7

BAB 2

LANDASAN TEORI

2.1 Pendekatan Data warehouse

2.1.1 Data dan Informasi

2.1.1.1 Data

Menurut Connolly (2010, p70), data adalah komponen yang

paling penting dalam DBMS. Berasal dari sudut pandang end-user, data

bertindak sebagai jembatan yang menghubungkan antara komponen

mesin dengan komponen pengguna.

Menurut Hoffer (2009, p46), data adalah representasi dari objek

dan peristiwa yang memiliki arti dan kepentingan dalam lingkungan

pemakai.

2.1.1.2 Infomasi

Menurut Hoffer (2009, p47), Informasi adalah sebuah data yang

telah di proses dengan suatu cara untuk meningkatkan pengetahuan dari

seseorang yang menggunakan data tersebut.

Menurut Inmon(2005, p498), informasi adalah data yang dapat

dipahami oleh manusia dan dievaluasi untuk menyelesaikan masalah

atau membuat suatu keputusan.

8

Dengan kata lain informasi adalah hasil dari pengolahan data yang

dapat membantu manusia dalam memecahkan masalah dan

mengambil sebuah keputusan atau kesimpulan.

2.1.2 Pengertian Database

Menurut Connolly (2010, p65), database adalah sekumpulan data logikal

yang saling berhubungan dan deskripsi suatu data, yang dirancang untuk

memenuhi kebutuhan informasi dari suatu organisasi.

2.1.3 Data warehouse

Menurut inmon (2005, p29), data warehouse adalah sekumpulan data

yang Subject Oriented (orientasi subjek), integrated (integrasi), Non-

Volatile (tidak berubah), dan time variant yang mendukung keputusan

manajemen.

Cui, Widom. (2003:p41) Sistem data warehouse mengintegrasi informasi

dari sumber data operasional ke dalam pusat penyimpanan data untuk

memungkinkan adanya sebuah analisis dan mining berdasarkan informasi yang

terintegrasi. Selama proses intergrasi, sumber data biasanya memiliki

serangkaian transformasi, yang bervariasi dari operasi aljabar yang sederhana

atau suatu agregasi ke ‘data cleansing’ dengan prosedur yang kompleks.

9

Dari definisi diatas, dapat disimpulkan bahwa data warehouse adalah

sekumpulan data yang memiliki karakteristik orientasi subjek,

terintegrasi, time-variant, dan Non-Volatile yang digunakan

untuk mendukung pengambilan keputusan.

2.1.4 OLTP (Online Transaction Processing)

Menurut Connolly dan Begg (2010, p1199), OLTP adalah sebuah sistem

yang digunakan untuk melayani transaksi dalam jumlah yang besar,

terorganisir, berulang, dan mengalami perubahan secara intensif. Data pada

OLTP diatur sesuai transaksi terkait dengan aplikasi bisnis dan mendukung

keputusan pengguna operasional setiap harinya dalam jumlah yang besar.

2.1.5 Perbandingan Data warehouse dengan OLTP

Menurut Connolly dan Begg (2010, p1199), perbedaan sistem OLTP dan

sistem data warehouse adalah :

Tabel 2.1 Perbandingan Data warehouse dengan OLTP

Karakteristik OLTP Data warehouse

Tujuan utama Mendukung proses operasional Mendukung proses analisis

Umur data Saat ni Bersifat historis (tetapi data

10

yang saat ini juga termasuk)

Latency data Real-time Tergantung dari panjangnya

siklus data tambahan ke data

warehouse (tetapi data yang

real-time juga termasuk

Granularity data Detail data Detail data, tinggi dan

rendahnya rangkuman data

Pemrosesan data Pola dari pemasukan,

penghapusan, pembaharuan,

dan queries data yang dapat

diprediksi.

Level transaksi : High

Pola dari proses query data

kurang bisa diprediksi.

Level transaksi : medium - low

Reporting Dapat diprediksi, satu dimensi,

data bersifat tetap, statis, dan

relatif

Tidak dapat diprediksi,

multidimensi, laporan bersifat

dinamis

Pengguna Melayani pengguna operasional

dalam jumlah yang besar

Melayani pengguna manajerial

dalam jumlah yang kecil (tapi

juga mendukung kebutuhan

analisis bagi pengguna

operasional)

11

2.1.6 Data Mart

Menurut W.H. Inmon (2005, p494), Data Mart adalah bagian dari

struktur pengembangan data pada data warehouse dimana data di-denormalisasi

sesuai dengan kebutuhan informasi departemen.

Menurut Hoffer (2009, p509), data diperoleh dengan memilih dan

merangkum data pada sebuah data warehouse atau dari proses ETL (extract,

transform, load) yang terpisah dari sumber sistem data.

2.1.7 Karakteristik Data warehouse

2.1.7.1 Subject Oriented

Karakteristik pada data warehouse yang pertama adalah subject

oriented. Berorientasi terhadap subject maksudnya adalah data

warehouse dirancang untuk menganalisa data berdasarkan subject-

subject yang ada.

12

Gambar 2.1 Subject Orientation (sumber : Inmon, 2005, p30)

2.1.7.2 Integrated

Karakteristik data warehouse yang kedua adalah Integrated.

Data-data yang tersimpan dalam data warehouse berasal dari berbagai

sumber data operasional yang memiliki variabel yang berbeda. Oleh

karena itu, agar data operasional tersebut dapat saling ter-integrasi maka

13

sebelum dimasukkan ke dalam data warehouse, data tersebut harus di-

encode terlebih dahulu.

