget untuk memberikan respons terhadap user secepat mungkin, sesuai dengan analisis yang dilakukan;

• Shared, berarti sistem melaksanakan seluruh kebutuhan pengamanan data, disesuaikan dengan level dari user;

• Multidimensional, berarti sistem harus menghasilkan conceptual view dari data secara multidimensional, meliputi full-support untuk hierarchy dan multiple hierarchy.

• Information, adalah semua data dan informasi yang dibutuhkan dan relevan untuk aplikasi.

2.1.3. Karakteristik OLAP

Karakteristik OLAP dapat diidentifikasi sebagai berikut:

• Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada data warehouse.

• Memfasilitasi query yang komplek dan analisa bagi user.

• Mengijinkan user melakukan drill down untuk menampilkan data level yang lebih detil atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi.

• Menyediakan proses kalkulasi dan perbandingan data.

• Menampilkan hasil dalam bentuk number termasuk dalam tabel dan grafik.

2.1.4. Pola Analisis OLAP

Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut:

• Meringkas dan mengumpulkan sejumlah besar data, pengurutan, dan memberikan peringkat (rangking);

• Membandingkan beberapa set dari data;

• Membuat sketsa/ bagan/ diagram;

• Menganalisis dan menemukan pola dari data;

• Menganalisis kecenderungan data.

2.2. Data Warehouse

Data warehouse adalah suatu kumpulan data yang bersifat subject-oriented, integrated, timevariant, dan non-volatile dalam mendukung proses pengambilan

keputusan. Kesimpulannya, data warehouse adalah kumpulan data yang berorientasi subyek, terintegrasi satu dengan yang lain, variasi waktu dan non- volatile sehingga mendukung proses pengambilan keputusan terhadap suatu analisis masalah.

2.2.1. Karakteristik dan Sifat Data Warehouse

Data warehouse memiliki beberapa karakteristik sebagai berikut:

a. Subject-Oriented

Orientasi subyek dari data warehouse bersifat klasik, diorganisir di sekitar aplikasi fungsional dari perusahaan. Contohnya adalah, untuk perusahaan asuransi subjeknya adalah pelanggan, kebijakan, premi, dan keluhan. Contoh lainnya bila di dalam sebuah pabrik atau manufaktur, maka subjeknya adalah produk, pesanan, vendor, tagihan, dan bahan baku.

b. Integrated

Dari semua aspek dari data warehouse, karakteristik integrasi adalah yang paling penting. Data di-supply dari banyak sumber yang berbeda, ke dalam data warehouse. Data yang diambil itu akan diubah, diformat, disusun kembali, diringkas, dan seterusnya. Setelah data itu masuk kedalam data warehouse, data tersebut memiliki gambaran tunggal fisikal dari perusahaan. Data yang masuk ke dalam data warehouse harus konsisten pada tingkat aplikasi. Contoh konsistensi data antara lain adalah aturan pengentrian data, aturan penamaan atribut, dan karakteristik fisikal data lainnya. Hasilnya adalah data dalam data warehouse yang mempunyai satu bentuk.

c. Non-Volatile

Data yang tersimpan dalam data warehouse diambil dari sistem operasional yang sedang berjalan, tetapi tidak dapat diperbaharui (update) oleh pengguna (bersifat read-only) . Sekali masuk kedalam data warehouse, data, terutama data tipe transaksi, tidak akan pernah diubah atau dihapus (delete). Karena karakteristik dari data warehouse adalah non-volatile, maksudnya data pada data warehouse tidak di update secara real time tetapi di refresh dari sistem operasional secara reguler.

Data dalam database operasional akan secara berkala atau periodik dipindahkan ke dalam data warehouse sesuai dengan jadwal yang sudah ditentukan. Misal perhari, perminggu, perbulan, dan lain sebagainya. Sekali masuk ke dalam data warehouse, data adalah read-only. Pada Gambar 2.4 di bawah ini, bisa dilihat bahwa database OLTP bisa dibaca, diubah, dan dihapus.

Tetapi pada data warehouse, hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data) dari OLTP databases dan akses data (mengakses data warehouse seperti melakukan query atau menampikan laporan yang dibutuhkan, tidak ada kegiatan updating data di dalam data warehouse).[8].

Gambar 2.4 Karakteristik Non-Volatile Data Warehouse [8]

d. Time Variant

Karakteristik yang terakhir dari data warehouse adalah Time Variant.

