II - 1

BAB 2

LANDAS AN TEORI

2.1 Data Warehouse

Data warehouse adalah sebuah koleksi database yang terintegrasi,

berorientasi subjek yang dirancang untuk mendukung fungsi DSS, dimana setiap

unit data relevan terhadap suatu waktu. Data warehouse mengandung pecahan

kecil data perusahaan (Inmon, 2002, p31).

Menurut O’Brien (2005, p143), data warehouse adalah kumpulan data

terintegrasi yang diekstrak dari database operasional, historikal, dan eksternal,

dibersihkan, ditransformasi, dan dikatalogkan untuk penarikan dan analisis (data

mining), untuk menyediakan Business Intelligence untuk pengambilan keputusan

bisnis.

Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah

tempat penyimpanan data dimana kapasitas penyimpanannya berskala besar;

datanya diakumulasikan dengan menambahkan record baru dan bukan dengan

mengupdate record yang ada dengan informasi yang baru ;data sangat mudah

ditarik; dan data digunakan semata-mata untuk pengambilan keputusan dan

bukan untuk kegiatan operasional perusahaan.

2.1.1 Karakteristik Data Warehouse

Menurut Inmon (2005, p29), karakterisktik dari data warehouse yaitu:

subject oriented, integrated, nonvolatile dan time variant.

1. Subject Oriented (Berorientasi Subjek)

Data warehouse diorganisasikan di sekitar subjek-subjek utama dari

perusahaan (seperti: pelanggan, produk, dan penjualan) dari pada area-area

aplikasi utama. Hal ini tercermin dari kebutuhan untuk menyimpan data yang

mendukung pengambilan keputusan dari pada data yang berorientasi aplikasi.

II - 2

Gambar 2.1 Data yang Berorientasi Subjek (Inmon, 2002, p32)

2. Integrated (Terintegrasi)

Terintegrasi karena berasal dari sumber data system aplikasi perusahaan

yang berbeda. Sumber data seringkali tidak konsisten. Sebagai contoh, format

tabel-tabel sumber data berbeda. Sumber data yang terintegrasi harus dibuat

konsisten untuk menyajikan tampilan yang seragam kepada user.

II - 3

Gambar 2.2 Data yang Terintegrasi (Inmon, 2002, p33)

3. Time Variant (Variansi Waktu)

Data di dalam warehouse hanya akurat dan valid pada beberapa titik waktu

atau pada interval waktu tertentu. Variansi waktu dari data warehouse juga

ditunjukan oleh perpanjangan waktu yang dimiliki oleh data, dan asosiasi implisit

atau eksplisit waktu dengan semua data, serta fakta bahwa data

merepresentasikan serangkian snapshot.

Gambar 2.3 Variansi Waktu (Inmon, 2002, p34)

II - 4

4. Nonvolatile (Tidak Mudah Berubah)

Data tidak diupdate secara real-time tetapi diperbaharui dari system

operasional pada basis sehari-hari. Data baru selalu ditambahkan sebagai

suplemen untuk sebuah database, bukan pengganti. Database secara terus

menerus menyerap data baru, dan secara bertingkat diintegrasikan dengan data

sebelumnya.

Gambar 2.4 Tidak Mu dah Berubah (Inmon, 2002, p35)

2.1.2 Keuntungan Data Warehouse

Menurut Connolly dan Begg (2005, p1152), data warehouse yang telah

diimplementasikan dengan baik dapat memberikan keuntungan yang besar bagi

organisasi, y aitu:

1. Potensi nilai kembali yan g besar pada investasi

Sebuah organisasi harus mengeluarkan uang dan sumber daya dalam jumlah

yang cukup besar untuk memastikan kalau data warehouse telah

diimplementasikan dengan baik, biaya yang dikeluarkan tergantung dari solusi

teknikal yang diinginkan. Akan tetapi, setelah data warehouse digunakan, maka

kemungkinan didapatkannya ROI(Return on Investment) relatif lebih besar.

2. Keuntungan Kompetitif

Keuntungan kompetitif didapatkan apabila pengambil keputusan mengakses

data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui,

tidak tersedia, misalnya informasi mengenai konsumen, trend, dan permintaan.

