BAB 4
DATA WAREHOUS E YANG DIUS ULKAN
4.1 Arsitektur Data Warehouse
Rancangan data warehouse yang diusulkan adalah rancangan yang menggunakan arsitektur data warehouse terpusat. Alasan penggunaan arsitektur terpusat ini, yaitu :
• Mempermudah dalam melakukan pengawasan dan pemeliharaan data yang terdapat di dalam data warehouse.
• Pengembangan rancangan yang relatif mudah dan murah dibandingkan dengan bentuk arsitektur data warehouse terdistribusi.
• Lebih mudah dalam menjaga konsistensi dari data warehouse terhadap segala perubahan dibandingkan penggunaan data warehouse terdistribusi.
Berikut gambar arsitektur data warehouse terpusat pada PT. ERA GRAHAREALTY :
Gambar 4.1 Arsitektur Data Warehouse pada PT. ERA GRAHAREALTY
4.2 Rancangan Data Warehouse
Dalam membuat data warehouse diperlukan beberapa tahap untuk membuat perancangan data warehouse menjadi teratur. Tahap-tahap perancangan data warehouse yang digunakan pada penulisan ini adalah 9 tahap metodologi (nine-step methodology), yaitu :
4.2.1 Memilih proses (Choosing the Process)
Proses yang digunakan dalam perancangan data warehouse ini, yaitu : a. Penjualan
Penjualan yang dimaksud merupakan penjualan properti dari penjual properti ke pembeli properti melalui marketing associate. Dalam proses ini dokumen yang diperlukan adalah pernyataan pengikatan jual beli, dimana di dalam pernyataan pengikatan jual beli
tersebut terdapat nomor dari PPJB, tanggal dari PPJB, nomor listing, nomor pembeli, kode office, ID Marketing Associate, biaya pembatalan, dan total harga.
b. Persediaan/Listing
Persediaan yang dimaksud merupakan persediaan properti yang terdapat dalam daftar listing, Dalam proses ini dokumen yang diperlukan adalah dokumen perjanjian jasa pemasaran dan listing, dalam perjanjian jasa pemasaran terdapat nomor dari perjanjian jasa pemasaran, kode office, ID Marketing Associate, nomor penjual, nomor available, dan nomor expired. Sedangkan di dalam dokumen listing terdapat terdapat nomor dari listing, nomor PJP, kode tipe, alamat serta keterangan dari properti tersebut, seperti luas tanah, luas bangunan, nomor sertifikat, jumlah kamar, dan lainnya.
c. Pendapatan Komisi
Pendapatan komisi yang dimaksud merupakan record komisi yang didapat oleh marketing associate dan member broker dari setiap transaksi. Record komisi yang didapat mengacu kepada target komisi harus dan bisa dicapai masing-masing marketing associate dan member broker yang sudah ditetapkan oleh PT. ERA GRAHAREALTY.
Penghargaan yang dimaksud merupakan penghargaan bagi marketing associate dan member broker yang telah memenuhi target pencapaian sesuai dengan target yang ditetapkan sebelumnya. Adapun dokumen yang diperlukan dalam proses ini adalah dokumen target selling dimana terdapat jenis target, level target, periode, peserta, dan jumlah target.
4.2.2 Memilih Grain (Choosing Grain)
Grain merupakan data dari calon fakta yang dapat dianalisis. M emilih grain berarti memutuskan apa yang akan direpresentasikan oleh record dari tabel fakta. Grain dalam perancangan data warehouse ini meliputi :
a. Penjualan
Pada proses penjualan, data yang dapat dianalisis meliputi lokasi yang paling banyak dicari oleh konsumen, tipe properti yang paling banyak dicari oleh konsumen, kuantitas penjualan atau tingkat produktivitas office/kantor cabang per tahunnya.
b. Persediaan/Listing
Pada proses persediaan/listing, data yang dapat dianalisis meliputi perbandingan jumlah properti pada listing per periode waktu, dan perbandingan kuantitas properti yang available dan expired.
c. Pendapatan Komisi
Pada proses pendapatan komisi, data yang dapat dianalisis meliputi perbandingan pencapaian target dan jumlah komisi yang didapat member broker dan marketing associate, leveling untuk marketing associate.
d. Penghargaan/Award
Pada proses penghargaan/award, data yang dapat dianalisis meliputi prestasi berdasarkan jumlah penghargaan yang didapat dari setiap member broker dan marketing associate, leveling untuk marketing associate, dan award yang diberikan untuk member broker dan marketing associate.
4.2.3 Identifikasi dan Penyesuaian Dimensi (Identifying and Conforming the
Dimensions)
Pada tahap ini dilakukan penyesuaian dimensi dan grain yang ditampilkan dalam bentuk matriks :
a. Penjualan
Tabel 4.1 Tabel Grain vs Dimensi pada Penjualan Grain
Dimensi
Lokasi Paling Banyak Dicari
Tipe Properti Paling Banyak Dicari Perbandingan Tingkat Produktivitas Office Waktu X X X Listing X X Kota X Office X MA X b. Persediaan/Listing
Tabel 4.2 Tabel Grain vs Dimensi pada Persediaan/Listing
Grain Dimensi
Perbandingan Jumlah Listing
Perbandingan Kuantitas expired dan available
Waktu X X
Listing X X
AvlListing X
c. Pendapatan Komisi
Tabel 4.3 Tabel Grain vs Dimensi pada Komisi
Grain Dimensi
Perbandingan Komisi yang dicapai Office
Perbandingan Berhasil dan Gagal dalam M emenuhi Target
Waktu X X MA X X Office X X TargetSelling X X DetilSM A X X DetilSOffice X X d. Penghargaan/Award
Tabel 4.4 Tabel Grain vs Dimensi pada Penghargaan/Award
Grain Dimensi Perbandingan Prestasi Perolehan Award Marketing Associate Perolehan Award Member Broker Waktu X X X MA X AwardM A X X M B X Office X AwardM B X X
4.2.4 Memilih Fakta (Choosing the Fact)
M emilih fakta yang akan digunakan dalam data mart. M asing-masing fakta memiliki data yang dapat dihitung, untuk selanjutnya ditampilkan dalam bentuk laporan, grafik atau berbagai macam diagram. Berikut ini fakta-fakta yang akan ditampilkan di data warehouse :
1. Penjualan, meliputi data attribut dari tabel PPJB di sistem berjalan dimana TotalHarga sebagai measureable attribute pada tabel fakta ini.
2. Persediaan/Listing, meliputi data attribut dari tabel PJP di sistem berjalan dimana HargaJual sebagai measureable attribute pada tabel fakta ini.
3. Pendapatan Komisi, meliputi jumlah komisi yang didapat dan target komisi yang dicapai, dimana Total komisi sebagai measureable attribute pada tabel fakta ini.
