BAB 2

LANDASAN TEORI

2.1 Teori – Teori Umum

2.1.1 Pengertian Database

Menurut Thomas Connolly dan Carolyn Begg (2010, p65), database adalah

koleksi dari berbagai data secara logis yang terkait, dan deskripsi dari data ini dirancang

untuk memenuhi kebutuhan informasi suatu organisasi.

Menurut Coronel, Morris, dan Rob (2012, p7), database adalah struktur

komputer yang terintegrasi yang menyimpan koleksi dari end-user data (fakta baku

untuk kepentingan pengguna) dan metadata (data yang menjelaskan data) .

2.1.2 Pengertian Data Warehouse

Menurut Ajit Singh (2011, p1, volume1), data warehouse adalah sistem

kompleks yang terdiri dari banyak komponen yang menyimpan highly-aggregated data

for decision support.

Menurut Thomas Connolly dan Carolyn Begg (2010, p1197), data warehouse

adalah sebuah koleksi data yang terdiri dari subject-oriented, integrated, time variant,

dan non volatile yang mendukung manajemen dalam proses pengambilan keputusan.

8

9

Menurut Thomas Connolly, Carolyn Begg, dan Richard Holowczak (2008,

p444), data warehouse adalah sebuah sistem basis data yang dirancang untuk

mendukung keputusan dengan menyajikan sudut pandang yang terintegrasi terhadap

data perusahaan yang disalin dalam sumber data yang berbeda.

Menurut Steve Williams dan Nancy Williams (2007, p201) data warehouse

adalah sebuah struktur data yang dioptimalkan untuk distribusikan. Ia mengoleksi dan

menyimpan data historis yang diintegrasikan dari berbagai sistem operasional dan

mengumpan satu atau lebih datamart. (Standar definisi dari institusi data warehouse).

Menurut Coronel, Morris, dan Rob (2012, p10), data warehouse adalah

database khusus untuk menyimpan data dalam bentuk optimal untuk mendukung

keputusan.

2.1.3 Karakteristik Data Warehouse

Karakteristik pada data warehouse menurut Thomas Connolly dan Carolyn

Begg (2010, p1197) adalah sebagai berikut:

a. Subject-oriented

Data warehouse harus berorientasi pada subjek yaiu data warehouse dibuat

berdasarkan subjek-subjek utama di didalam bisnis (seperti kontrak

konstruksi, nilai kontrak, dan jenis bangunan).

b. Integrated

Data warehouse harus terintegrasi karena sumber-sumber data warehouse

berasal dari berbagai lingkungan bisnis dengan sistem aplikasi yang berbeda.

10

Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan

tampilan data kepada user.

c. Time variant

Data warehouse hanya akurat dan valid pada beberapa poin dalam waktu

atau dalam waktu atau dalam interval waktu tertentu.

d. Non-volatile

Data tidak di update dalam waktu nyata tetapi di refresh dari sistem

orepasional secara rutin. Data baru selalu ditambahkan sebagai suplemen

untuk database, bukan pengganti.

2.1.4 Manfaat Data Warehouse

Menurut Mutaz M. Al-Debei (2011, p155-156, Issue33), berbagai macam

manfaat berwujud dan tidak berwujud dapat diperoleh dari aplikasi data warehouse.

Teknologi data warehouse dapat membantu manajer membuat keputusan yang lebih

efektif dengan menyediakan informasi yang digunakan dalam operasi bisnis sehari –

hari mereka.

Gambar 2.1 Manfaat data warehouse

(European Journal of Economics, Finance and Administrative Sciences, 2011, p156)

11

Menurut Thomas Connolly dan Carolyn Begg (2010, p1198), kesuksesan dalam

mengimplementasi data warehouse bisa memberikan manfaat besar bagi organisasi,

meliputi:

1. Adanya kemungkinan balik modal yang tinggi pada investasi.

Suatu organisasi harus memberikan sumber daya yang besar untuk menjamin

kesuksesan dalam membuat data warehouse dan biayanya bervariasi tergantung

dari solusi teknis yang ada. Namun, kemungkinan adanya kondisi balik modal

terhadap biaya yang dikeluarkan untuk investasi data warehouse relatif lebih

besar. Sehingga tidak perlu ada kekhawatiran akan anggapan adanya

pemborosan untuk investasi data warehouse ini.

2. Keuntungan yang kompetitif

Adanya kemungkinan balik modal yang besar terhadap investasi merupakan

bukti adanya keuntungan kompetitif dengan adanya teknologi ini. Keuntungan

kompetitif ini dicapai dengan memungkinkan para pengambil keputusan untuk

mengakses data sebelumnya tidak tersedia, tidak diketahui, atau informasi yang

tidak tercatat.