3. Meningkatkan produktivitas para pengambil keputusan perusahaan

II - 5

Data warehouse meningkatkan produktivitas para pengambil keputusan

perusahaan dengan menciptakan sebuah database yang terintegrasi secara

konsisten, berorientasi pada subjek, dan data historis. Data warehouse

mengintegrasikan data dari beberapa system yang tidak konsisten ke dalam bentuk

yang sama sehingga data tersebut dapat menjadi informasi yang berguna untuk

analisis dan pengambilan kep utusan.

2.1.3 Struktur Data Warehouse

Struktur data warehouse menurut Inmon (2002, p35) dibagi berdasarkan

tingkat detail data. Pada struktur data warehouse terdapat older level of detail,

current level of detail, level of lightly summarized data (the data mart level), dan

level of highly summarized data.

Gambar 2.5 S truktur Data Warehouse (Inmon, 2002, p36)

1. Older Detail Data

Older detail data berisi history dari perusahaan yang merupakan hasil

backup yang tersimpan pada media penyimpanan terpisah dan dapat diakses

kembali pada waktu tertentu. Older detail data biasanya disimpan pada media

tape disk dan direktorinya disusun berdasarkan umur data tersebut sehingga

memudahkan pengaksesannya. Data pada older detail memungkinkan untuk

melakukan analisis trend.

II - 6

2. Current Detail Data

Current detail data berisi data yang merupakan data yang sedang berjalan

sekarang yang diperoleh dari database operasional. Current detail data

mempunyai ukuran yang sangat besar karena merupakan level terendah dan

menyimpan semua data dan informasi yang ada dalam suatu perusahaan.

3. Lightly Summarized Data

Lightly summarized data adalah detail data yang telah diringkas ke dalam

bentuk yang sedikit lebih ringkas. Lightly summarized data biasanya disimpan

pada media disk. Lightly summarized data memiliki tingkat detail yang

mendukung kebutuhan data warehouse pada tingkat department yang biasa

disebut juga dengan data mart. Pengaksesan pada data ini banyak digunakan

untuk view pada kondisi yang sedang dan sudah berjalan.

4. Highly Summarized Data

Highly summarized data merupakan data yang telah diringkas secara

menyeluruh sehingga dapat digunakan untuk mendukung proses pengambilan

keputusan. Highly summarized data sangat menguntungkan proses pengambilan

keputusan karena analisa data yang telah diringkas secara menyeluruh tidak

memakan waktu.

5. Metadata

Metadata, atau data tentang data, telah menjadi bagian informasi yang

penting pada data warehouse. Metadata bertindak seperti indeks dari isi data

warehouse sehingga memudahkan pengguna data warehouse untuk mengambil dan

mencari data di dalam data warehouse. Data-data yang biasa disimpan dalam

metadata :

a. Struktur data yang diketahui programmer

b. Struktur data yang diketahui analis DSS

c. Sumber data dari data warehouse

d. Transfomasi data ketika data tersebut disimpan dalam data warehouse.

e. Model data

f. Hubungan antara model data dan data warehouse

g. History dari ekstraksi

II - 7

2.1.4 Anatomi Data Warehouse

Konsep awal dari penerapan arsitektur data warehouse yaitu bahwa data

warehouse mengambil data dari berbagai sumber dan memindahkannya ke dalam

pusat pengumpulan data yang besar. Keunggulan dari teknologi Client Server ini

memungkinkan data warehouse diterapkan dalam berbagai macam cara untuk

menampung kebutuhan pemakai system yang secara lebih p roporsional.

Berikut ini adalah tiga jenis dasar sistem data warehouse :

1. Data Warehouse Fungsional

Data warehouse fungsional merupakan data warehouse yang dibuat lebih

dari satu dan dikelompokkan berdasarkan fungsi-fungsi yang berada di dalam

perusahaan seperti fungsi keuangan, marketing, personalia dan lain-lain.

Database dari sistem ini diperoleh dari kegiatan sehari-hari. Keuntungan dari

bentuk data warehouse seperti ini adalah sistem mudah dibangun dengan biaya

relatif murah, sedangkan kerugiannya adalah resiko kehilangan konsistensi data

dan terbatasnya kemampuan dalam pengumpulan data dari berb agai pengguna.

Gambar 2.6 Data Wa rehouse Fungsional

2. Data Warehouse Terpusat

Bentuk data warehouse terpusat terlihat seperti bentuk data warehouse

fungsional, namun sumber data terlebih dahulu dikumpulkan dalam satu tempat

terpusat. Data yang sudah terkumpul tersebut kemudian disebar ke dalam

fungsinya masing-masing, sesuai dengan kebutuhannya.