4. Penghargaan/Award, meliputi pencapaian target yang didapat oleh Marketing Associate dan Branch Office, dimana Komisi yang dicapai per-periode sebagai measureable attribute pada tabel fakta ini.
4.2.5 Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing
pre-calculation in the fact table)
Pre-kalkulasi yang dapat dilakukan untuk kemudian disimpan dalam tabel fakta berupa kalkulasi total. Kalkulasi awal yang ada pada tabel fakta antara lain :
• Tabel Fakta Penjualan, meliputi total dari DownPrice dan HargaTotal dari tabel PPJB di sistem berjalan yang sebagai harga dari hasil kesepakatan terhadap peroperti yang di Listing.
• Tabel Fakta Persediaan, meliputi jumlah listing yang termuat dan TotalHarga dari tabel PJP di sistem berjalan yang sebagai harga awal persetujuan terhadap peroperti yang di Listing.
• Tabel Fakta Komisi, meliputi jumlah transaksi dan total komisi yang didapat dari perhitungan jumlah record transaksi yang terjadi selama periode yang ditentukan.
• Tabel Fakta Penghargaan, meliputi total komisi yang didapat oleh Marketing Associate dan Branch Office berupa kalkulasi dari total persentase yang didapat setiap transaksi penjualan sesuai perjanjian yang disepakati dan jumlah transaksi yang dihasilkan untuk mencapai target.
4.2.6 Melengkapi Tabel Dimensi (Rounding out the dimension tables)
M enambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user. Berikut deskripsi teks dari tabel dimensi :
a. Tabel Rounding Out Dimension
Tabel 4.5 Tabel Rounding Out Dimension
Dimensi Deskripsi
Waktu Laporan dapat dilihat per tahun, per semester,
per bulan, dan per hari.
Listing Property yang terdata dan masuk sebagai stok
property yang tersedia.
Kota Daftar kota tempat lokasi transaksi dan office
yang tercatat.
Office Office branch dari Era yang berada di kota
masing-masing
MA Marketing associate yang bertugas sebagai
pemasar property.
Owner Pemilik dari property yang masuk dalam
listing.
Pembeli Pihak pembeli property pada transaksi
penjualan.
MasterAwardOffice Tabel master award yang tersedia untuk
Office.
MasterAwardMA Tabel master award yang tersedia untuk
marketing associate.
TargetS elling Target selling yang ditentukan selama periode
b. Daftar Tabel-tabel Dimensi
Tabel 4.6 Tabel Dimensi Waktu
Nama Field Type Panjang
NoWaktu char 6
Tahun int 4
Smester int 4
Bulan int 4
Hari int 4
Tabel 4.7 Tabel Dimensi Listing
Nama Field Type Panjang
NoListing char 9
TypeProperty varchar 30 StatusTanah varchar 30
KamarTidur int 4
KamarM andi int 4
Lantai int 4
LuasT int 4
Tabel 4.8 Tabel Dimensi Kota Nama Field Type Panjang
KdKota char 3
Provinsi varchar 20
NamaKota varchar 20
Tabel 4.9 Tabel Dimensi Office
Nama Field Type Panjang
KdOffice char 4
NamaOffice varchar 30
IDM B char 6
Tabel 4.10 Tabel Dimensi MA
Nama Field Type Panjang
IDM A char 6 Office varchar 30 Level varchar 30 NamaM A varchar 30 Sex char 1 Umur int 4
Tabel 4.11 Tabel Dimensi Owner Nama Field Type Panjang
NoOwner char 6
Nama varchar 30
Sex char 1
Tabel 4.12 Tabel Dimensi Pembeli
Tabel 4.13 Tabel Dimensi MasterAwardOffice Nama Field Type Panjang
NoPembeli char 6
Nama varchar 30
Sex char 1
NoTelp varchar 20
Nama Field Type Panjang
KdAwardOf char 4 NamaAward varchar 30
Kategori varchar 20
Periode varchar 20
Tabel 4.14 Tabel Dimensi MasterAwardMA
Tabel 4.15 Tabel Dimensi Target Selling Nama Field Type Panjang
KdTarget char 3 JenisTarget varchar 30 LevelTarget int 4 Periode varchar 10 Peserta varchar 20 JumlahTarget bigint 8
Nama Field Type Panjang
KdAwardM A char 4
Nama varchar 30
Kategori varchar 20
Periode varchar 20
4.2.7 Memilih Durasi dari Database (Choosing the duration of the database)
Durasi dari data PT. ERA GRAHAREALTY yang dimasukan ke dalam data warehouse sebagai berikut :
Tabel 4.20 Tabel Durasi Basis Data
Nama Aplikasi Database
Waktu Data Warehouse Data dalam Tahun Aplikasi Data Warehouse ERA ERA_DB 2005 4 tahun Januari 2009 – September 2009 9 bulan
Database pada PT. Era GRAHAREALTY sudah ada sejak tahun 2001, dan data yang digunakan berdurasi 4 tahun dan 9 bulan, yang dimulai dari januari 2005 sampai dengan September 2009.
4.2.8 Melacak Perubahan Dimensi secara Perlahan (Tracking slowly
changing dimensions)
Dari 3 tipe dasar perubahan dimensi, pada perancangan data warehouse PT. ERA GRAHAREALTY ini menggunakan tipe ke 2, dimana perubahan atribut pada dimensi akan mengakibatkan pembuatan suatu record baru. Hal ini dilakukan untuk menjaga data yang lama tetap ada agar diketahui perubahan dimensi yang terjadi dari data lama ke data baru. Seperti perubahan pada data listing, akan mengakibatkan penambahan record baru pada dimensi dengan tetap menyimpan record yang lama.
Untuk itu ditambahkan surrogate key dan Attribut sebagai status aktif di table tersebut yang diantaranya :
• LastUpdate : Tanggal terakhir data di update. • StatusData : Status termasuk data lama atau baru. • Keterangan : Keterangan dan alasan berubahnya data.
4.2.9 Menentukan Prioritas dan Mode Query (Deciding the query priorities
and the query modes)
Pada tahap ini akan dibahas mengenai proses Extract, Transformation and Load ( ETL ), backup secara berkala, dan analisis kapasitas media penyimpanan.
4.2.9.1 Proses Extract , Transformation and Load ( ETL )
Tabel 4.21 Tabel ETL
Pelaku ETL Dilakukan Setiap Keterangan
Bagian EDP 1 hari sekali
ETL dilakukan oleh bagian EDP
Proses ETL yang dilakukan setiap hari berdasarkan record transaksi dan listing yang didapat, hal ini dapat mendekati kategori real time, sehingga keakuratan data dapat terjaga.