Contoh pada gambar 2.2 adalah tipe variabel pada atribut jenis

kelamin karyawan dimana pada data operasional, atribut jenis kelamin

karyawan pada data operasional adalah male dan female sedangkan

pada data warehouse menggunakan inisial m,f. Maka agar dapat ter-

integrasi penamaan jenis kelamin pada data operasional harus di- encode

terlebih dahulu menjadi m,f, kemudian dimasukkan ke dalam data

warehouse.

Gambar 2.2 Integrated dari Data warehouse (sumber : Inmon, 2005, p31)

14

2.1.7.3 Time variant

Karakteristik data warehouse yang ketiga adalah Time variant.

Data pada data warehouse dapat dikatakan valid jika data tersebut

memiliki jangka waktu 5-10 tahun.

Gambar 2.3 Time Variancy (sumber : Inmon, 2005, p32)

15

2.1.7.4 Non-Volatile

Karakteristik data warehouse yang keempat adalah Non-Volatile,

maksudnya adalah data pada data warehouse tidak dapat di-update dan

di-delete tetapi data hanya dapat di-refresh untuk memperbarui data

warehouse dan data lama akan tetap tersimpan.

Gambar 2.4 Nonvolatile (sumber : Inmon, 2005, p32)

2.1.8 Struktur Data warehouse

Menurut Inmon (2005, p34), struktur data warehouse terdiri dari

beberapa elemen seperti pada gambar berikut :

16

Gambar 2.5 Struktur Data warehouse (sumber : Inmon, 2005, p34)

2.1.8.1 Current Detail Data

Merupakan level terendah dari data warehouse yang

mencerminkan keadaan yang sedang berjalan saat ini. Data ini jumlahnya

sangat banyak sehingga masih sulit dilakukan analisa untuk mengambil

suatu keputusan.

17

2.1.8.2 Old Detail Data

Merupakan data history dari Current Detail Data. Data ini adalah

data cadangan(back-up) dan biasanya umur datanya sudah lama. Pada

saat penyusunan file atau direktori data ini harus disusun berdasarkan

umur datanya agar mudah diakses kembali.

2.1.8.3 Lightly Summarized Data

Evaluasi data yang dirangkum dengan menghapus satu atau

beberapa karakteristik data dari primary key fokus data. Lightly

summarized data memiliki tingkat granularitas yang baik.

2.1.8.4 Highly Summarized Data

Evaluasi data yang dirangkum dengan menghapus banyak

karakteristik data dari primary key fokus data. Highly Summarized Data

memiliki tingkat kedetailan yang sangat tinggi karena meerupakan hasil

ringkasan dari Lightly Summarized Data.

2.1.8.5 Metadata

Metadata bukan merupakan data hasil kegiatan seperti keempat

jenis data diatas. Menurut Poe, Metadata adalah ‘data tentang data’ dan

18

menyediakan informasi tentang struktur data dan hubungan antara

struktur data di dalam atau antara storage(tempat penyimpanan data).

Metadata berisikan data yang menyimpan proses perpindahan data

meliputi database structure,contents,detail data dan summary data,

matrics, versioning, aging criteria, versioning, transformation criteria.

Metadata khusus dan memegang peranan yang sangat penting  dalam

data warehouse.

Metadata sendiri mengandung :

Struktur data

Sebuah direktori yang membantu user untuk melakukan

analisis Decission Support System dalam pencarian

letak/lokasi dalam data warehouse.

Algoritma

Algoritma digunakan untuk summary data. Metadata

sendiri merupakan panduan untuk algoritma dalam

melakukan pemrosesan summary data antara Current

Detail Data dengan Lightly Summarized Data dan antara

Lightly Summarized Data dengan highly summaried data.

19

Mapping

Sebagai panduan pemetaan(mapping) data pada saat data

di transform/diubah dari lingkup operasional menjadi

lingkup data warehouse.

2.1.9 Perencanaan dan Perancangan Data warehouse

Ada beberapa faktor yang harus diperhatikan dalam perencanaan data

warehouse, yaitu :

1. Tujuan pembangunan data warehouse harus memenuhi kriteria :

~ Meningkatkan kemampuan akses informasi.

~ Meningkatkan kualitas keputusan yang diambil.

2. Kriteria fasilitas yang dapat diberikan oleh data warehouse :

~ Navigasi yang memudahkan pemakai untuk mencari data.

~ Akses informasi yang mudah dan cepat.

~ Akuisi data yang dapat mendukung integrasi data.

2.1.10 Peralatan dalam Perancangan Data warehouse

Dalam perancangan data warehouse, peralatan yang digunakan adalah :

~ SQL Server 2008 untuk membuat database-nya

~ Visual Studio 2008 untuk merancang star skema dan lain-lain

20

~ Visual Basic.Net 2010 untuk menampilkan aplikasinya.

2.1.11 Arsitektur Data warehouse

Arsitektur data warehouse menurut Connolly dan Begg (2010, p1204),

adalah sebagai berikut :

Gambar 2.6 Arsitektur Data warehouse (sumber : Connoly dan Begg, 2010, p1204)

Menurut Connolly dan Begg (2010, p1204), arsitektur data warehouse

terdiri dari :

2.1.11.1 Data Operasional

Sumber data pada data warehouse disediakan dari :

21

1. Mainframe data operasional disimpan dalam hirarki generasi

pertama dan jaringan database.

2. Data antar bagian departemen disimpan dalam file sistem, seperti

VSAM, RMS, relasional DBMS seperti Informix dan Oracle.