Variasi waktu menyiratkan bahwa setiap unit data dalam data warehouse akurat pada beberapa saat dalam satu waktu. Dalam beberapa kasus, sebuah record memiliki waktu yang dicap atau timestamped. Dalam kasus lain, record memiliki

tanggal transaksi. Tapi dalam setiap kasus, ada beberapa bentuk dari penanda waktu untuk menunjukkan bahwa suatu momen waktu di mana record adalah akurat.

Terlihat bahwa, keempat karakteristik ini saling terkait. Semua karakteristik harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data untuk mendukung pengambilan keputusan. Implementasi keempat karakteristik ini membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem operasional [8].

2.2.2. Struktur Data Warehouse

Struktur data warehouse menunjukkan level detil yang berbeda dalam lingkungan data warehouse. Terdapat older level of detail, current level of detail, level of lightly summarized data (level data mart), dan level of highly summarized data. Data mengalir ke dalam data warehouse dari lingkungan operasional.

Biasanya transformasi penting dari data terjadi pada jalur dari level operasional ke level data warehouse.

a. Current Detail Data

Current detail data adalah data detail yang sedang aktif saat ini dan menggambarkan keadaan yang sedang berjalan saat ini. Current detail data merupakan tingkat terendah dalam data warehouse. Data jenis ini memerlukan media penyimpanan data yang cukup besar dan merupakan data yang sering diakses. Hampir selalu disimpan di media penyimpanan karena current detail data ini cepat diakses tetapi mahal dan kompleks dalam pemeliharaannya.

b. Old Detail Data

Old detail data adalah data-data lama atau data historis yang dihasilkan dari back-up data yang disimpan di tempat yang terpisah dan dapat diakses kembali.

Data di simpan di tempat yang terpisah karena data ini memiliki frekuensi akses yang rendah. Data ini kategorikan berdasarkan umurnya agar mempermudah untuk pengaksesan.

c. Lightly Summarized data

Lightly Summarized data dihasilkan dari current detail data yang diringkas berdasarkan dimensi yang sesuai kebutuhan. Data ini memiliki tingkat detail yang

lebih tinggi dibandingkan dengan current detail data. Lightly Summarized data bisa disebut juga sebagai data mart.

d. Highly Summarized Data

Highly summarized data merupakan lightly summarized data tingkat lanjut yang memiliki tingkat detail lebih tinggi dan lebih bersifat totalitas.

e. Metadata

Metadata merupakan bagian penting dari lingkungan data warehouse, yang telah menjadi bagian dari lingkungan pengolahan informasi selama ada program dan data. Tapi di dunia data warehouse, metadata mempunyai tingkat kepentingan yang baru, yaitu mengupayakan penggunaan yang paling efektif dari data warehouse. Metadata memungkinkan pengguna akhir atau analis DSS untuk menavigasi melalui kemungkinan. Ada dua pengertian metadata, yang pertama metadata adalah data tentang data. Pengertian yang kedua merupakan gambaran dari sebuah struktur, isi, kunci, indeks dari data. Metadata itu sendiri menjelaskan struktur dan atribut dari data. Metadata memiliki peran ganda yang saling bertentangan. Dalam beberapa kasus, metadata harus di-share. Namun di kasus yang lain, metadata harus di kelola secara mandiri. Item dari jejak penyimpanan metadata adalah sebagai berikut:

1. Struktur data yang dikenal programmer;

2. Struktur data yang dikenal analis DSS;

3. Sumber data yang membantu data warehouse;

4. Transformasi dari data ketika lewat ke dalam data warehouse ; 5. Model data;

6. Relasi antara data model dan data warehouse; dan 7. Sejarah ekstraksi.

2.2.3. Subject Orientation

Data warehouse berorientasi pada bidang subyek utama dari perusahaan, yang sudah ditetapkan dalam model data tingkat tinggi perusahaan (high-level corporate data model).

Bentuk subject orientation adalah sebagai berikut:

• Pelanggan

• Produk

• Transaksi atau kegiatan

• Kebijakan

• Klaim

• Account

Setiap major subject area diimplemetasikan secara fisik sebagai serangkaian tabel yang saling berelasi dalam data warehouse. Sebuah subject orientation dapat terdiri dari 10, 100, atau bahkan lebih banyak bentuk tabel yang semuanya saling terkait.

2.2.4. Arsitektur Data Warehouse

Dalam melakukan perancangan data warehouse, ditentukan terlebih dahulu arsitektur yang paling cocok untuk melakukan pengembangan data warehouse.

Gambar 2.5 adalah suatu gambaran tipikal dari arsitektur data warehouse.