Proses ETL yang dilakukan merubah data awal ataupun menambah data dari databse OLTP ke OLAP, beberapa perubahan dilalui seperti dibawah ini :
Gambar 4.2 Proses ETL-1 dari database sumber ke data warehouse
Pada gambar diatas diketahui ada beberapa perubahan data seperti Slowly Changing Dimension pada table Office
dan penambahan A ggregate dari table DetilSOffice dari OLTP ke OLAP.
Proses Eksekusi ETL yang dijalankan dari database sumber yang di transform ke data warehouse ialah sebagai berikut :
Gambar 4.3 Proses ETL-2 dari database sumber ke data warehouse
4.2.9.2 Proses Backup
Tabel 4.22 Tabel Backup
Pelaku backup Dilakukan Setiap Keterangan
Bagian EDP
Setiap sebelum menjalankan
proses ETL
Dilakukan untuk menanggulangi jika ada kegagalan dalam proses ETL
Backup dilakukan dengan mem-backup ke partisi / harddisk yang berbeda untuk mencegah gagalnya proses ETL.
4.2.9.3 Analisis Kapasitas Media Penyimpanan
Dalam merancang data warehouse, perlu adanya memperhatikan sumberdaya hardware, khususnya storage yang digunakan. Banyaknya record hingga ribuan atau bahkan jutaan yang tersimpan di data warehouse pertahunnya, mengharuskan perlunya kapasitas storage yang mendukung dan terus dapat menampung data hingga tahun-tahun kedepannya.
Berdasarkan ”capacity planning” menurut Inmon , faktor-faktor penting yang mempengaruhi kapasitas storage ialah :
Detil level dari data, sedalam apa hierarki data yang tersimpan.
Lamanya waktu dari data yang tersimpan, sepanjang apa tahun yang di proses.
a. Perhitungan Disk Storage
Untuk menganalisa perkiraan kapasitas yang dibutuhkan, perlu adanya perhitungan yang dimulai dari besarnya byte per-field, per-record, per-table, hingga keseluruhan dari database, beserta estimasi perkiraan pertumbuhan data.
Analisis perkiraan kapasitas storage dalam menghitung jumlah size database menggunakan rumus
perhitungan dari “SQL Server 2000 Books Online” pada bagian “Estimating the Size of Database” :
1. Num_Rows = jumlah record / jumlah baris. Num_Rows = R x (n + ( 1 + i ) n )
R = jumlah record n = variable tahun
i = persentase pertumbuhan record pertahun 2. Num_Cols = jumlah kolom / jumlah field.
Fixed_Data_Size = jumlah total dari field size dari setiap table. Num_Variable_Cols = jumlah panjang variable kolom.
M ax_Var_Size = jumlah maksimum panjang variable kolom. 3. Null_Bitmap = 2 + (( Num_Cols + 7 ) / 8 )
4. Variable_Data_Size
= 2 + (Num_Variable_Cols x 2) + M ax_Var_Size 5. Row_Size
= Fixed_Data_Size + Variable_Data_Size + Null_Bitmap + 4 6. Rows_Per_Page = ( 8096 ) / (Row_Size + 2)
7. Free_Rows_Per_Page
= 8096 x ((100 - Fill_Factor) / 100) / (Row_Size + 2) 8. Num_Pages
= Num_Rows / (Rows_Per_Page - Free_Rows_Per_Page) 9. Table_Size (bytes) = 8192 x Num_Pages
Dalam kasus ini kami melakukan analisis perkiraan hingga 5 tahun kedepan, dan pertumbuhan record yang diasumsikan sebesar 10% per-tahun.
1. Record Fact Persediaan
Jumlah record yang di dapat pada tahun ini sebanyak 1049 • Num_Rows = 1172x ( n + ( 1 + 0.1 ) n ) = 7747.51772 • Num_Cols = 11 Fixed_Data_Size = 63 Num_Variable_Cols = 7 M ax_Var_Size = 9 • Null_Bitmap = 2 + (( 11 + 7 ) / 8 ) = 3.875 • Variable_Data_Size = 2 + ( 7 x 2 ) + 9 = 25 • Row_Size = 63 + 25 + 3.875 + 4 = 96.875 • Rows_Per_Page = ( 8096 ) / ( 96.875 + 2) = 85.5716129 • Free_Rows_Per_Page = 8096 x ((100 - 5 ) / 100 / ( 96.875 + 2) = 77.78710493 • Num_Pages = 7747.51772 / ( 85.5716129 - 77.78710493 ) = 995.2482221 • Table_Size (bytes) = 8192 x 995.2482221 = 8153073.436
2. Record Fact Penjualan • Num_Rows = 1049x ( n + ( 1 + 0.1 ) n ) = 6934.42499 • Num_Cols = 8 Fixed_Data_Size = 46 Num_Variable_Cols = 7 M ax_Var_Size = 10 • Null_Bitmap = 2 + (( 8 + 7 ) / 8 ) = 3.875 • Variable_Data_Size = 2 + ( 7 x 2 ) + 10 = 26 • Row_Size = 46 + 26 + 3.875 + 4 = 79.875 • Rows_Per_Page = ( 8096 ) / ( 79.875 + 2) = 103.3583725 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / (79.875 + 2) = 88.99419847 • Num_Pages = 6934.42499 / ( 103.3583725 - 88.99419 ) = 490.7583541 • Table_Size (bytes) = 8192 x 490.7583541 = 4020292.437
3. Record Fact AwardMA • Num_Rows = 1349x ( n + ( 1 + 0.1 ) n ) = 8917.57799 • Num_Cols = 5 Fixed_Data_Size = 55 Num_Variable_Cols = 4 M ax_Var_Size = 6 • Null_Bitmap = 2 + (( 5 + 7 ) / 6 ) = 4 • Variable_Data_Size = 2 + ( 1 x 2) + 6 = 10 • Row_Size = 55 + 10 + 4 + 4 = 73 • Rows_Per_Page = ( 8096 ) / ( 73 + 2) = 85.89637306 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 96.5 + 2) = 73.97360406 • Num_Pages = 8917.57799 / ( 85.896373 - 73.9736046 ) = 755.9452125 • Table_Size (bytes) = 8192 x 755.9452125 = 6192703.181
4. Record Fact AwardOffice • Num_Rows = 700 x ( n + ( 1 + 0.1 ) n ) = 4627.357 • Num_Cols = 5 Fixed_Data_Size = 55 Num_Variable_Cols = 4 M ax_Var_Size = 6 • Null_Bitmap = 2 + (( 5 + 7 ) / 6 ) = 3.5 • Variable_Data_Size = 2 + ( 1 x 2 + 6 = 10 • Row_Size = 55 + 10 + 4 + 4 = 73 • Rows_Per_Page = ( 8096 ) / ( 73 + 2) = 85.89637306 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 96.5+ 2) = 73.97360406 • Num_Pages = 4627.357 / ( 85.89637306 - 73.97360406 ) = 396.1109331 • Table_Size (bytes) = 8192 x 396.1109331 = 3244940.764