3. Data internal disimpan dalam workstation dan server internal.

4. Sistem eksternal seperti internet, database yang tersedia secara

komersial atau database yang berhubungan dengan supplier

organisasi dan pelanggan.

2.1.11.2 Operational Data Store

Adalah Sebuah penyimpanan data operasional adalah tempat

penyimpanan dari data operasional terbaru dan data operasional yang

telah digabungkan dan digunakan untuk analisa. Biasanya tersusun dan

tersedia dalam cara yang sama seperti data dalam warehouse, tetapi

mungkin faktanya bertindak hanya sebagai daerah tumpuan bagi data

untuk dipindahkan ke dalam data warehouse.

2.1.11.3 ETL Manager

ETL manajer melakukan semua operasi yang berhubungan

dengan ETL data ke dalam warehouse. Data akan diambil langsung dari

sumber data atau, lebih umumnya dari Operational Data Store.

22

2.1.11.4 Warehouse Manager

Warehouse Manager melakukan semua operasi yang

berhubungan dengan pengelolaan data di warehouse. Operasi yang

dilakukan oleh Warehouse Manager meliputi :

1. Analisis data untuk memastikan konsistensi.

2. Transformasi dan penggabungan sumber data dari

penyimpanan sementara ke tabel data warehouse.

3. Penciptaan indeks dan pandangan pada tabel dasar.

4. Backup Data dan pengarsipan data.

5. Pembuatan denormalisasi (jika dibutuhkan)

6. Pembuatan agregasi

2.1.11.5 Query Manager

Melakukan semua operasi yang berhubungan dengan pengelolaan

user queries. Kompleksitas Query Manager ditentukan oleh fasilitas

yang disediakan oleh End-User Access Tools dan database.

2.1.11.6 Detailed Data

Tempat dari gudang penyimpan semua detail data dalam skema

database. Dalam banyak kasus, detail data tidak disimpan secara online

23

tetapi dibuat tersedia dengan menggabungkan data ke tingkat detail

berikutnya.

2.1.11.7 Lightly dan Highly Summarized Data

Tempat dari gudang penyimpan semua Lightly dan highly

summarized (agregat) data dihasilkan oleh Warehouse Manager. Bagian

dari tempat ini adalah bersifat sementara, karena akan berubah secara

terus-menerus untuk merespon perubahan query profile.

2.1.11.8 Archive / Backup Data

Bagian dari gudang penyimpanan data yang detail dan diringkas

untuk pengarsipan dan backup. Meskipun ringkasan data dihasilkan dari

data detail, mungkin perlu untuk melakukan backup ringkasan data secara

online jika data tetap melampaui masa penyimpanan bagi detail data.

2.1.11.9 Metadata

Simmhan, Y L., Plale B., Gannon D. (2005:p31) Metadata

menjelaskan mengenai produk data yang digunakan dan dihasilkan oleh

sebuah aplikasi yang sangat penting untuk menelusuri adanya data yang

disambiguate dan memungkinkan data untuk digunakan kembali. Data

24

asal merupakan salah satu jenis dari metadata, yang berkaitan dengan

sejarah derivasi dari sebuah produk data yang dimulai dari sumber asli

data tersebut.

Bidang dari gudang penyimpanan semua Metadata (data tentang

data) ketentuan digunakan oleh semua proses-proses dalam gudang.

Metadata digunakan untuk berbagai tujuan, termasuk :

1. Extractions dan loading proses-Metadata digunakan untuk

memetakan sumber data ke sebuah pandangan umum dari

data di dalam gudang.

2. Pengelolaan gudang proses-Metadata digunakan untuk

mengotomatisasikan produksi dari tabel rinci.

3. Sebagai bagian dari permintaan manajemen proses-

Metadata digunakan untuk mengarahkan sebuah

permintaan ke sumber data yang paling tepat.

2.1.11.10 End-User Access Tools

Tujuan utama dari data warehousing adalah untuk mendukung

para pembuat keputusan. Pengguna-pengguna ini berinteraksi dengan

gudang menggunakan End-User Access Tools. Gudang data harus

mendukung ad hoc dan analisa rutin secara efisien.

25

Kami mengkatagorikan alat-alat ini ke dalam empat kelompok

penting :

1. Pembuatan laporan dan query tools

2. Alat pengembangan aplikasi

3. OLAP tools

4. Data mining tools

2.1.12 Data Flow dalam Data warehouse

Menurut Connolly dan Begg (2005, p1161-1165), data warehouse fokus

pada lima arus data primer, yaitu :

2.1.12.1 Inflow

Berhubungan dengan pengekstrakan, pembersihan, dan pemuatan

data dari sumber data ke dalam data warehouse.

2.1.12.2 Upflow

Proses yang terhubung dengan menambahkan nilai ke data di

dalam warehouse melalui peringkasan, pemadatan, dan pendistribusian

data.

26

2.1.12.3 Downflow

Berhubungan dengan penyimpanan dan Backup Data dalam data

warehouse.

2.1.12.4 Outflow

Berhubungan dengan membuat data tersedia bagi end user.

2.1.12.5 Meta-flow

Merupakan proses memindahkan Metadata (data mengenai flow

lainnya).

2.1.13 Sketsa Data warehouse

2.1.13.1 Tabel Fakta

Menurut Kimball dan Ross (2010, p30), tabel fakta adalah dasar

dari data warehouse. Tabel-tabel itu mengandung ukuran fundamental

dari perusahaan, dan tabel-tabel itu adalah target utama dari sebagian

besar data warehouse query.

Menurut Inmon(2005, p497), tabel fakta adalah pusat dari tabel

star join dimana data memiliki banyak kejadian yang dapat dialokasikan.