Gambar 2.5 Arsitektur Data Warehouse [9]

Komponen-komponen yang ada dalam arsitektur ini dijelaskan lebih lanjut sebagai berikut:

ETL – Extract/ Transform/ Load

Teknologi ETL memungkinkan data yang akan ditarik dari legacy system environment dan ditransformasikan ke data perusahaan. Komponen ETL menampilkan banyak fungsi, seperti :

• Konversi logikal dari data.

• Verifikasi domain.

• Konversi dari satu DBMS ke yang lain.

• Pembuatan nilai default bila diperlukan.

• Peringkasan data.

• Penambahan nilai waktu untuk data kunci.

• Restrukturisasi kunci data.

• Penggabungan record.

• Penghapusan data yang asing atau berlebihan.

Inti dari ETL adalah data yang masuk proses ETL sebagai data aplikasi dan keluar dari proses ETL sebagai data perusahaan.

ODS – Operational Data Store

Suatu Operational Data Store (ODS) adalah suatu media penyimpanan dari data operasional yang terbaru dan terintegrasi, digunakan untuk analisis. ODS menstrukturkan dan menyediakan data dengan cara yang sama seperti data warehouse, tapi mungkin sebenarnya bertindak hanya sebagai tempat penampungan sementara sebelum data dipindahkan ke warehouse.

ODS diciptakan ketika sistem operasional ditemukan tidak mampu mencapai keberhasilan pelaporan. ODS menyediakan pengguna dengan kemudahan penggunaan database relasional namun tetap jauh dari fungsi pendukung keputusan dari data warehouse.

2.2.5. Keuntungan Data Warehouse

Implementasi yang sukses dari data warehouse dapat membawa keuntungan yang besar bagi sebuah organisasi, antara lain:

a. Potensi untuk pengembalian investasi yang besar (Potential high returns on investment)

Sebuah organisasi harus mengeluarkan sumber daya yang besar untuk memastikan keberhasilan implementasi dari data warehouse dan harganya dapat berkisar antara $50.000 - $10.000.000 sesuai dengan variasi solusi teknikal tersedia. Menurut studi dari International Data Corporation (IDC) pada tahun 1996 dilaporkan bahwa pengembalian investasi rata-rata selama tiga tahun dalam data warehousing mencapai 401% [4].

b. Keuntungan kompetitif (Competitive advantage)

Pengembalian investasi yang besar bagi perusahaan yang mengimplementasikan data warehouse dengan sukses merupakan bukti keuntungan kompetitif dengan menggunakan teknologi ini. Keuntungan kompetitif diperoleh dengan memungkinkan para pembuat keputusan untuk mengakses ke dalam data yang belum digunakan sebelumnya, tidak diketahui, dan informasi yang belum dimanfaatkan, contohnya: pelanggan, tren, dan permintaan [4].

c. Meningkatkan produktivitas bagi pembuat keputusan (Increased productivity of corporate decision-makers)

Data warehouse meningkatkan produktivitas dari pembuat keputusan dengan menciptakan database yang terintegrasi, konsisten, berorientasi subyek, dan data historikal. Data warehouse mengintegrasikan data dari berbagai sistem yang tidak kompatibel ke dalam bentuk yang menyediakan satu tampilan yang konsisten bagi perusahaan. Dengan mentransformasikan data menjadi informasi yang berarti, data warehouse memungkinkan pembuat keputusan untuk melakukan analisis dengan lebih substantif, akurat, dan cepat [4].

2.3. Database

Database, atau basis data, adalah sekumpulan data file. Data file, biasa juga disebut file, merupakan kumpulan record atau tuple. Sekumpulan data mahasiswa yang terdiri dari beberapa atribut seperti nama, alamat, dan jurusan kuliah adalah contoh record atau tuple [11].

Data file dibagi menjadi master file dan transaction file. Master file adalah catatan mengenai objek-objek yang harus ada dalam suatu lingkungan (enterprise)

yang bila objek-objek itu tidak ada, maka lingkungan itu tidak dapat berfungsi sebagaimana mestinya. [11].

Master file sendiri terdisi atas dua jenis, yaitu: reference master file dan dynamic master file. Disebut reference master file karena jika terjadi suatu transaksi maka nilai datanya tidak ada yang berubah sedikitpun (ia hanya dijadikan referensi saja). Sedangkan disebut dengan dynamic master file karena jika terjadi suatu transaksi maka ada nilai datanya yang berubah [11].

Transaction file adalah catatan mengenai transaksi-transaksi yang terjadi di lingkungan tersebut [11].