5. Record Dimensi Waktu • Num_Rows = 1049 x ( n + ( 1 + 0.1 ) n ) = 6934.42499 • Num_Cols = 5 Fixed_Data_Size = 22 Num_Variable_Cols = 1 M ax_Var_Size = 1 • Null_Bitmap = 2 + (( 5 + 7 ) / 8 ) = 3.5 • Variable_Data_Size = 2 + ( 1 x 2 + 1 = 5 • Row_Size = 22 + 5 + 3.5 + 4 = 34.5 • Rows_Per_Page = ( 8096 ) / ( 34.5 + 2) = 236.6666667 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 34.5 + 2 ) = 199.6273973 • Num_Pages = 6934.42499 / ( 236.6666667 - 199.6273973 ) = 195.2181903 • Table_Size (bytes) = 8192 x 195.2181903 = 1599227.415
6. Record Dimensi Listing • Num_Rows = 1105 x ( n + ( 1 + 0.1 ) n ) = 7304.61355 • Num_Cols = 20 Fixed_Data_Size = 186 Num_Variable_Cols = 7 M ax_Var_Size = 30 • Null_Bitmap = 2 + (( 20 + 7 ) / 8 ) = 5.375 • Variable_Data_Size = 2 + ( 7 x 2 + 30 = 46 • Row_Size = 186 + 46 + 5.375 + 4 = 241.375 • Rows_Per_Page = ( 8096 ) / ( 241.375 + 2) = 35.54117038 • Free_Rows_Per_Page = 8096 x ((100 - 10 )/100/( 241.375 + 2 ) = 29.93898305 • Num_Pages = 7304.61355/ ( 35.54117038 - 29.93898305) = 1311.885987 • Table_Size (bytes) = 8192 x 1311.885987 = 10746970
7. Record Dimensi MA • Num_Rows = 28x ( n + ( 1 + 0.1 ) n ) = 185.09428 • Num_Cols = 5 Fixed_Data_Size = 34 Num_Variable_Cols = 1 M ax_Var_Size = 1 • Null_Bitmap = 2 + (( 5 + 7 ) / 8 ) = 3.5 • Variable_Data_Size = 2 + ( 1 x 2 + 1 = 5 • Row_Size = 34 + 5 + 3.5 + 4 = 46.5 • Rows_Per_Page = ( 8096 ) / ( 46.5 + 2) = 176.1075269 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 46.5 + 2 ) = 150.2350515 • Num_Pages = 185.09428 / ( 176.1075269 - 150.2350515 ) = 15.15410016 • Table_Size (bytes) = 8192 x 15.15410016 = 124142.3885
8. Record Dimensi Office • Num_Rows = 7 x ( n + ( 1 + 0.1 ) n ) = 46.27357 • Num_Cols = 5 Fixed_Data_Size = 34 Num_Variable_Cols = 1 M ax_Var_Size = 1 • Null_Bitmap = 2 + (( 5 + 7 ) / 8 ) = 3.5 • Variable_Data_Size = 2 + ( 1 x 2 + 1= 5 • Row_Size = 34 + 5 + 3.5 + 4 = 46.5 • Rows_Per_Page = ( 8096 ) / ( 46.5 + 2) = 176.107526 • Free_Rows_Per_Page = 8096 x ((100 - 10 )/ 100/(46.5 +2) = 150.2350515 • Num_Pages = 46.27357 / ( 176.1075269 - 150.2350515 ) = 9.788525041 • Table_Size (bytes) = 8192 x 9.788525041 = 80187.59713
9. Record Dimensi Master Award MA
• Num_Rows = 10 x ( n + ( 1 + 0.1 ) n ) = 66.1051 • Num_Cols = 5 Fixed_Data_Size = 58 Num_Variable_Cols = 3 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 5 + 7 ) / 8 ) = 3.5 • Variable_Data_Size = 2 + ( 3 x 2 + 20 = 28 • Row_Size = 58 + 28 + 3.5 + 4 = 93.5 • Rows_Per_Page = ( 8096 ) / ( 93.5 + 2) = 88.58823529 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 93.5 + 2 ) = 76.2973822 • Num_Pages = 66.1051 / ( 88.58823529 - 76.2973822 ) = 13.37839802 • Table_Size (bytes) = 8192 x 13.37839802 = 109595.8366
10. Record Dimensi S RMA • Num_Rows = 57x ( n + ( 1 + 0.1 ) n ) = 376.79907 • Num_Cols = 8 Fixed_Data_Size = 63 Num_Variable_Cols = 1 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 8 + 7 ) / 8 ) = 3.875 • Variable_Data_Size = 2 + ( 1 x 2 + 20 = 24 • Row_Size = 63 + 24 + 3.875 + 4 = 94.875 • Rows_Per_Page = ( 8096 ) / ( 94.875 + 2) = 87.33333333 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 94.875 + 2 ) = 75.21445161 • Num_Pages = 376.79907 / ( 87.33333333 - 75.21445161 ) = 39.09190094 • Table_Size (bytes) = 8192 x 39.09190094 = 320240.8525
11. Record Dimensi TargetSelling • Num_Rows = 1049 x ( n + ( 1 + 0.1 ) n ) = 6934.42499 • Num_Cols = 6 Fixed_Data_Size = 78 Num_Variable_Cols = 4 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 6 + 7 ) / 8 ) = 3.625 • Variable_Data_Size = 2 + ( 4 x 2 + 20 = 30 • Row_Size = 78 + 30 + 3.625 + 4 = 115.625 • Rows_Per_Page = ( 8096 ) / ( 115.625 + 2) = 72.01945946 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 115.625 + 2 ) = 61.94601488 • Num_Pages = 6934.42499/(72.01945946- 61.94601488 )= 696.3866719 • Table_Size (bytes) = 8192 x 696.3866719 = 5704799.616
12. Record Dimensi Master Award Office • Num_Rows = 10 x ( n + ( 1 + 0.1) n ) = 66.1051 • Num_Cols = 5 Fixed_Data_Size = 58 Num_Variable_Cols = 3 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 5 + 7 ) / 8 ) = 3.5 • Variable_Data_Size = 2 + ( 3 x 2 + 20 = 28 • Row_Size = 58 + 28 + 3.5 + 4 = 93.5 • Rows_Per_Page = ( 8096 ) / ( 93.5 + 2) = 88.58823529 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 93.5+ 2 ) = 76.2973822 • Num_Pages = 66.1051 / ( 88.58823529 - 76.2973822 ) = 13.37839802 • Table_Size (bytes) = 8192 x 13.37839802 = 109595.8366