27

2.1.13.2 Tabel Dimensi

Menurut Inmon (2005, p495), tabel dimensi adalah tempat dimana

data tambahan yang berhubungan dengan tabel fakta ditempatkan dalam

tabel multidimensi.

2.1.13.3 Pemodelan dalam Dimensional

Dimensional modeling adalah sebuah disiplin desain yang

mencakup model relasional resmi serta realita teknik dari teks dan jumlah

data.

2.1.13.4 Keuntungan dari Penggunaan Pemodelan Dimensional

Menurut Connolly dan Begg (2010, p1227), masing-masing tabel

dimensional memiliki primary key yang sederhana dan berhubungan

dengan tepat ke satu dari komponen composite key di tabel fakta. Dengan

kata lain primary key dari tabel fakta yang terdiri dari dua atau lebih

foreign key.

2.1.13.5 Skema Bintang

Menurut Hoffer (2009, p521), skema bintang adalah sebuah

desain database sederhana dimana dimensional data terpisah dari fakta

28

atau data transaksi. sebutan lain untuk dimensional model adalah skema

bintang.

Menurut Inmon (2005, p503), skema bintang adalah struktur data

dimana data yang didenormalisasi untuk mengoptimalisasi akses data.

Merupakan dasar dari multidimensional Data Mart design.

Gambar 2.7 Contoh Skema Bintang (sumber : Connoly dan Begg, 2010, p1228)

2.1.13.5.1 Keuntungan Menggunakan Skema Bintang

Beberapa keuntungan dalam menggunakan skema bintang

adalah :

1. Proses query dan waktu respon yang cepat.

29

2. Menyerhanakan pemahaman dan penelusuran

Metadata bagi pemakai dan pengembang.

3. Lebih simpel.

4. Mudah dipahami.

2.1.13.5.2 Perancangan Skema Bintang

Dalam perancangan skema bintang, terdiri dari beberapa

tabel dan alur gabungan yang dirumuskan dengan baik.

2.1.13.5.3 Skema Bintang Sederhana

Dalam skema bintang ini, setiap tabel harus memiliki

primary key yang terdiri dari satu kolom atau lebih. Primary key

dari tabel fakta terdiri dari satu atau lebih foreign key.

Gambar 2.8 Contoh Skema Bintang Sederhana

30

2.1.13.5.4 Skema Bintang dengan Banyak Tabel Fakta

Variasi lain dari skema bintang adalah skema bintang

dengan banyak tabel fakta. Skema bintang seperti ini biasanya

dibangun untuk meningkatkan kinerja atau untuk alasan lain

seperti menentukan lebih dari satu tabel fakta dalam skema

bintang yang diberikan.

Gambar 2.9 Contoh Skema Bintang dengan Banyak Tabel Fakta

(sumber : Hoffer, 2005, p473)

2.1.13.5.5 Skema Bintang Majemuk

Menurut Poe (2001, p100), dalam skema bintang ini

foreign key menggunakan tabel dimensi sebagai referensi dan

31

primary key terdiri dari satu atau lebih identifier yang unik untuk

masing-masing baris. Ciri utama dalam skema bintang majemuk

adalah primary key dan foreign key yang tidak sama.

2.1.13.6 Skema Snowflake

Menurut Inmon (2005, p361), sebagai sebuah aturan, pada star

join adalah satu tabel fakta. Tetapi lebih dari satu tabel fakta dapat

dikombinasi di sebuah database design untuk membuat sebuah struktur

gabungan yang disebut Snowflake structure. Dalam skema Snowflake,

tabel fakta yang berbeda yang terhubung dengan membagi satu atau lebih

dimensi umum disebut conformed dimensions.

Menurut Hoffer (2009, p532), skema Snowflake adalah versi

dari skema bintang yang diperluas dimana tabel dimensi dinormalisasi ke

dalam beberapa tabel yang saling berhubungan.

32

Gambar 2.10 Contoh Skema Snowflake (sumber : Connoly dan Begg, 2005, p1185)

2.1.13.6.1 Keuntungan Menggunakan Skema Snowflake

1. Pemakaian space yang lebih sedikit.

2. Update dan maintenance yang lebih mudah.

2.1.13.6.2 Kerugian Menggunakan Skema Snowflake

1. Model lebih kompleks dan rumit.

2. Proses query lebih lambat.

3. Performance yang kurang bagus.

33

2.1.14 Agregasi

Menurut W.H Inmon (2005, p.114), ada banyak kasus dimana data di

dalam data warehouse tidak memenuhi kriteria stabilitas dan jarang berubah.

Pada beberapa kasus, jumlah isi data menjadi terlalu banyak. Dikasus

lainnya dapat dilakukan agregasi yang mengelompokkan beberapa data detil

operasional yang berbeda ke dalam record tunggal. Record tunggal ini

disebut sebagai profile record atau agregate record.

Agregasi dari data operasional ke dalam sebuah record tunggal pada data

warehouse dapat dilakukan dengan menggunakan cara, seperti :

1. Nilai – nilai yang diambil dari data operasional dapat

diringkas.

2. Unit – unit data operasional dapat dihitung dan dijumlahkan,

dimana jumlah dari unit data disimpan.

3. Unit – unit data dapat diproses untuk menentukan yang

paling tinggi, paling rendah, rata – rata, dan sebagainya.

4. Kemunculan awal dan akhir data dapat ditangkap.

5. Data dari berbagai jenis, jatuh ke dalam batasan – batasan

dari beberapa parameter, dapat diukur.