II - 8

Data warehouse terpusat adalah pendekatan yang paling banyak digunakan

karena kebiasaan user dengan lingkungan mainframe terpusat. Keuntungan dari

pendekatan ini adalah data benar-benar terpadu karena konsistensinya tinggi.

Kerugiannya adalah biaya yang mahal serta memerlukan waktu yang cukup lama

untuk membangunnya.

Gambar 2.7 Data Wa rehouse Terpusat

3. Data Warehouse Terdistribusi

Data warehouse terdistribusi menggunakan gateway yang berfungsi sebagai

jembatan penghubung antara data warehouse dengan workstation yang

menggunakan beraneka ragam sistem. Dengan sistem terdistribusi ini perusahaan

dimungkinkan untuk mengakses sumber data yang berada di luar lokasi

perusahaan(eksternal). Keuntungannya adalah data tetap konsisten karena

sebelum data digunakan data terlebih dahulu disesuaikan dan disinkronisasi,

sedangkan kerugiannya adalah sistem lebih kompleks untuk diterapkan karena

sistem operasi dikelola secara terp isah serta biayanya lebih mahal dibandingkan

dengan dua bentuk data warehouse lainnya.

Gambar 2.8 Data Wa rehouse Terdistribusi

II - 9

2.1.5 Arsitektur Data Warehouse

Menurut Conolly dan Begg (2002, p1052) arsitektur data warehouse adalah

sebagai berikut:

Gambar 2.9 Arsitektur Data Warehouse (Connolly, 2002, p1053)

Komp onen-komp onen dari data warehouse menurut Connolly dan

Begg (2002, p 1052), antara lain:

1. Operational Data

Operational Data adalah data yang digunakan dalam proses operasional

harian.

2. Operational Data Store

Operational Data Store (ODS) adalah sebuah tempat penyimpanan data

saat ini dan data operasional terintegrasi yang digunakan untuk analisis. ODS

menyediakan kemudahan untuk menggunakan database relasional ketika berada

jauh dari fungsi decision support dari data warehouse. Dengan terlebih dahulu

membangun ODS, pembuatan data warehouse menjadi lebih sederhana karena

ODS dapat menyuplai data yang telah yang telah diekstrak dari sistem sumber.

3. Load manager

Load manager (disebut juga komponen front-end) melakukan semua operasi

II - 10

yang berhubungan dengan ekstraksi dan loading data ke dalam data warehouse.

4. Warehouse Manager

Warehouse manager melakukan semua operasi yang berhubungan dengan

management data dalam data warehouse. Operasi-operasi yang dilakukan oleh

warehouse manager, meliputi:

a. Analisis data untuk menjaga konsistensi;

b. Transformasi dan penggabungan sumber data dari tempat penyimpanan

sementara ke dalam tabel-tabel data warehouse;

c. Pembuatan index d an view dalam tabel basis;

d. Melakukan denormalisasi (jik a diperlukan);

e. Melakukan agregasi (jika diperlukan) ;

f. Backup dan penyimpanan data.

5. Query Manager

Query manager (disebut juga komponen back-end) melakukan semua

operasi yang berhubungan dengan management dari permintaan pengguna (user

queries). Komponen ini biasanya dikonstruksikan menggunakan vendor end-user

data access tools, data warehouse monitoring tools, fasilitas database, dan

program custom-built. Operasi yang dilakukan pada komponen ini meliputi

memproses query ke tabel yang tepat dan penjadwalan eksekusi query.

6. Detailed Data

Dalam data warehouse, area ini menyimpan detailed data dalam skema

database. Umumnya, detailed data tidak disimpan secara online tetapi dapat

dibuat ada dengan mengagregasi data ke tingkatan yang lebih detail.

7. Lightly and Highly Summarized Data

Dalam data warehouse, area ini menyimpan predefined lightly dan highly

summarized data yang dihasilkan oleh warehouse manager. Tujuan dari

meringkas informasi adalah untuk mempercepat pemrosesan query. Ringkasan data

diupdate secara terus menerus ketika data baru dimasukkan ke dalam warehouse.