13. Record Dimensi S ales Record Office • Num_Rows = 57 x ( n + ( 1 + 0.1 + 2 ) = 376.79907 • Num_Cols = 8 Fixed_Data_Size = 63 Num_Variable_Cols = 1 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 8 + 7 ) / 8 ) = 3.875 • Variable_Data_Size = 2 + ( 1 x 2 + 20 = 24 • Row_Size = 63 + 24 + 3.875 + 4 = 94.875 • Rows_Per_Page = ( 8096 ) / ( 94.875 + 2) = 87.33333333 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 94.875 + 2 ) = 75.21445161 • Num_Pages = 376.79907 / ( 87.33333333 - 75.21445161 ) = 39.09190094 • Table_Size (bytes) = 8192 x 39.09190094 = 320240.8525
14. Record Dimensi Kota • Num_Rows = 34 x ( n + ( 1 + 0.1 ) n ) = 224.75734 • Num_Cols = 3 Fixed_Data_Size = 28 Num_Variable_Cols = 1 M ax_Var_Size = 20 • Null_Bitmap = 2 + (( 3 + 7 ) / 8 ) = 3.25 • Variable_Data_Size = 2 + ( 1 x 2 + 20 = 24 • Row_Size = 28 + 24 + 3.25 + 4 = 59.25 • Rows_Per_Page = ( 8096 ) / ( 59.25 + 2) = 138.6413502 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 59.25 + 2 ) = 118.9616327 • Num_Pages = 224.75734 / ( 138.6413502 - 118.9616327 ) = 19.42076045 • Table_Size (bytes) = 8192 x 19.42076045 = 159094.8696
15. Record Dimensi Pembeli • Num_Rows = 3877 x ( n + ( 1 + 0.1 ) n ) = 25628.94727 • Num_Cols = 3 Fixed_Data_Size = 59 Num_Variable_Cols = 3 M ax_Var_Size = 30 • Null_Bitmap = 2 + (( 3 + 7 ) / 8 ) = 3.25 • Variable_Data_Size = 2 + ( 3 x 2 + 30 = 38 • Row_Size = 59 + 38 + 3.25 + 4 = 104.25 • Rows_Per_Page = ( 8096 ) / ( 104.25 + 2) = 79.65947242 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 104.25 + 2 ) = 68.57788235 • Num_Pages = 25628.94727 / ( 79.65947242 - 68.57788235 ) = 2320.749985 • Table_Size (bytes) = 8192 x 2320.749985 = 19011583.88
16. Record Dimensi Owner • Num_Rows = 3932 x ( n + ( 1 + 0.1 ) n ) = 25992.52532 • Num_Cols = 3 Fixed_Data_Size = 59 Num_Variable_Cols = 3 M ax_Var_Size = 30 • Null_Bitmap = 2 + (( 3 + 7 ) / 8 ) = 3.25 • Variable_Data_Size = 2 + ( 3 x 2 + 30 = 38 • Row_Size = 59 + 38 + 3.25 + 4 = 104.25 • Rows_Per_Page = ( 8096 ) / ( 104.25 + 2) = 79.65947242 • Free_Rows_Per_Page = 8096 x ((100 - 10 ) / 100 / ( 104.25 + 2 ) = 68.57788235 • Num_Pages = 25992.52532 / ( 79.65947242 - 68.57788235 ) = 2353.55918 • Table_Size (bytes) = 8192 x 2353.55918 = 19280356.81
Setelah menghitung jumlah kapasitas per-tabel nya, maka jumlah total byte yang di estimasikan adalah sebagai berikut.
Nama Tabel Table Size (byte)
Tabel Dimensi Office 80187.59713
Tabel Dimensi M A 124142.3885 Tabel Dimensi Owner 19280356.81
Tabel Dimensi Waktu 1599227.415
Tabel Dimensi Kota 159094.8696 Tabel Dimensi Listing 10746970
Tabel Dimensi Pembeli 19011583.88 Tabel Dimensi TargetSelling 5704799.616 Tabel Dimensi M sAwardOffice 109595.8366
Tabel Dimensi M sAwardMA 109595.8366
Tabel Fakta SRM A 320240.8525 Tabel Fakta SROffice 320240.8525
Tabel Fakta Persediaan 8153073.436 Tabel Fakta Penjualan 4020292.437 Tabel Fakta AwardOffice 3244940.764 Tabel Fakta AwardM A 6192703.181 79177045.77
Dari tabel diatas disimpulkan jumlah tabel keseluruhan (hanya untuk data) sejumlah 7917745,77 byte, yang artinya sama dengan 7,509115 M B. Data tersebut di estimasikan untuk 5 tahun kedepan dengan data yang bersumber dari 7 kantor Office dan 28 Marketing Associate. Jika diperkirakan untuk seluruh data saat ini dimana office di indonesia sudah mencapai ± 130 Office, maka jumlah perkiraan kapasitas media penyimpanan akan seperti berikut :
7,5 M B / 7 * 130 = 140,2302 MB
Sejumlah 140,23 M B besar Size dari Data Warehouse yang dioleh nantinya dengan jumlah record 737654 per tabel faktanya.
b. Kebutuhan Prosessor
Selain size dari data per table, hal lain yang juga sangat penting ialah kebutuhan proses yang dijalankan. Dalam capacity planing for DWH Environment dari Inmon semakin banyak lebar data yang di proses, semakin banyak tabel yang di proses, dan semakin banyak proses yang dijalankan, maka kebutuhan akan processor juga akan sangat berpengaruh.
Dalam memahami perkiraan kebutuhan prosessor untuk data warehouse, Ada tiga kategori proses yang dijalankan pada ERA_DW, yaitu :
1) Background processing
Data yang di proses di kategori ini termasuk proses extract, loads, sort, indexing. Proses ini biasanya dijalankan saat pertama kali, dan selanjutnya jarang dijalankan.
2) Predictable DSS processing
Proses yang dijalankan di bagian ini adalah proses yang biasanya dijalankan secara teratur, diantaranya Query, Transaksi, dan proses penggunaan data warehouse oleh user.
3) Unpredictable DSS processing
Proses yang dijalankan di bagian ini biasanya disaat terjadi disaat penuhnya workload, dimana penggunaan data secara bersamaan dalam kategori banyak. dan response time yang tidak stabil. Hal yang dihasilkan akan terlihat proses data yang jauh lebih lambat dari biasanya, untuk hal ini perlu merinci proses yang dijalankan agar dapat mengantisipasinya.
c. Workload Matrix
Proses I/O yang dijalankan berupa Call dan total calls, dimana I/O tersebut merepresentasikan jumlah proses yang dijalankan. Tabel workload menyajikan estimasi jumlah proses yang dihasilkan.
Beberapa hal yang mempengaruhi I/O adalah : 1. Jumlah row.