6. Data yang efektif pada saat tertentu dapat ditangkap.

7. Data yang paling baru dan yang paling lama dapat ditangkap.

34

2.1.15 Metadata

Menurut Inmon (2005, p261), Metadata merupakan komponen penting

dari data warehouse dalam setiap skenario, tetapi Metadata mengambil

dimensi yang berbeda dalam penyimpanan dan pengelolaan eksternal data.

Menurut Hoffer (2009, p261), Metadata adalah data yang

menggambarkan sifat atau karakteristik dari end-user data, dan konteks pada

data.

Menurut Kimball (2010, p567), Metadata terbagi menjadi dua yaitu front

room Metadata dan back room Metadata. Front room Metadata lebih deskriptif

dan membantu dalam query tools dan berfungsi untuk memperlancar penulisan

laporan. Back room Metadata adalah proses relasi dan petunjuk extraction.

pembersihan dan proses loading. Beberapa fungsi Metadata adalah sebagai

berikut :

1. Membuat daftar anotasi yang baik dari semua itu.

2. Menentukan seberapa penting masing-masing bagian.

3. Bertanggung jawab untuk hal itu.

4. memutuskan apa yang merupakan set yang konsisten dan

set dari pekerjaan itu.

5. Memutuskan apakah akan membuat atau membeli.

6. Menyimpannya pada suatu tempat untuk proses backup

dan recovery.

35

7. Membuatnya tersedia untuk orang-orang yang

membutuhkannya.

8. Menjamin kualitas dan membuatnya lengkap serta up to

date.

9. Mengendalikan tugasnya dari suatu tempat.

10. Mendokumentasikan semua tanggung jawab yang cukup

baik untuk menyerahkan pekerjaan ini (secepatnya).

2.1.16 Granularity

Menurut Inmon (2005, p41), mengacu pada tingkat kedetailan suatu data

atau summarization dari unit data dalam data warehouse. Semakin tinggi

kedetailan data maka semakin rendah tingkat Granularity nya. Semakin rendah

tingkat kedetailannya, maka semakin tinggi level Granularity nya.

Gambar 2.11 Contoh Granularity (sumber : Inmon, 2005, p46)

36

2.1.17 Denormalisasi

Menurut Inmon (2005, p495), denormalisasi adalah teknik penempatan

normalisasi data pada lokasi fisikal yang mengoptimalkan kinerja sistem.

2.1.18 Metodologi Perancangan Data warehouse

Menurut Kimball (Connolly dan Begg. 2010, p1231-1238), metodologi

perancangan data warehouse, yaitu :

1. Menentukan Proses

Prosesnya menghasilkan Data Mart, Data Mart yang dibangun

harus data-data yang on-time dan berkaitan dengan budget serta

dapat menjawab pertanyaan-pertanyaan komersial dalam bisnis.

2. Menentukan Grain

Menentukan apa yang direpresentasikan dalam sebuah tabel fakta

dengan kata lain fakta-fakta apa saja yang akan ditampilkan dalam

tabel fakta.

3. Mengindentifikasi dan Membuat Dimensi yang Sesuai

Dimensi-dimensi menetapkan konteks untuk mengajukan

pertanyaan tentang fakta di tabel fakta. Dimensi-dimensi dapat

37

dibangun dengan baik dan mudah digunakan sewaktu

diimplementasi ke dalam Data Mart.

4. Menentukan Fakta

Grain dari tabel fakta menentukan fakta apa yang digunakan di

dimensional model.semua fakta harus diekspresikan pada tingkat

yang ada didalam grain. Selain itu, isisnya harus numerik dan

aditif.

5. Menyimpan Pre-kalkulasi dalam Tabel Fakta

Setelah tabel fakta dipilih, dilakukan pengecekan kembali untuk

mengetahui apakah ada aditif yang diperlukan lagi.

6. Menambahkan Atribut yang Dibutuhkan dalam Tabel

Dimensi

Menambahkan deskripsi teks pada dimensi. Deskriptif teks harus

intuitif dan dapat dimengerti oleh pengguna.

7. Menentukan Durasi Database

Mengukur seberapa jauh ke belakang tabel fakta dapat beroperasi.

8. Menelusuri Perubahan dari Dimensi Secara Perlahan

Mengecek penyebab keterlambatan load data. Ada beberapa tipe

penyebab keterlambatan load data, yaitu : tipe pertama, atribut

38

yang sudah ada ditimpah oleh atribut yang baru. Tipe kedua,

perubahan data atribut karena adanya dimensi atribut baru. Tipe

ketiga, data yang lama dan baru secara bersama-sama diakses oleh

data record yang baru.

9. Menentukan Prioritas Query dan Tipe Query

Mempertimbangkan perancangan fisik yang berkaitan dengan

backup, performance, security, administration, indexing, dan lain-

lain.

2.1.19 Keuntungan Penggunaan Data warehouse

Keuntungan penggunaan data warehouse Menurut Connolly dan Begg

(2010, p1198), adalah :

a) Pengembalian modal yang cepat.

b) Daya saing tinggi karena mempunyai informasi lebih banyak dan

akurat.

c) mendukung produktivitas dalam pengambilan keputusan.

2.1.20 EIS (Executive Information System)

EIS (eksekutif information system) sebagai sistem informasi manajemen

yang umumnya dirancang untuk ditekankan pada tampilan grafis dan interface

yang sangat mudah dan menarik untuk digunakan karena hal ini diasumsikan

39

akan digunakan untuk mendukung dan memfasilitasi informasi dan

pengambilan keputusan sebuah kebutuhan dari eksekutif senior.