8. Archived/Backup Data

Dalam data warehouse, area ini menyimpan semua data detailed dan

II - 11

summarized dengan tujuan untuk penyimpanan (archiving) dan backup. Data

ditransfer ke dalam magnetic tape atau optical d isc.

9. Metadata

Dalam data warehouse, area ini menyimpan semua definisi metadata

(data tentang data) yang digunakan oleh semua proses dalam da ta warehouse.

Metadata digunakan untuk berbagai tujuan termasuk:

a. Proses ekstraksi dan loading

Metadata digunakan untuk memetakan sumber data ke dalam common view

dari data pada warehouse.

b. Proses manajemen warehouse

Metadata digunakan untuk otomatisasi produksi tabel ringk asan.

c. Sebagai bagian dari proses manajemen query

Metadata digunakan untuk mengarahkan query ke sumber data yang paling

tepat.

10. End-User Access Tools

Tujuan utama dari data warehousing adalah menyediakan informasi kepada

business user untuk mendukung pengambilan keputusan. Para pengguna ini

berinteraksi dengan data warehouse menggunakan end-user access tools. End-

user access tools dibagi menjad i 5(lima) kategori utama:

i. Reporting and Query Tools

Reporting tools meliputi production reporting tools dan report writers.

Production reporting tools digunakan untuk menghasilkan laporan operasional

reguler. Report writers adalah desktop tools yang dirancang untuk end-user.

Query tools untuk data warehouse relasional dirancang untuk menerima

SQL atau menghasilkan statement SQL untuk memproses data yang disimpan di

dalam warehouse.

ii. Application Development Tools

Application Development Tools adalah aplikasi in-house yang

menggunakan data access tools grafikal yang dirancang untuk lingkungan client–

server. Beberapa dari application development tools ini terintegrasi dengan OLAP

tools, dan dapat mengakses sistem database pada umumnya, termasuk Oracle,

II - 12

Sybase, dan Informix.

iii. Executive Information System (EIS) Tools

Executive Information System lebih dikenal dengan “everybody’s

information systems” pada awalnya dikembangkan untuk mendukung

pengambilan keputusan strategi tingkat tinggi yang kemudian fokusnya meluas

untuk mendukung semua tingkatan manajemen. EIS tools terhubung dengan

mainframe yang memungkinkan user membuat aplikasi grafikal pendukung

pengambilan keputusan untuk menyediakan tinjauan data perusahaan dan akses ke

sumber data eksternal.

iv. Online Analytical Processing (OLAP) Tools

Online Analytical Processing (OLAP) Tools didasarkan pada konsep

database multidimensi dan memungkinkan pengguna untuk menganalisa data

menggunakan view multidimensi yang kompleks. Tools ini mengasumsikan bahwa

data diorganisasikan berdasarkan model multidimensi yang didukung oleh

database multidimensi atau database relasional yang dirancang untuk

memungkinkan query multidimensi.

v. Data mining Tool

Data mining adalah proses untuk menemukan korelasi, pola, dan trent baru

yang berarti dengan menggali data dalam jumlah besar dengan menggunakan

teknik statistika, matematis, dan kecerdasan buatan. Data mining memiliki

kemampuan untuk menggantikan kemampuan dari OLAP tools. Data mining

memiliki kemampuan untuk membangun model prediktif dari pada model

retrosp ektif.

2.2 Data

Data adalah sebuah catatan dari fakta-fakta, konsep-konsep, atau

instruksi-instruksi pada sebuah media penyimpanan untuk komunikasi,

penarikan, dan pemrosesan secara otomatis serta presentasi sebagai

informasi yang dapat dimengerti oleh manusia (Inmon, 2002, p388).

Data adalah fakta atau observasi mentah, yang biasanya mengenai

fenomena fisik, atau transaksi bisnis (O’Brien, 2005, p26).

II - 13

Menurut McLeod dan Schell (2004, p9), data terdiri dari fakta-fakta dan

angka- angka yang secara relatif tidak berarti bagi pemakai, merupakan fakta

mentah yang belum diolah.

2.3 Perancangan Data Warehouse

Salah satu dari metodologi perancang data warehouse adalah Nine-Step

Methodology oleh Kimball (1996) yang memiliki 9(sembilan) langkah sebagai

berikut:

1. Memilih Proses (Choosing The Process)

Proses mengacu pada subjek masalah dari data mart tertentu. Data mart

yang pertama kali dibangun haruslah tepat waktu, sesuai dengan anggaran, dan

dapat menjawab pertanyaan-pertanyaan bisnis yang penting. Pilihan terbaik untuk

data mart yang akan dibangun pertama kali lebih cenderung berkaitan dengan

penjualan. Sumber data penjualan lebih mudah diakses dan berkualitas tinggi.