2. Jumlah traffic buffers. 3. Indexing.
Tab el 4.23 Tab el W o rk load M a tr ix Tar g et S ellin g 8/ 14 8/ 14 16/ 28 Ma st er Awa rd MA 6/11 6/11 Ma st er Awa rd O ffi ce 6/ 11 6/ 11 Pe m b el i 3/ 9 3/ 9 Own er 2/ 11 2/ 11 MA 6/12 5/14 7/12 5/10 23/ 48 O ffi ce 3/ 9 2/ 11 6/ 11 11/ 31 Ko ta 4/ 10 3/ 12 5/ 10 5/ 10 3/ 8 3/ 8 23/ 58 Lis tin g 10/ 17 9/ 19 19/ 36 Wak tu 6/ 12 5/ 9 7/ 12 7/ 12 5/ 10 5/ 10 30/ 65 P ros es P ros es P enj ua la n P ro ses P er sed iaan P ro ses K o mis iM A P ro ses K o mis iO ff ic e Pro se sAwa rd M A P ros es A w ardO ffi ce To tal I /O
4.3 Perancangan S kema Bintang
Rancangan skema bintang pada aplikasi data warehouse ini terdiri atas tabel fakta dan dimensi-dimensi yang terhubung.
4.3.1 Skema Bintang Penjualan
4.3.2 Skema Bintang Persediaan (Listing)
Gambar 4.5 S kema Bintang Fakta Persediaan 4.3.3 Skema Bintang Komisi MA
4.3.4 Skema Bintang Komisi Office
Gambar 4.7 S kema Bintang Fakta RecSOf
4.3.5 Skema Bintang Award MA
4.3.6 Skema Bintang Award Office
4.4 Metadata
M etadata pada data warehouse ERA meliputi beberapa hal informasi yang disajikan berupa Nama table dan detil rincian informasinya. Tabel tersebut diantaranya :
Tabel 4.24 Tabel Fakta Penjualan
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoPPJB char 9 - - NoPPJB char PPJB copy
KdOffice char 4
Many-to-one KdOffice (Offi ce) KdOffice char PPJB copy
IDMA char 6
Many-to-one IDMA(MA) IDMA char PPJB copy
NoPembeli char 9
Many-to-one NoPembeli(Pembeli) NoPembeli char PPJB copy
KdWaktu
char 6
Many-to-one KdWaktu (Waktu) TglPPJB
date
time PPJB
copy SELECT a.KdWaktu
from dWaktu a, PPJB b WHERE a.Tahun=b.year(b.Tgl PPJB) AND a.Bulan=b.month(b.Tgl PPJB) AND a.Hari = day(b.Tgl PPJB)
NoListing char 9
Many-to-one NoListing (PPJB) NoListing char PPJB copy
KdKota char 3 Many-to-one KdKota(Kota) KdKota char Listing
copy SELECT KdKota from
Listing a, PPJB b WHERE a.NoPPJB = b.NoPPJB
HargaJu al bigint 4 - - TotalHarg
Tabel 4.25 Tabel Fakta Persediaan
Nama Field Type Panjang
Field
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoPJP char 9 - - NoPJP char PJP copy
KdOffice char 4
Many-to-one KdOffice (dOffi ce) KdOffice char PJP copy
IDMA char 6
Many-to-one IDMA(dMA) IDMA char PJP copy
NoOwner char 9
Many-to-one NoOwner (dOwner) NoOwner char PJP copy
KdWaktu char 6
Many-to-one KdWaktu (dWaktu) TglPJP
date
time PJP
copy SELECT KdWaktu from
dWaktu a, PJP b WHERE a.Tahun=b.year(b.TglPJP) AND
a.Bulan=b.month(b.TglPJP) AND a.Hari = day(b.TglPJP)
NoListing char 9
One-to-one KdWaktu (dWaktu) NoListing char PJP copy
KdKota char 3
Many-to-one KdKota(Kota) KdKota char Listing
copy SELECT KdKota from
Listing a, PPJB b WHERE a.NoPJP = b.NoPJP
AvailableNow tinyint 2 - - - - -
create Available = 0 if NoAvl. PJP = NULL AND NoExp.PJP =
Null, else 1
Available tinyint 2 - - - - -
create Available = 0 if NoAvl. PJP = NULL AND NoExp.PJP
!= Null, else 1
Expired tinyint 2 - - - - - create Expired = 0 if NoExp.PJP
= NULL, else 1
Tabel 4.26 Tabel Fakta RecordS RMA
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
NoSRMA char 6 - - NoSRMA char SRMA copy
IDMA char 6
Many-to-one IDMA (MA) IDMA char SRMA copy
KdTarget char 3
Many-to-one KdTarget (TargetSelling) KdTarget char SRMA copy
KdWaktu char 6
Many-to-one KdWaktu (dWaktu)
Tahun, Bulan, TglPenerimaan datetim e SRMA copy SELECT KdWaktu from dWaktu a, SRMA b WHERE a.Tahun=b.Tahun AND a.Bulan=b.Bulan AND a.Hari = day(b.TglAkhirRecord )
KdKota char 4
Many-to-one KdWaktu (Kota) KdKota char MA
copy SELECT
a.KdKota FROM MA a, SRMA b WHERE
a.IDMA= b.IDMA
StatusTarget varch ar 20 - - StatusTarget varch ar SRMA copy
Komisi bigint 8 - - create SELECT SUM(DetilSOffi ce.Ju mlahKomisi) WHERE DetilSOffi ce.NoSROff ice = SROffice.NoSROffi ce Jumlah tinyint 2 - - - - - create SELECT COUNT(DetilSOffice. .JumlahKomisi) WHERE DetilSOffi ce.NoSROff ice = SROffice.NoSROffi ce
Tabel 4.27 Tabel Fakta RecordS ROffice
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
NoSROffi ce char 6 - - NoSROffi ce char SROffice copy
KdOffice char 6 Many-to-one Office KdOffice char SROffice copy
KdTarget char 3
Many-to-one TargetSelling KdTarget char SROffice copy
KdWaktu char 6 Many-to-one dWaktu
Tahun, Bulan, TglPenerima
an
datetime SROffice
copy SELECT KdWaktu from
dWaktu a, SROffice b WHERE a.Tahun=b.Tahun AND a.Bulan=b.Bulan AND a.Hari =
day(b.TglAkhirRecord)
KdKota char 4 Many-to-one Kota KdKota char Office
copy SELECT a.KdKota FROM
Office a, SROffice b WHERE a.KdOffice= b.KdOffi ce
StatusTarget varch ar 20 - - StatusTarget varch ar SROffice copy
Komisi bigint 8 - - - - - create SELECT COUNT(DetilSOffice.JumlahKo misi) WHERE DetilSOffi ce.NoSROffice = SROffice.NoSROffi ce Jumlah tinyint 2 - - - - - create SELECT SUM(DetilSOffi ce.JumlahKomisi ) WHERE DetilSOffi ce.NoSROffice = SROffice.NoSROffi ce
Tabel 4.28 Tabel Fakta AwardMA
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoAMA char 6 - - NoAO char AwardMA copy
IDMA char 6 Many-to-one IDMA (MA) IDMA char AwardMA copy
KdAwardM A char 4
Many-to-one KdAwardM A (AwardMA) KdAward char AwardMA copy
KdWaktu char 6
Many-to-one KdWaktu (dWaktu)
Tahun, Bulan, TglPenerim
aan
datetime AwardMA
copy SELECT KdWaktu
from dWaktu a, AwardMA b WHERE a.Tahun=b.Tahun AND a.Bulan=b.Bulan AND
a.Hari = day(b.TglPenerimaan)