2.1.21 ETL (Extract, Transform, Loading)

Menurut Kimball (2010, p442), sistem ETL adalah pembagian yang

paling memakan waktu dan mahal dalam membangun suatu data warehouse dan

memberikan business intelegence untuk sebuah komunitas.

Menurut Inmon (2005, p497), proses pencarian data, pengintegrasian

data, dan penempatan data dalam data warehouse.

2.1.21.1 Keuntungan dari ETL

1. Visual flow dan dokumentasi diri. Keuntungan tunggal

yang terbesar dari ETL tools adalah bahwa ia

menyediakan visual flow dari logikal sistem.

2. Sistem desain yang terstruktur. Peralatan ETL dirancang

untuk masalah spesifik untuk mengisi data warehouse.

3. Fungsi pembersihan data yang canggih. Sebagian besar

sistem ETL terstruktur secara kompleks dengan banyak

sumber dan target.

4. Memiliki performance yang baik.

40

2.1.22 OLAP (Online Analytical Processing)

Menurut Hoffer (2009, p540), OLAP adalah Penggunaan dari satu set

graphic tool yang mendukung pengguna dengan pandangan multidimensional

melalui data mereka sendiri dan juga mengijinkan mereka untuk menganalisis

data tersebut menggunakan simple windowing techniques.

Menurut Connolly dan Begg (2010, p1250), OLAP adalah perpaduan

dinamis analisis dan konsolidasi volume dari multidimensional data yang besar.

Menurut (Codd et al., 1995) OLAP adalah istilah yang menggambarkan

suatu teknologi yang menggunakan multidimensional view dari kumpulan data

yang mampu menyediakan akses yang cepat pada informasi untuk tujuan

analisis yang lebih lanjut.

Handojo, Rostianingsih. (2004:h54) Online Analytical Processing

(OLAP) merupakan salah satu tools yang digunakan untuk mengakses informasi

dalam data warehouse. Teknologi OLAP memungkinkan data warehouse

digunakan secara efektif untuk proses online analysis, memberikan respon yang

cepat terhadap analytical queries yang kompleks.

2.1.22.1 Macam-macam jenis OLAP

1. ROLAP (Relational OLAP)

Peralatan OLAP yang melihat database sebagai sebuah

relasional database di salah satu skema bintang atau

normalisasi lain atau set denormalisasi dari tabel.

2. MOLAP (Multidimentional OLAP)

41

Peralatan OLAP yang memuat ke dalam struktur

menengah, biasanya berupa susunan tiga dimensi atau

lebih.

2.1.22.2 Keuntungan dari OLAP

1. OLAP secara umum lebih banyak mendukung performance

daripada relasi pada saat cubes didesain dengan benar,

dengan sedikit peran untuk menjalankan performance yang

rumit untuk dibandingkan dengan relational.

2. OLAP memiliki kemampuan analisa yang sangat baik

daripada relational.

3. OLAP tidak memiliki masalah dengan simetri yang

membatasi SQL.

4. Industri vertikal tertentu, khususnya jasa finansial telah

mengalami perkembangan yang mengagumkan dengan

adanya solusi OLAP.

5. Pemuatan skenario-skenario tertentu bisa jadi sangat cepat.

2.2 Tools yang Digunakan

Dalam membangun data warehouse ada beberapa tools yang digunakan, seperti

diagraming tools dan software tools yang akan dijelaskan sebagai berikut :

42

2.2.1 Diagraming Tools

Pada diagraming tools terdapat beberapa diagram seperti DFD (Data

Flow Diagram), Flowchart, UML (Unfinied Modeling Language)

2.2.1.1 Data Flow Diagram (DFD)

Menurut Hall (2008, p58), Data Flow Diagram adalah diagram

yang menggunakan seperangkat simbol untuk menggambarkan proses,

sumber data, arus data, dan urutan proses dari sistem saat ini atau yang

diusulkan.

Satyanarayana, G R., Poorna C M., Srinivasu R., Reddy S R.

(2010:p2868) Data flows berisi dari satu atau lebih sumber database yang

menunjuk ke dalam daerah pemetaan menengah, dan akhirnya ke dalam

data warehouse atau tempat penyimpanannya. Pada setiap tahap terdapat

perangkat kualitas data yang tersedia di dalamnya dan proes dalam

mengubah data, sehingga meningkatkan kegunaan data setelah berada di

data warehouse

43

Gambar 2.12 Contoh Data Flow Diagram (sumber : Hall, 2008, p59)

2.2.1.2 Flowchart

Menurut Indrajani (2011, p22), flowchart merupakan

penggambaran secara grafik dari langkah-langkah dan urutan prosedur

suatu program. Biasanya mempermudah penyelesaian masalah khususnya

yang perlu dipelajari dan dievaluasi lebih lanjut.

44

2.2.1.3 Data Transformation Services

Handojo, Rostianingsih. (2004:h54) Data Transformation System

(DTS) menggunakan teknologi OLE DB untuk berhubungan dengan

berbagai sumber data yang digunakan oleh data warehouse. DTS dapat

menangani transaksi copy data biasa sampai validasi data dan translation

secara kompleks, sehingga data yang didapat sesuai dengan data

warehouse.