2. Memilih Sumb er (Choosing The Grain)

Memilih grain berarti memutuskan secara pasti apa yang dinyatakan oleh

record dari table fakta. Hanya dengan telah terpilihnya grain untuk table fakta

maka kita dapat mengidentifikasi dimensi. Keputusan grain untuk tabel fakta

juga menentukan grain untuk setiap dimensi pada tabel fakta.

3. Mengidentifikasi dan Penyesuaian Dimensi (Identifying and Conforming The

Dimensions)

Dimensi menentukan konteks untuk memberikan pertanyaan mengenai fakta-

fakta dalam tabel fakta. Kumpulan dimensi yang dibangun dengan baik membuat

data mart dapat dimengerti dan mudah untuk digunakan. Dimensi diidentifikasi

dalam detail yang cukup untuk mendeskripsikan data seperti client dan properties

dari grain yang tep at.

Jika ada dimensi yang mucul dalam dua data mart, maka kedua data

mart tersebut harus memiliki dimensi yang sama, atau salah satu data mart

adalah subset matematis dari data mart yang lain. Hanya dengan cara ini dua

data marts berbagi satu atau lebih dimensi pada aplikasi yang sama. Ketika

sebuah dimensi digunakan oleh lebih dari satu data mart dan dimensi tersebut

II - 14

tidak disinkronisasikan antar data mart maka seluruh data warehouse akan

gagal, karena dua data mart tidak dapat digunakan pada saat yang bersamaan.

4. Memilih Fakta (Choosing The Fact)

Grain dari tabel fakta menentukan fakta mana yang dapat digunakan pada

data mart. Semua fakta harus dinyatakan berdasarkan tingkatan yang tersirat oleh

grain. Fakta tambahan dapat ditambahkan ke dalam tabel fakta pada setiap waktu

dengan catatan fakta tersebut konsisten dengan grain dari tabel.

5. Menyimpan Perhitungan Awal dalam Tabel Fakta (Storing Pre-Calcula tion in

The Fact Table)

Setelah fakta dipilih, setiap fakta harus dikaji ulang untuk menentukan

apakah ada kemungkinan untuk melakukan pre-calculations. Pre-calculations

terjadi ketika fakta terdiri dari statement untung dan rugi.

6. Melihat Kembali Table Dimensi ( Rounding Out The Dimension Tables)

Pada langkah ini, kita kembali mengkaji tabel dimensi dan menambahkan

sebanyak mungkin deskripsi teks ke dimensi. Teks deskripsi haruslah seintuitif

mungkin dan dapat dimengerti oleh pengguna. Kegunaan dari data mart ditentukan

oleh cakupan dan sifat atribut pada tabel dimensi.

7. Memilih Durasi Database (Choosing The Duration of Database)

Durasi mengukur berapa lama tabel fakta dapat disimpan. Pada banyak

perusahaan, ada ketentuan untuk melihat pada periode waktu yang sama satu

atau dua tahun sebelumnya. Tabel fakta yang sangat besar akan mengakibatkan

setidaknya dua masalah yang signifikan pada data warehouse. Pertama,

bertambahnya kesulitan untuk menjadikan data lama yang semakin bertambah

sebagai sumber. Semakin lama suatu data, semakin banyak masalah dalam

membaca dan menginterpretasikan file lama tersebut. Kedua, kebutuhan dimensi

menggunakan versi yang lama, bukan versi y ang baru.

8. Menelusuri Perubahan dari Dimensi secara Perlahan (Tracking Slowly

Changing Dimension)

Pada tahap ini, data warehouse memperhatikan proses dimensi yang

semakin tua seiring dengan berjalannya waktu. Untuk itu perlu dilakukan update

agar data warehouse selalu konsisten. Terdapat tiga tipe dasar perubahan dimensi

II - 15

secara perlahan:

a. Tipe 1 : Perubahan data secara langsung atau update tabel dimensi.

b. Tipe 2 : Perubahan data membentuk record baru dengan surrogate key

yang berbeda.

c. Tipe 3 : Perubahan data akan membentuk atribut atau kolom baru pada tabel

dimensi.