TotalRev bigint 2 - - NilaiTarget int MasterAward
MA
copy WHERE
a.KdAwardMA=b.KdAward MA
Tabel 4.29 Tabel Fakta AwardOffice
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoAO char 6 - - NoAO char AwardOffi
ce copy
KdOffice char 4 Many-to-one KdOffice (Offi ce) KdOffice char AwardOffice copy
KdAward Of char 4
Many-to-one
KdAward Offi ce
(AwardOffi ce) KdAward char
AwardOffi
ce copy
KdWaktu char 6
Many-to-one KdWaktu (dWaktu) Tahun,
Bulan, Hari
datetime AwardOffi
ce
copy SELECT KdWaktu
from dWaktu a, AwardOffice b WHERE a.Bahun=b.Tahun AND a.Bulan=b.Bulan AND a.Hari = day(b.TglPenerimaan)
TotalRev bigint 4 - - NilaiTarget int MasterAwa
rdOffice
copy WHERE
a.KdAward Office=b.KdAwa rdOffice
Tabel 4.30 Tabel Dimensi Waktu
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoWaktu char 6
One-to-many
KdWaktu (Fakta AwardOffi ce) KdWaktu (Fakta RecordSOffice)
KdWaktu (Fakta RecordSMA) KdWaktu (Fakta RecordSMA)
- - - create
Tahun int 4 - - - - - create getYear
Smester int 4 - - - - - getHalfYear create
Bulan int 4 - - - - - create getMonth
Tabel 4.31 Tabel Dimensi Listing
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
NoListing char 10
One-to-many
NoListing(Fakta Penjualan)
NoListing (Fakta Persediaan) NoListing char Listing copy
TypeProperty varchar 30 - - Type varchar Listing
copy SELECT Type FROM
PropertyType WHERE Listing.KdType = PropertyType . KdType
StatusTanah varchar 30 - - StatusTanah varchar Listing copy
KamarTidur int 4 - - KamarTidur int Listing copy
KamarM andi int 4 - KamarM andi int Listing copy
Lantai int 4 - - Lantai int Listing copy
LuasT int 4 - - LuasT int Listing copy
Tabel 4.32 Tabel Dimensi Kota
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
KdKota char 3
One-to-many KdKota (Fakta AwardOffice) KdKota (Fakta RecordSOffi ce) KdKota (Fakta RecordSMA) KdKota (Fakta RecordSMA)
KdKota char Kota copy
Provinsi varchar 30 - - Provinsi varchar Provinsi
copy WHERE
Kota.KdProvinsi= Provinsi . KdProvinsi
Tabel 4.33 Tabel Dimensi Office
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
KdOffice char 6
One-to-many
KdOffice (Fakta AwardOffice) KdOffice (Fakta
RecordSOffi ce)
KdOffice char Office copy
NamaOffice varchar 30 - - NamaOffi
ce varchar Office copy
NamaM B varchar 30 - - NamaM B varchar MB
copy WHERE
MB.KdOffice =Offi ce .KdOffice
Kota varchar 20 - - Kota varchar Kota
copy SELECT
a.Kota FROM Kota a, Office b WHERE a.KdKota
Tabel 4.34 Tabel Dimensi MA
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
IDM A char 10
One-to-many
IDMA (Fakta AwardMA) IDMA (Fakta RecordSMA)
IDM A char MA copy
Office char 6 - - KdOffice char MA
Copy, SELECT
NamaOffice FROM Office WHERE MA.KdOffi ce =Offi ce
.KdOffi ce
Level varchar 20 - - Level varchar MA copy
NamaM A varchar 30 - - NamaM A varchar MA copy
Sex char 1 - - Sex char MA copy
Umur int 4 - - - - - create, SELECT year(date.Now)-year(DOB.MB) from MB where MB.IDMB=dMB.IDM B
Tabel 4.35 Tabel Dimensi Owner
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table
Nama
Field Type Table
NoOwner char 6
One-to-many
NoPembeli(Fakta
Pembelian) NoOwner char Owner copy
Nama varchar 30 - - Nama varchar Owner copy
Sex char 1 - - Sex char 1 copy
NoTelp varchar 20 - - NoTelp varchar 20 copy
Tabel 4.36 Tabel Dimensi Pembeli
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
NoPembeli char 6
One-to-many
NoPembeli(Fakta
Penjualan) NoPembeli char Pembeli
copy
Nama varchar 30 - - Nama varchar Pembeli
copy
Sex char 1 - - Sex char 1 copy
Tabel 4.37 Tabel Dimensi MasterAwardOffice
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Table Nama Field Type Table
KdAwardOf char 6
One-to-many
KdAward Offi ce(Fakt a AwardOffice) KdAwardO ffice char MasterAward Office copy
NamaAward varchar 30 - - Nama varchar MasterAward
Office
copy
Kategori varchar 20 - - Kategori varchar MasterAward
Office
copy
Periode varchar 20 - - Periode varchar MasterAward
Office
copy
NilaiTarget bigint 8 - - NilaiTarget bigint MasterAwardOffice
Tabel 4.38 Tabel Dimensi MasterAwardMA
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Field(table) Nama Field Type Table
KdAwardM A char 6
One-to-many
KdAwardM A(Fakta
AwardMA) KdAwardM A char
MasterAwa rdMA
copy
Nama varchar 30 - - Nama varchar MasterAwardMA
copy
Kategori varchar 20 - - Kategori varchar MasterAwa
rdMA
copy
Periode varchar 20 - - Periode varchar MasterAwa
rdMA
copy
NilaiTarget bigint 8 - - NilaiTarget bigint MasterAwa
rdMA
Tabel 4.39 Tabel Dimensi Target Selling
Nama Field Type Panjang
Relationship Sumber Data
Transformasi Jenis
Relasi Field(table) Nama Field Type Table
KdTarget char 4
One-to-Many KdTarget(dSRMA) KdTarget(dSROffice) KdTarget char TargetSelling copy JenisTarget varchar 30 - - JenisTarget varchar TargetSelling copy LevelTarget int 4 - - LevelTarget int TargetSelling copy Periode varchar 10 - - Periode varchar TargetSelling copy Peserta varchar 20 - - PesertaU varchar TargetSelling copy JumlahTarget bigint 8 - - JumlahTarget bigint TargetSelling copy
4.5 Layar Tampilan Informasi dari Analisis Informasi yang Dibutuhkan
Layar tampilan informasi disesuaikan dengan hasil analisis informasi yang dibutuhkan. Dalam tampilan layar ini setelah pihak eksekutif melakukan login, pihak eksekutif dapat memilih informasi dari datamart mana yang mereka butuhkan.