Sebuah basis data memiliki penjelasan terstruktur dari jenis fakta yang tersimpan di dalamnya: penjelasan ini disebut skema. Skema menggambarkan objek yang diwakili suatu basis data, dan hubungan di antara objek tersebut. Ada banyak cara untuk mengorganisasi skema, atau memodelkan struktur basis data ini dikenal sebagai model basis data atau model data. Model yang umum digunakan sekarang adalah model relasional, yang menurut istilah layman mewakili semua informasi dalam bentuk tabel-tabel yang saling berhubungan di mana setiap tabel terdiri dari baris dan kolom (definisi yang sebenarnya menggunakan terminologi matematika). Dalam model ini, hubungan antar tabel diwakili dengan menggunakan nilai yang sama antar tabel [12].

Model yang lain seperti model hierarkis dan model jaringan menggunakan cara yang lebih eksplisit untuk mewakili hubungan antar tabel. Istilah basis data mengacu pada koleksi dari data yang saling berhubungan, dan perangkat lunaknya seharusnya mengacu sebagai sistem manajemen basis data (database management system/DBMS). Dalam hal perancangan database juga sering menggunakan pemodelan relasi yang sering disebut dengan Entity Relationship Diagram (ERD).

Gambar 2.6 Contoh Entity Relationship Diagram Sistem Distribusi Mobil [13]

Diagram Hubungan Entitas atau entity relationship diagram merupakan model data berupa notasi grafis dalam pemodelan data konseptual yang menggambarkan hubungan antara penyimpan. Model data sendiri merupakan sekumpulan cara, peralatan untuk mendeskripsikan data yang hubungannya satu sama lain, semantiknya, serta batasan konsistensi. Model data terdiri dari model hubungan entitas dan model relasional. Diagram hubungan entitas ditemukan oleh Peter Chen dalam buku Entity Relational Model-Toward a Unified of Data. Chen mencoba merumuskan dasar-dasar model dan setelah itu dikembangkan dan dimodifikasi oleh Chen dan banyak pakar lainnya [13].

Normalisasi data adalah teknik pendesainan secara luas yang digunakan untuk mengarahkan kita dalam merancang database relasional. Tabel 2.1 Memperlihatkan aturan-aturan pada normalisasi data [11].

Tabel 2.1

Aturan-Aturan pada Normalisasi Data [11]

1NF Eliminate Repeating Groups – Membentuk tabel sendiri-sendiri untuk setiap kumpulan yang saling berkumpulan dan memilih primary key di setiap tabelnya.

2NF Eliminate Redundant Data – Jika ada atribut yang tergantung pada sebagian dari multi valued key, keluarkan dia dan bentuk tabel lain.

3NF Eliminate Columns not Dependent on Key – Jika atribut tidak berkontribusi dengan deskripsi dari key, keluarkan ia dan bentuk tabel lain.

BCNF Boyce-Codd Normal Form – Jika ada atribut yang tidak bergantung

pada atribut kandidat, pisahkan ia dan letakkan pada tabel terpisah.

4NF Isolate Independent Multiple Relationship – Tidak boleh ada tabel yang mengandung dua atau lebih relasi 1:n atau n:m yang tidak berelasi secara langsung (directly related).

5NF Isolate Semantically Related Multiple Relationship - Mungkin ada kendala praktis pada informasi yang membenarkan logika pemisahan relasi many-to-many.

ONF Optimal Normal Form – Sebuah model terbatas yang sederhana (elementer), sebagai expressed di notasi Object Role Model.

DKNF Domain-Key Normal Form – Sebuah model yang bebas dari semua modifikasi yang tidak normal (modification anomalies).

DBMS merupakan singkatan dari Database Management System. DBMS sering digunakan oleh seorang Database Administrator (DBA) untuk membuat sistem database. DBMS adalah sekumpulan perangkat lunak yang dirancang untuk membantu dalam menyimpan dan memodifikasi data serta menggali informasi dari database [11].

Pemodelan database untuk perancangan OLAP untuk analisis data kepegawaian unit PLN wilayah Aceh, dilakukan menggunakan tools Microsoft Visio, untuk kemudian diimplementasikan dalam class diagram pada Sub Bab

2.4.3. Sementara database engine yang digunakan adalah MySQL versi 5.0.

2.3.1. MySQL

MySQL adalah server database engine yang tergabung dalam perangkat lunak XAMPP. Bahasa pemrograman yang digunakan dalam database engine ini disebut PL/MySQL. SQL sendiri merupakan singkatan dari Structured Query Language, bahasa terstruktur yang difungsikan untuk mengolah database. MySQL dapat digunakan untuk membuat dan mengelola database dan isinya. Bisa juga memanfaatkan MySQL guna untuk menambahkan, mengubah, dan menghapus data dalam database [14].