3. Meningkatkan produktivitas para pengambil keputusan di perusahaan.

Data warehouse dapat memungkinkan hal ini dengan mengtransformasikan data

menjadi informasi yang berarti. Teknologi ini menyediakan para manajer bisnis

untuk dapat melakukan analisis yang lebih konsisten sehingga pada akhirnya

terjadi peningkatan produktivitas.

12

2.1.5 Online Transaction Processing (OLTP)

Menurut Steve Williams dan Nancy Williams (2007, p201), OLTP adalah

program pengolahan real-time untuk tujuan operasional (bukan analitis) seperti

pencatatan deposit nasabah bank di mesin teller otomatis atau pelacakan pesanan

pelanggan baru.

Menurut Coronel, Morris, dan Rob (2012, p9), OLTP adalah database yang

dirancang untuk mendukung operasi perusahan sehari-hari.

Menurut Thomas Connolly, Carolyn Begg, dan Richard Holowczak (2008,

p548), OLTP adalah sistem database untuk proses bisnis seperti pengendalian persedian,

faktur pelanggan, dan point-of-sale. Sistem ini menghasilkan data operasional yang

rinci, saat ini, dan dapat berubah.

Menurut Thomas Connolly dan Carolyn Begg (2010, p1199) perbandingan

karakteristik utama sistem OLTP dan data warehouse dijelaskan pada tabel berikut ini:

Tabel 2.1 Perbedaan OLTP system dan data warehouse

(Thomas Connolly dan Carolyn Begg, 2010, p1199)

13

2.1.6 Arsitektur Data Warehouse

Gambar 2.2 Arsitektur Data Warehouse

(Thomas Connolly dan Carolyn Begg, 2010, p1204)

Menurut Thomas Connolly, dan Carolyn Begg (2010, p1203-1207), Komponen-

komponen utama data warehouse terdiri atas:

1. Operational Data Source

Sumber data untuk data warehouse diberikan dalam bentuk:

- Mainframe operasional data dalam database hirarki generasi pertama dan

jaringan database.

- Departmental data dalam sistem file prorietary seperti VSAM, RMS, dan

relational DBMS seprti informix dan oracle.

- Private data diselenggarakan pada workstation dan private servers.

- External system seperti database, internet tersedia secara komersial atau

database yang terkait dengan suppliers organisasi atau customers.

2. Operational Data Store

Arus repositori dan integrasi data operasional yang digunakan untuk analisis.

14

3. Load Manager

Load manager bertugas melaksanakan semua operasi yang berhubungan dengan

extraction dan loading data ke dalam warehouse, termasuk transformasi data

sederhana sebagai persiapan data untuk dimasukkan ke dalam warehouse.

Menurut Karina Novita Suryani dan Hira Laksmiwati Zoro (2012, p165, vol.1)

bahwa secara umum proses ETL bisa dibagi menjadi empat modul utama yaitu:

- Ekstrasi Data, data dari sumber diekstraksi dan biasanya langsung ditulis ke

dalam sebuah disk sementara dengan beberapa rekonstruksi minimal (karena

nantinya akan ada tahapan konversi/transformasi)

- Pembersihan Data, untuk menyaring data yang tidak diperlukan seperti data

yang tidak lengkap, data yang hilang, data yang terduplikasi, dan lain-

lainnya.

- Transformasi Data, data yang telah dibersihkan kemudian diubah agar sesuai

dengan format basis data sumber.

- Pemasukan Data, data akan dimasukkan ke dalam relasi target di dalam data

warehouse agar data siap di-query.

4. Warehouse Manager

Warehouse manager berupa:

- Melakukan analisis data untuk menjaga konsistensi data.

- Melakukan transformasi dan penggabungan sumber data dari penyimpanan

sementara ke dalam tabel-tabel data warehouse.

- Menciptakan index dan view pada base tables.

- Melakukan agregasi. (jika diperlukan)

- Melakukan back-up dan archieve / back-up data.

15

5. Query Manager

Query manager melakukan semua operasi yang berhubungan dengan

management user queries. Kompleksitas queries manager ditentukan oleh

fasilitas yang disediakan oleh end-user access tools dan basis data. Operasi yang

dilakukan komponen ini berupa pengarahan query pada tabel yang tepat dan

penjadwalan eksekusi query.

6. Detailed Data

Komponen ini menyimpan semua data detail dalam skema database. Pada

umumnya beberapa data tidak disimpan secara fisik tetapi dapat dilakukan

dengan cara agregasi. Secara periodik data detail ditambahkan ke data

warehouse untuk mendukung agregasi data.