Adapun tampilan layar informasi dari hasil analisis kebutuhan informasi, yaitu sebagai berikut :
a. M engetahui lokasi mana yang paling dicari oleh konsumen
Gambar 4.11 Layar Informasi Mengetahui lokasi mana yang paling dicari oleh konsumen
Pihak eksekutif dapat melakukan drill down berdasarkan provinsi dan lebih detil lagi ke kota. Data yang dilihat dapat diukur berdasarkan waktu baik itu tahun ataupun bulan.
Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
b. M engetahui tipe properti paling banyak dicari oleh konsumen
Gambar 4.12 Layar Informasi Mengetahui tipe properti paling banyak dicari oleh konsumen
Pihak eksekutif dapat melakukan drill down berdasarkan Type Properti yang paling banyak, dimana nilai di sort berdasarkan tahun 2009. Pada layar tersebut terlihat disibelah kanan nilai terbanyak yaitu Apartemen dan Ruko. Selanjutnya dapat men-drilldown berdasarkan bulan ataupun office mana yang menjual type property tersebut.
Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
c. M engetahui perbandingan tingkat produktivitas office
Gambar 4.13 Layar Informasi Mengetahui perbandingan tingkat produktivitas
office
Pihak eksekutif dapat melakukan drill down berdasarkan Office yang paling banyak melakukan penjualan, dimana nilai di sort berdasarkan tahun 2009. Pada layar tersebut terlihat disibelah kanan nilai terbanyak yaitu Era Prospek pada tahun 2009 dan Era Galaxy pada tahun 2008. Selanjutnya dapat men-drilldown berdasarkan bulan ataupun Marketing associate yang menjual type property tersebut.
Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 64 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
d. M engetahui perbandingan jumlah listing
Gambar 4.14 Layar Informasi Mengetahui perbandingan jumlah listing
Pihak eksekutif dapat melakukan drill down berdasarkan Office yang paling banyak melakukan penjualan, dimana nilai di sort berdasarkan tahun 2009. Pada layar tersebut terlihat Available dan Expired pada Era Graha pada tahun 2009 dan
pada tahun 2008. Selanjutnya dapat men-drilldown berdasarkan bulan ataupun Marketing associate yang melisting dan menjual property tersebut.
Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
e. M engetahui perbandingan kuantitas expired dan available listing
Gambar 4.15 Layar Informasi Mengetahui perbandingan kuantitas expired dan
Pihak eksekutif dapat melakukan drill down berdasarkan Available dan Expired pada Era Graha pada tahun 2009 dan pada tahun 2008. Selanjutnya dapat men-drilldown dan membandingkan Available dan Expired pada Office tertentu. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
f. M engetahui perbandingan komisi yang dicapai office
Gambar 4.16 Layar Informasi Mengetahui perbandingan komisi yang dicapai
office
Pihak eksekutif dapat melakukan drill down berdasarkan Available dan Expired pada Era Graha pada tahun 2009 dan pada tahun 2008. Selanjutnya dapat men-drilldown dan membandingkan Available dan Expired pada Office tertentu. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
g. M engetahui pencapaian target Member Broker dan Marketing Associate
Gambar 4.17 Layar Informasi Mengetahui pencapaian target Member Broker dan Marketing Associate
Pihak eksekutif dapat melakukan drill down berdasarkan Target yang telah dicapai oleh M arketing associate atau Office pada Era Graha pada tahun 2009 dan ada tahun 2008. Selanjutnya dapat men-drilldown dan membandingkan Office
yang menjual dan bisa pula men-sort berdasarkan Level Target. Pada layar sebelah kanan dapat dilihat Digital Dashboard bulan Oktober 2009 pada angka 18 dimana angka tersebut didapat dari :
Selisih M in dan LastM onth x 70 Selisih M in dan M ax
Dan Dashboard kedua berupa indikator dengan Emoticon dimana berada dinilai 1 dari 0 s/d 4.
4.6 Rancangan Implementasi
Pengembangan sistem data warehouse ini menggunakan dukungan perangkat keras (hardware) dan dukungan piranti lunak (software).
4.6.1 Dukungan Perangkat Keras (Hardware)
Perangkat keras yang digunakan untuk menjalankan aplikasi data warehouse pada PT ERA GRAHAREALTY yaitu :
• Server
o Processor : INTEL Xeon E5440 (*4 core) o M otherboard : INTEL 3200 SHV (single proc) o Kapasitas harddisk : 500 GB
o M emory : 8 GB RAM (dual channel) o M onitor : LCD 17”
• Client
o Processor : Intel Core 2 Duo 2,1 Ghz (*2 core) o M otherboard : M SI P7N
o Kapasitas harddisk : 120 GB
o M emory : 2 GB RAM (dual channel) o VGA Card : ATi Radeon 1550
4.6.2 Dukungan Piranti Lunak (Software)
Perangkat lunak yang dibutuhkan untuk menjalankan aplikasi data warehouse pada PT ERA GRAHAREALTY adalah :
• Server
o Sistem Operasi : M icrosoft Windows 2003 Server o Database : M s SQL 2008 Enterprise Edition
Service Pack 1 • Client
o Sistem Operasi : Windows 7 Pro o Office Tools : - M s Office Word
- Ms Office Excel - Adobe Reader o Front End Tool : Era Analyzer
Selain komponen diatas dibutuhkan juga software pendukung yang lain, yaitu DevExpress sebagai tools grafik dan pivot table yang dihasilkan, lalu update terbaru untuk Sistem Operasinya seperti M icrosoft Visual Redistribute, NetFramework 2.0 dan NetFramework 3.5 .
4.7 Jadwal Implementasi
Implementasi data warehouse diawali dengan intalasi software dan aplikasi yang dibutuhkan untuk pengimplementasian system baru pada hardware yang sudah terinstalasi. Setelah itu dilakukan konversi data operasional perusahaan dengan proses data transformasion service (ETL). Setelah proses tersebut selesai, maka akan dilakukan uji coba system awal. Selanjutnya berfokus kepada pelatihan user, hal ini dimaksudkan agar user dapat memahami system yang akan diterapkan.