9. Memutuskan Prioritas Query dan Tipe Query (Deciding The Query

Priorities and The Query Models)

Pada tahap ini dipertimbangkan masalah perancangan fisik (physica l design).

Masalah utama pada perancangan fisik yang mempengaruhi persepsi pengguna

akhir dari data mart adalah urutan penyusunan tabel fakta pada disk dan

adanya pre stored summaries dan agregasi

2.4 OLTP (Online Transaction Processing)

OLTP adalah sebuah sistem real-time yang memproses transaksi. Sistem

real-time akan menangkap dan memproses transaksi secepatnya, yang

mendukung operasi bisnis perusahaan sehari-hari (O’brien, 2005, p228).

Menurut Connoly (2002, p1049), OLTP adalah sebuah system yang

dioptimasi untuk transaksi yang dapat diprediksi, berulang dan terupdate secara

intensif dalam jumlah besar. Data OLTP disusun berdasarkan kebutuhkan

transaksi yang berhubungan dengan aplikasi bisnis dan mendukung keputusan

sehari-hari kumpulan user operasional yang berjalan bersamaan. Sistem OLTP

menyediakan sumber data untuk data warehouse.

Tabel 2.1 Perbandingan Sistem OLTP dan Sistem Data Warehouse

Sistem OLTP Sistem data warehouse Menangani data sekarang Menangani data historis Menyimpan detailed data Menyimpan detailed, lightly, dan highly

summarized data Data bersifat dinamis Data bersifat statis Proses berulang Proses sewaktu-waktu tidak terstruktur

heuristik Jumlah transaksi tinggi Jumlah transaksi rendah sampai sedang Transaction driven Analysis driven

II - 16

Berorientasi aplikasi Berorientasi subjek Mendukung keputusan harian Mendukung keputusan strategis Melayani banyak user Melayani sedikit user (manajerial)

2.5 OLAP (Online Analytical Processing)

OLAP adalah sebuah metode yang memungkinkan user berkomunikasi

dengan data warehouse baik melalui antarmuka grafis atau antarmuka web, dan

dapat dengan cepat menghasilkan informasi dalam berbagai bentuk, termasuk

grafik (McLeod dan Schell, 2004, p200).

Menurut Connolly (2002, p1056), OLAP adalah sebuah sintesis, analisis, dan

konsolidasi dinamis dari data multidimensional dalam jumlah besar. OLAP adalah

sebuah teknologi yang menggunakan view multidimensional dari data agregat

untuk menyediakan akses cepat ke informasi yang dimaksudkan untuk analisis

lebih lanjut. OLAP memungkinkan user untuk mendapatkan pengertian dan

pengetahuan yang lebih dalam mengenai berbagai aspek data perusahaan melalui

akses yang cepat, konsisten, dan interaktif ke berbagai variasi view dari d ata.

2.6 Penjualan

Menurut Joel G. Siegel dan Joe K. Shim (2006, p404), penjualan adalah

penerimaan yang diperoleh dari pengiriman barang dagangan atau dari

penyerahan pelayanan dalam bursa sebagai barang pertimbangan. Pertimbangan

ini dapat dalam bentuk tunai peralatan kas atau harta lainnya. Pendapatan dapat

diperoleh pada saat penjualan, karena terjadi pertukaran, harga jual dapat

ditetapkan dan bebannya diketahui.

Dalam kegiatan ini penjualan akan melibatkan debitur atau disebut juga

pembeli serta barang-barang atau jasa yang diberikan dan dibayar oleh debitur

tersebut dengan cara tunai ataupun kredit.

Penjualan barang dagang oleh sebuah perusahaan dagang biasanya hanya

disebut “penjualan”, jumlah transaksi yang terjadi biasanya cukup besar

dibandingkan jenis transaksi lainnya. Dalam menjual barang dagangannya

perusahaan dapat menerapkan tiga metode penjualan yang sering dikenal yaitu

penjualan tunai, penjualan kredit, dan penjualan konsiny asi.

II - 17

2.7 Pembayaran

Pembayaran adalah debit sebagian atau seluruhnya dari suatu

kewajiban dengan penyelesaian dalam bentuk transfer dana, asset atau layanan

yang bernilai moneter sama dengan sebagian atau seluruh kewajiban d ebitur.