7. Lightly and Highly Summarized Data

Komponen ini menyimpan semua data yang diringkas oleh warehouse manager.

Data perlu diringkas dengan tujuan untuk mempercepat kinerja query.

Rangkuman data turut diperlukan seiring dengan adanya data yang baru masuk

ke dalam data warehouse.

8. Archieve / Back-up Data

Komponen ini menyimpan data detail dan ringkasan data dengan tujuan untuk

menyimpan dan back-up data. Walaupun ringkasan yang diperoleh dari data

mendetail, ringkasan perlu di back-up juga apabila data tersebut disimpan

melampaui periode penyimpanan data detail.

16

9. Metadata

Komponen ini menyimpan semua definisi metadata (informasi mengenai data)

yang digunakan dalam proses dalam data warehouse. Metadata digunakan untuk

berbagai tujuan, antara lain:

- Proses extracting dan loading, metadata digunakan untuk menentukan

sumber data dalam data warehouse.

- Proses warehouse management, metadata digunakan untuk menghasilkan

tabel ringkasan.

- Sebagai bagian dari proses query management, metadata digunakan untuk

mengarahkan sebuah query pada sumber data yang tepat.

10. End-user Access Tools

Tujuan utama dari data warehouse adalah menyediakan informasi bagi pengguna

untuk pembuatan keputusan yang strategis dalam berbisnis. Para pengguna

berintetaksi dengan data warehose menggunakan end user access tools.

Berdasarkan kegunaan data warehouse, terdapat lima kategori end-user access

tools, yaitu:

- Reporting and Query Tools

Reporting tools meliputi production reporting tools dan report writers.

Production reporting tools digunakan untuk menghasilkan laporan

operasional secara berkala. Query Tools untuk relasional data warehouse

dirancang untuk menerima SQL, dan proses query data yang tersimpan di

warehouse.

17

- Application Development Tools

Application Development Tools menggunakan graphical data access tools

yang dirancang khusus untuk lingkungan client-server. Beberapa aplikasi

tersebut diintegrasikan dengan OLAP tools, dan dapat mengakses semua

database system utama.

- Executive Information System (EIS) Tools

EIS sering dikenal sebagai “everyone’s information system” (sistem

informasi setiap orang). Awalnya dikembangkan untuk mendukung

pembuatan kebutuhan top-level yang strategis. Akan tetapi, kemudian

meluas untuk mendukung semua tingkat manajemen.

EIS tools pada awalnya berhubungan dengan mainframes yang

memungkinkan para pengguna untuk membangun aplikasi pendukung

keputusan yang bersifat grafik untuk menyediakan sebuah overview

mengenai data perusahaan dan akses pada sumber data eksternal. Kini, EIS

banyak dilengkapi dengan fasilitas query dan menyediakan custom-build

applications untuk area bisnis seperti penjualan, pemasaran dan keuangan.

- Online Analytical Processing (OLAP) Tools

OLAP tools didasarkan pada konsep database yang bersifat

multidimensional dan memperbolehkan pengguna untuk menganalisis data

dari sudut pandang yang kompleks dan multidimensi. Alat Bantu ini

mengasumsikan bahwa data diatur dengan model multidimensi yang khusus

(MDDB) atau oleh sebuah relationaldatabase yang dirancang untuk

memungkinkan query multidimensi.

18

- Data Mining Tools

Data mining adalah proses menemukan korelasi, pola dan tren yang baru,

yaitu dengan melakukan penggalian sejumlah data menggunakan teknik

statistik, matematis, dan artificial intelligent (AI). Data mining memiliki

potensi untuk menggatikan kemampuan OLAPtools.

2.1.7 Konsep Pemodelan Data Warehouse

2.1.7.1 Entity Relationship Modelling (ER Modelling)

Menurut Thomas Connolly dan Carolyn Begg (2010, p342), ERModelling

adalah sebuah pendekatan top–down untuk perancangan basis data yang mulai dengan

mengindentifikasi data yang penting disebut entites dan relationship antar data harus

direpresentasikan dalam model.

Menurut Ms. Alpa R. Patel dan Jayesh M. Patel(2012, p240, vol2(2)), model ER

diwakili oleh diagram ER, yang menggunakan tiga simbol grafis dasar untuk konsep

data: entitas, relasi, dan atribut.

- Entitas

Entitas didefinisikan sebagai orang, tempat, benda, atau peristiwa yang

menarik bagi bisnis atau organisasi. Entitas merupakan kelas obyek, dimana

merupakan hal-hal di dunia nyata yang dapat diamati dan digolongkan oleh

sifat dan karakteristik.