2.2.2 Software Tools

2.2.2.1 Microsoft SQL Server

Microsoft SQL Server adalah sebuah sistem manajemen basis

data relasional (RDBMS) produk Microsoft. Bahasa query utamanya

adalah Transact-SQL yang merupakan implementasi dari SQL standar

ANSI/ISO yang digunakan oleh Microsoft dan Sybase. Umumnya SQL

Server digunakan di dunia bisnis yang memiliki basis data berskala kecil

sampai dengan menengah, tetapi kemudian berkembang dengan

digunakannya SQL Server pada basis data besar. (sumber : wikipedia)

2.2.2.2 Visual Basic

Microsoft Visual Basic (sering disingkat sebagai VB saja)

merupakan sebuah bahasa pemrograman yang menawarkan Integrated

45

Development Environment (IDE) visual untuk membuat program

perangkat lunak berbasis sistem operasi Microsoft Windows dengan

menggunakan model pemrograman (COM).

Visual Basic merupakan turunan bahasa pemrograman BASIC

dan menawarkan pengembangan perangkat lunak komputer berbasis

grafik dengan cepat. (sumber : wikipedia)

2.2.2.3 Visual Studio

Microsoft Visual Studio merupakan sebuah perangkat lunak

lengkap (suite) yang dapat digunakan untuk melakukan pengembangan

aplikasi, baik itu aplikasi bisnis, aplikasi personal, ataupun komponen

aplikasinya, dalam bentuk aplikasi console, aplikasi Windows, ataupun

aplikasi Web. Visual Studio mencakup kompiler, SDK, Integrated

Development Environment (IDE) , dan dokumentasi (umumnya berupa

MSDN Library). Kompiler yang dimasukkan ke dalam paket Visual

Studio antara lain Visual C++, Visual C#, Visual Basic, Visual Basic

.NET , Visual InterDev, Visual J++, Visual J#, Visual FoxPro, dan Visual

SourceSafe .

Microsoft Visual Studio dapat digunakan untuk mengembangkan

aplikasi dalam native code (dalam bentuk bahasa mesin yang berjalan di

atas Windows) ataupun managed code (dalam bentuk Microsoft

46

Intermediate Language di atas .NET Framework). Selain itu, Visual

Studio juga dapat digunakan untuk mengembangkan aplikasi Silverlight,

aplikasi Windows Mobile (yang berjalan di atas .NET Compact

Framework). (sumber : wikipedia)

2.3 Interface Design

Dalam merancang data warehouse agar mudah digunakan oleh user diperlukan

interface design yang baik. Ada beberapa hal yang harus diperhatikan dalam membuat

interface design yang baik, yaitu eight golden rules dan lima faktor manusia terukur.

2.3.1 Eight Golden Rules of Interface Design

Menurut Shneiderman dan Plaisant (2010, p88-89), ada delapan aturan

emas dalam perancangan sebuah interface yaitu :

1. Berusaha untuk konsisten

Konsisten dalam setiap tampilan yang ada pada menu, prompt, layar,

bentuk, warna, tulisan, dan ukuran.

2. Memenuhi kegunaan yang universal

Kenali kebutuhan pengguna yang beragam dan desain sesuai dengan

kebutuhan pengguna.

47

3. Menawarkan umpan balik yang informatif

Untuk setiap tindakan pengguna, harus ada umpan balik sistem yang

informatif.

4. Desain dialog untuk menghasilkan penutupan

Sistem hendaknya memberikan kalimat penutup yang baik dan

informatif ketika pegguna telah selesai menggunakan aplikasi dan web

tersebut.

5. Mencegah kesalahan

Adanya validasi untuk pencegah kesalahan. Misalnya jika pengguna

salah memasukkan password, maka sistem akan memberi tahu bahwa

pengguna salah memasukkan password.

6. Memungkinkan pembalikan aksi yang mudah

Setiap tindakan yang dilakukan pengguna memungkinkan ada aksi

pembalikan (undo) untuk membantu pengguna dalam memperbaiki

kesalahan yang dibuatnya.

7. Mendukung pusat kendali internal

Sistem dapat dikontrol penuh oleh pengguna dan sistem menjalankan

apa yang pengguna inginkan, sehingga keduanya saling berhubungan.

48

8. Mengurangi beban memori jangka pendek

Desain antarmuka pengguna hendaknya hanya terdiri dari maksimal

tiga tingkatan, sehingga memudahkan pengguna dalam mengingat tata

letak antarmuka pengguna.

2.4 Metode Penyajian Data

2.4.1 Pie Chart

Pie chart adalah sebuah tampilan ilustrasi sederhana dari sebuah data.

Biasanya digunakan untuk menampilkan sebuah kuantitas sebagai presentase

jumlah dari total yang diberikan. Total area pie chart merepresentasikan 100%

dari kuantitasnya (jumlah dari nilai variabel seluruh kategori) dan ukuran dari

setiap potongan pie merupakan presentase dari total yang ingin direpresentasikan

dari masing-masing kategori. Pie chart biasanya digunakan untuk

merepresentasikan sebuah frekuensi atau data yang memiliki kategori, dengan

skala pengukuran yang dapat berupa nominal atau ordinal.

49

Gambar 2.13 Contoh Pie Chart

2.4.2 Table Pivot

Pivot table adalah sebuah table interactive yang dapat digunakan untuk

mengelompokkan dan meringkas banyak data secara ringkas, dalam bentuk

tabular format yang diperoleh dari kombinasi kolom data dalam tabel. Disebut

pivot table karena field dapat di drag dan drop untuk memutar sebuah ringkasan

field dan membuat cross tab. Dengan pivot table maka dapat dilakukan analisis,

meringkas dan memanipulasi data sehingga kita memperoleh informasi untuk

mengambil keputusan.