Database engine MySQL yang digunakan dalam perancangan OLAP untuk analisis data kepegawaian unit PLN wilayah Aceh adalah MySQL versi 5.0.

View adalah tabel bayangan (virtual table) yang didasari oleh sekumpulan hasil dari perintah SELECT [11]. Berikut adalah bentuk penulisan view:

CREATE VIEW nama_view AS <query expression>

Query expression adalah penulisan formal query seperti berikut:

SELECT nama_column, … FROM nama_tabel

WHERE kondisi

Database tidak menyimpan data hasil view. View digunakan untuk memperlihatkan laporan-laporan yang diperlukan dan dihasilkan dari data yang diinputkan pada perangkat lunak [15].

2.4. PHP Laravel

Laravel adalah salah satu kerangka kerja, untuk web aplikasi dengan sintaks yang ekspresif dan elegan, yang memberikan solusi untuk pengembangan, dengan memfasilitasi tugas umum kebanyakan proyek web besar. Laravel dipilih karena memiliki sejumlah fungsi yang bermanfaat seperti Bundle, fasih ORM, Aplikasi Logika Reverse, Routing, Auto-Loading Class, dan lain-lain. Implementasi kerangka Laravel adalah berdasarkan penelitian terakhir, dimana teknologi web belum diaplikasikan. Eksplorasi kerangka Laravel meliputi penerapan konsep MVC, fasih ORM, pisau Templating, serta instalasi kumpulan pendukung fungsi sistem. Laravel merupakan framework yang mudah diakses, powerful dan menyediakan tools yang diperlukan untuk skala aplikasi besar. Laravel juga merupakan sebuah aplikasi luar biasa dari sebuah kumpulan program kontrol, sistem migrasi yang ekspresif dan dukungan tools yang dibutuhkan dalam menguji aplikasi yang terintegrasi dengan beberapa aplikasi lain.

Laravel merupakan framework PHP yang menekankan pada kesederhanaan dan fleksibilitas pada desainnya. Laravel dirilis dibawah lisensi MIT dengan sumber kode yang disediakan di Github. Sama seperti framework PHP lainnya, Laravel dibangun dengan basis MVC (Model-View-Controller). Laravel dilengkapi command line tool yang bernama “Artisan”, yang bisa digunakan untuk packaging bundle dan instalasi bundle. Menurut survey yang lakukan. pada Desember 2013 dalam popularitas framework PHP, Laravel menduduki urutan

teratas. Sehingga menjadikan Laravel sebagai framework PHP terbaik untuk tahun 2014. Saat ini Lavarel merupakan framework dengan versi PHP yang up-to-date, karena Laravel menisyaratkan PHP [5].

2.5. Unified Modeling Language (UML) Menurut Eric Braude, UML adalah:

UML adalah notasi grafis yang digunakan untuk mengekspresikan desain perangkat lunak berorientasi objek yang diciptakan oleh Booch dan Rumbaugh [16].

Salah satu model UML yang digunakan untuk perancangan OLAP untuk analisis data kepegawaian unit PLN wilayah Aceh adalah use case diagram untuk analisis perilaku sistem. Mengenai use case (Braude, 2004:67):

Use case sendiri adalah semacam “cerita” linier untuk mendetailkan cara menggunakan perangkat lunak [16].

Gambar 2.7 Contoh Use Case Diagram Toko Video [16]

Dalam notasi UML, class direpresentasikan dalam bentuk persegi panjang dengan nama class. Detail class meliputi atribut dan operasi (fungsi atau

prosedur), komentar, visibility (apakah class merupakan class private atau public), dan parameter [16].

Gambar 2.8 Detail suatu Class [16]

Class menjadi class diagram apabila direlasikan dengan relasi Inheritance, Aggregation, Dependency, atau Association [16].

Gambar 2.9 Contoh Class Diagram Aplikasi Surat Pelanggan [16]

Use case dan class diagram adalah notasi UML yang digunakan dalam perancangan OLAP untuk analisis data kepegawaian unit PLN wilayah Aceh.

Tools yang digunakan dalam pembuatan UML pada perancangan OLAP untuk analisis data kepegawaian unit PLN wilayah Aceh adalah Microsoft Visio.