- Relasi

Sebuah relasi dihubungkan dengan garis yang ditarik antara entitas. Ini

menggambarkan interaksi struktural dan asosiasi di antara entitas dan model.

Sebuah hubungan gramatikal ditunjuk oleh kata kerja, seperti memiliki,

19

milik, dan memiliki. Hubungan antara dua entitas dapat didefinisikan dalam

hal kardinalitas. Ini adalah jumlah maksimum contoh satu kesatuan yang

berhubungan dengan satu kejadian di tabel lain dan sebaliknya. Kardinalitas

yang mungkin adalah: satu-ke-satu(1:1), satu-ke-banyak (1:M), dan banyak-

ke-banyak (M:M).

- Atribut

Atribut menggambarkan karakteristik properti dari entitas. Untuk klarifikasi,

penamaan atribut konvensi adalah hal yang sangat penting. Nama atribut

harus unik dalam suatu entitas dan harus cukup jelas. Ketika sebuah instance

tidak memiliki nilai atribut, kardinalitas minimum atribut adalah nol, yang

berarti baik nullable atau opsional. Dalam pemodalan ER, jika kardinalitas

maksimum atribut lebih dari 1, pemodel akan mencoba untuk

menormalisasikan entitas dan akhirnya meningkatkan entitas lainnya. Oleh

karena itu, biasanya kardinaliatas maksimum atribut adalah 1.

2.1.7.2 Dimensionality Modelling

Menurut Thomas Connolly dan Carolyn Begg (2010, p1227) dimensionality

modeling adalah teknik logical design yang bertujuan untuk menyajikan data standar,

bentuk intuitif yang memungkinkan untuk mengakses high performance.

Dimensionality modeling menggunakan konsep dari Entity Relationship (ER)

dengan beberapa batasan yang penting. Setiap Dimensional model terdiri dari satu buat

tabel yang memiliki banyak Primary key (composite Primary key), yang disebut tabel

dimensi (dimensional table). Setiap tabel dimensi memiliki satu buah (non-composite)

20

primary key yang berhubungan dengan salah satu primarykey di tabel fakta.

Karakteristik ini disebut skema bintang (strar schema) atu starjoin.

Menurut Ms. Alpa R. Patel dan Jayesh M. Patel(2012, p242, vol2(2)),

Pemodelan multidimensi adalah teknik untuk konseptualisasi dan memvisualisasi model

data sebagai serangkaian langkah-langkah yang dijelaskan oleh aspek umum dari bisnis.

Hal ini terutama berguna untuk merangkum dan menata ulang data dan menyajikan view

dari data untuk mendukung analisis data. Pemodelan multidimensi berfokus pada data

numerik, seperti nilai-nilai, jumlah, berat, saldo, dan kejadian pemodelan. Multidimensi

memiliki beberapa konsep dasar: fakta, dimensi, dan ukuran (variable).

2.1.8 Komponen Dimensionality Modeling

2.1.8.1 Tabel Fakta (Fact table)

Menurut Thomas Connolly dan Carolyn Begg (2010, p1227), every dimensional

model (DM) is composed of one table with a composite primary key, called the fact

table”, yang berarti suatu tabel pada dimensional model (DM) yang isinya satu table

dengan composite primary key (PK), di sebut dengan fact table. Jadi primary key (PK)

pada tabel fakta merupakan beberapa foreign key.

Disebut juga tabel utama (major table), merupakan inti dari skema bintang dan

berisi data aktual yang akan dianalisis (data kuantitatif dan transaksi). Tabel fakta

adalah tabel yang umumnya mengandung angka dan data historis di mana key (kunci)

yang dihasilkan sangat unik karena key-nya merupakan kumpulan foreign key dan

primary key yang ada pada masing-masing tabel dimensi yang berhubungan atau

merupakan tabel terpusat dari skema bintang. Tabel fakta menyimpan tipe-tipe measure

21

yang berbeda, seperti measure, yang secara langsung terhubung dengan tabel dimensi

dan measure yang tidak berhubungan dengan tabel dimensi.

2.1.8.2 Tabel Dimensi (Dimensional Table)

Menurut Thomas Connolly dan Carolyn Begg(2010, p1227), tabel dimensi

(Dimensional Table) a set of smallertables called dimension tables”, yang berarti

sekumpulan tabel-tabel yang lebih kecil dari fact table pada dimensional model (DM),

disebut dimension tables. Setiap dimension tables mempunyai non-composite primary

key.