50

Gambar 2.14 Contoh Table Pivot

2.5 Pemahaman Objek Studi

2.5.1 Pengertian Pembelian

Menurut Mulyadi (2001, h299), sistem akuntansi pembelian

digunakan dalam perusahaan untuk pengadaan barang yang diperlukan

oleh perusahaan. Transaksi pembelian dapat digolongkan menjadi dua,

yaitu pembelian lokal dan pembelian impor. Pembelian lokal adalah

pembelian dari pemasok dalam negeri, sedangkan pembelian impor

adalah pembelian dari pemasok luar negeri.

Ada beberapa fungsi yang berkaitan dengan pembelian

(sumber : Mulyadi, 2001, h202), yaitu :

51

1. Fungsi Gudang

Dalam sistem akuntansi pembelian, fungsi gudang

bertanggung jawab untuk mengajukan permintaan pembelian

sesuai dengan posisi persediaan yang ada di gudang dan untuk

menyimpan barang yang telah diterima oleh fungsi penerimaan.

Untuk barang - barang yang langsung pakai (tidak

diselenggarakan persediaan barang di gudang), permintaan

pembelian diajukan oleh pemakai barang.

2. Fungsi Pembelian

Fungsi pembelian bertanggung jawab untuk memperoleh

informasi mengenai harga barang, menentukan pemasok yang

dipilih dalam pengadaan barang, dan mengeluarkan order

pembelian kepada pemasok yang dipilih.

3. Fungsi Penerimaan

Dalam sistem akuntansi pembelian, fungsi ini bertanggung

jawab untuk melakukan pemeriksaan terhadap jenis, mutu, dan

kuantitas barang yang diterima dari pemasok guna menentukan

dapat atau tidaknya barang tersebut diterima oleh perusahaan.

52

Fungsi ini juga bertanggung jawab untuk menerima barang dari

pembeli yang berasal dari transaksi retur penjualan.

4. Fungsi Akuntansi

Fungsi akuntansi yang terkait dalam transaksi pembelian

adalah fungsi pencatat utang dan fungsi pencatat persediaan.

Dalam sistem akuntansi pembelian, fungsi pencatat utang

bertanggung jawab untuk mencatat transaksi pembelian ke dalam

register bukti kas keluar dan untuk menyelenggarakan arsip

dokumen sumber (bukti kas keluar) yang berfungsi sebagai

catatan utang atau menyelenggarakan kartu utang sebagai buku

pembantu utang. Dalam sistem akuntansi pembelian, fungsi

pencatat persediaan bertanggung jawab untuk mencatat harga

pokok persediaan barang yang dibeli ke dalam kartu persediaan.

2.5.2 Pengertian Penjualan

Menurut Mulyadi (2001, h202), Kegiatan penjualan terdiri dari

transaksi penjualan barang atau jasa, baik secara kredit maupun secara

tunai. Dalam transaksi penjualan kredit, jika order dari pelanggan telah

dipenuhi dengan pengiriman barang atau penyerahan jasa, untuk jangka

waktu tertentu perusahaan memiliki piutang kepada

53

pelanggannya. Dalam transaksi penjualan tunai, barang atau jasa

baru diserahkan oleh perusahaan kepada pembeli jika perusahaan telah

menerima kas dari pembeli.

Prosedur penjualan menurut Mulyadi (2001, h6), yaitu :

1. Menulis data mengenai tanggal, kode barang, jenis, kuantitas,

harga satuan, harga total, nama pramuniaga.

2. Menggandakan faktur penjualan tunai dengan cara mengisi

formulir tersebut lebih dari satu lembar.

3. Menghitung perkalian harga satuan dengan kuantitas serta jumlah

harga yang harus dibayar oleh pembeli.

4. Memberi kode dengan cara mencantumkan kode buku pada

faktur penjualan tunai.

Ada beberapa fungsi yang berkaitan dengan penjualan

(sumber : Mulyadi, 2001, h204), yaitu :

1. Fungsi Penjualan

Fungsi Penjualan : Dalam sistem penjualan dengan kartu

kredit ini, fungsi penjualan bertanggung jawab melayani

kebutuhan barang pelanggan. Fungsi penjualan mengisi faktur

penjualan kartu kredit untuk memungkinkan fungsi gudang dan

54

fungsi pengiriman melaksanakan penyerahan barang kepada

pelanggan.

2. Fungsi Gudang

Dalam sistem penjualan ini, fungsi gudang menyediakan

barang yang diperlukan oleh pelanggan sesuai dengan yang

tercantum dalam tembusan faktur penjualan kartu kredit yang

diterima dari fungsi penjualan.

3. Fungsi Pengiriman

Fungsi ini bertanggung jawab untuk menyerahkan barang

yang kuantitas, mutu, dan spesifikasinya sesuai dengan yang

tercantum dalam tembusan faktur penjualan kartu kredit yang

diterima dari fungsi penjualan. Fungsi ini juga bertanggung jawab

untuk memperoleh tanda tangan dari pelanggan di atas faktur

penjualan kartu kredit sebagai bukti telah diterimanya barang

yang dibeli oleh pelanggan.

55

4. Fungsi Akuntansi

Fungsi ini bertanggung jawab untuk mencatat transaksi

bertambahnya piutang kepada pelanggan ke dalam kartu piutang

berdasarkan faktur penjualan kartu kredit yang diterima dari

fungsi pengiriman. Di samping itu, fungsi akuntansi bertanggung

jawab atas pencatatan transaksi penjualan di dalam jurnal

penjualan.

5. Fungsi Penagihan

Fungsi ini bertanggung jawab untuk membuat surat

tagihan secara periodik kepada pemegang kartu kredit.