Disebut juga tabel kecil (minor table), biasanya lebih kecil dan memegang data

deskriptif yang mencerminkan dimensi suatu bisnis. Tabel dimensi adalah tabel yang

berisikan kategori dengan ringkasan detail data yang dapat dilaporkan seperti laporan

keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (yang berupa per

bulan, perkuartal, dan pertahun).

2.1.9 Komponen Dimensionality Modeling

2.1.9.1 Star Schema

Menurut Thomas Connolly dan Carolyn Begg(2010, p1227), Star Schema adalah

model dimensional data yang memiliki fact table di tengah,dikelilingi oleh

denormalized dimension tables.

Selain itu star schema memudahkan end user untuk memahami struktur database

pada data warehouse yang di rancang.

Keuntungan dari penggunaan star schema:

1. Respon data lebih cepat daripada perancangan database operasional.

22

2. Mempermudah dalam hal modifikasi atau pengembangan data warehouse

yang terus menerus.

3. End-user dapat menyesuaikan cara berpikir dan menggunakan data.

4. Menyederhanakan pemahaman dan penulusuran metadata bagi pemakai dan

pengembang.

Gambar 2.3 Star Schema (dimensional model) for property sales of Dream

Homes

(Thomas Connolly dan Carolyn Begg, 2010, p1228)

2.1.9.2 Snowflake Schema

Menurut Thomas Connolly dan Carolyn Begg(2010, p1229), snowflake schema

adalah model dimensional data yang memiliki fact table di tengah, dikelilingi oleh

normalized dimension tables.

Keuntungan dari skema snowflake:

1. Kecepatan memindahkan data dari data OLTP ke dalam metadata.

23

2. Sebagai kebutuhan dari alat pengambilan keputusan tingkat tinggi dimana

dengan tipe yang seperti ini seluruh struktur dapat digunakan sepenuhnya.

3. Banyak yang beranggapan lebih nyaman merancang dalam bentuk normal

ketiga.

Gambar 2.4 Part of star schema (dimensional model) for property sales of Dream Home

with normalized version of Branch dimension table

(Thomas Connolly dan Carolyn Begg, 2010, p1229)

2.1.9.3 Starflake Schema

Menurut Thomas Connolly dan Carolyn Begg (2010, p1229), starflake schema

adalah model dimensional data yang memiliki fact table di tengah, dikelilingi oleh

normalized dan denormalized dimension tables.

24

Gambar 2.5 Starflake Schema

(Thomas Connolly dan Carolyn Begg, 2010, p1229)

2.1.10 Kekurangan Data Warehouse

Menurut Ofori Boateng (2011, p230, vol5(2)), data warehouse tidak optimal

dalam lingkungan data tidak terstruktur dikarenakan:

- Karena data harus diekstrak, transform, dan dimuat ke dalam data

warehouse, ada unsur keterlambatan data dalam data warehouse.

- Biaya yang tinggi.

- Data warehouse bisa usang dalam tempo yang relatif cepat.

- Duplikasi fungsional mahal mungkin harus dikembangkan.

25

2.2 Teori Khusus

2.2.1 Teori Penjualan

Mengacu pada pendapat Kotler (2006, p457), penjualan merupakan proses dimana

pembeli dan penjual dipertemukan karena adanya suatu kebutuhan, melalui pertukaran

informasi dan ketertarikan suatu kebutuhan. Penjualan membutuhkan dorongan dengan

menggunakan iklan atau publish kepada masyarakat luas untuk menampilkan dorongan

efektivitas antara penjual dan pembeli. Dengan adanya informasi yang ditarik keluar,

maka penjualan barang atau jasa tertentu menjadi meningkat sesuai berjalannya waktu

Penjualan merupakan kegiatan yang dilakukan oleh para pengusaha untuk

menawarkan barang atau jasa sesuai dengan kebutuhan masing – masing pihak.

Penjualan sendiri memiliki fungsi yang penting dalam perputaran suatu nilai, dimana

nilai tersebut berguna untuk memenuhi kebutuhan hidup setiap orang

2.2.2 Teori Pembelian

Menurut Mulyadi (2008,p316), Pembelian adalah serangkaian tindakan untuk

mendapatkan barang dan jasa melalui pertukaran, dengan maksud untuk digunakan

sendiri atau dijual kembali.

2.2.3 Teori Retur

Menurut Achun (2010,p1), retur penjualan adalah pengembalian barang dari

pelanggan karena hal tertentu mungkin karena rusak dalam perjalanan atau pengiriman

barang yang tidak memenuhi spesifikasi yang diinginkan pelanggan.