6  

BAB 2

LANDASAN TEORI

2.1. Data dan Informasi

W.H. Inmon pada bukunya “Building the Data warehouse” (2005,p.493)

mendefinisikan data sebagai kumpulan fakta, konsep, dan instruksi yang

disimpan pada media penyimpanan untuk komunikasi, pengambilan, dan

pemrosesan dengan cara otomatis dan dipresentasikan sebagai informasi yang

dapat dimengerti oleh manusia. Contoh dari data, yaitu : saldo tabungan, jumlah

penduduk, nilai kuliah.

Sedangkan informasi didefinisikan sebagai data yang digabungkan dan

dievaluasi untuk menyelesaikan masalah atau membuat keputusan. Contoh dari

informasi, yaitu : laporan saldo tabungan bulanan dari setiap nasabah,

pertumbuhan penduduk pada setiap provinsi.

2.2. Database

Menurut Connoly(2005. p.14), Database adalah kumpulan dari data – data

yang terhubung secara logika yang dibuat untuk memenuhi kebutuhan informasi

dari sebuah organisasi. Database merupakan penyimpanan data dalam skala

besar dengan jumlah duplikasi minimum yang dapat digunakan secara

bersamaan oleh beberapa pengguna. Database mewakili entitas, atribut, dan

hubungan logika antara beberapa entitas.

7  

2.3. Database Management System (DBMS)

Menurut A.Silberschatz (2006, p.1), Database Management System

(DBMS) adalah kumpulan dari data yang saling berhubungan dan program –

program untuk mengakses data tersebut. Tujuan utama dari DBMS adalah

menyediakan sarana untuk menyimpan dan mendapatkan informasi database

secara efisien. Dalam DBMS terdapat Data Definition Language (DDL), Data

Manipulation Language (DML) dan pengaturan akses ke database sebagai

fasilitasnya.

2.3.1. Data Definiton Language (DDL)

Data Definiton Language (DDL) Memungkinkan user untuk

memilih tipe dan struktur data serta constraint pada data yang akan

disimpan di dalam database.

2.3.2. Data Manipulation Language (DML)

Data Manipulation Language (DML) memungkinkan user untuk

melakukan insert, update, delete, dan mengambil data dari database.

2.4. OLTP (Online Transaction Processing)

Menurut Conolly (2005, p.1149) OLTP adalah system yang dirancan g

untuk menangani jumlah transaksi yang tinggi, dengan transaksi yang secara

khusus melakukan perubahan kecil terhadap data operasional organisasi, yaitu

data yang dibutuhkan oleh organisasi untuk menangani operasi harian.

8  

2.5. OLAP (Online Analytical Processing)

Menurut Connolly(2005, p.1204), OLAP adalah teknologi yang

menggunakan multi-dimensional view dari aggregate data untuk menyediakan

akses yang cepat ke informasi strategis untuk mendukung proses pengambilan

keputusan.

OLAP memungkinkan user untuk mendapatkan pemahaman dan informas i

yang mendalam mengenai berbagai aspek dari data perusahaan mereka melalui

akses yang cepat, konsisten, dan iteraktif ke berbagai macam data view.

2.6. Data Mart

Data mart adalah fasilitas penyimpanan data yang berorientasi pada subject

tertentu atau berorientasi pada departemen tertentu seperti sales, marketing,

operation atau collection. Sehingga suatu organisasi bisa mempunyai lebih dari

satu data mart.

Data mart pada umumnya diorganisasikan sebagai suatu dimensional

model, seperti star schema yang tersusun dari sebuah tabel fakta dan tabel

dimensi.

2.7. Extract, Transform, Loading (ETL)

Data operasional yang belum terintegrasi bersifat kompleks dan sulit

ditangani. Untuk itu diperlukan sebuah metode untuk mengintegrasikan data dari

9  

level operasional ke data warehouse. Metode tersebut memiliki tiga proses,

yaitu:

1. Extraction

Menurut Kimball(2002, p8), extraction adalah langkah awal dalam

proses pengambilan data ke data warehouse. Extracting artinya membaca

dan memahami sumber data dan menyalin data yang dibutuhkan oleh data

warehouse ke staging area untuk dimanipulasi lebih mendalam.

2. Transformation

Setelah data diekstrak ke dalam staging area, ada beberapa

transformation yang mungkin dilakukan seperti : cleansing data

(memperbaiki kesalahan pengejaan, memperbaiki konflik domain, mengatasi

elemen yang hilang, atau mengubah ke dalam format standar),

menggabungkan data dari beberapa sumber, mengurangi duplikasi data, dan

memberikan warehouse keys.

3. Loading

Pada akhir proses transformasi, data berada dalam bentuk load record

images. Loading data ke dalam data warehouse berarti mengambil replika

dari tabel dimensi dan tabel fakta lalu mempresentasikan tabel – tabel

tersebut ke bulk loading facilities pada data mart.

10  

2.8. Data warehouse

2.8.1. Pengertian Data warehouse

Data warehouse adalah kumpulan data yang bersifat subject-

oriented, integrated, nonvolatile, dan time-variant yang mendukung

proses pengambilan keputusan manajemen. Data pada data warehouse

dapat digunakan untuk tujuan yang berbeda termasuk untuk mengetahui

requirements yang akan dibutuhkan di masa yang akan datang. (W.H

Inmon , 2005.p29)

Data warehouse dibangun dari data aplikasi yang didapat dari

operational environment. Data tersebut kemudian diintegrasikan lalu

kemudian dialihkan ke data warehouse. Aliran data berjalan dari data

warehouse ke level department atau disebut juga data mart environment.

Data pada level department atau data mart dibentuk dari hasil pemrosesan

requirements setiap department.

Proses pengambilan keputusan pada data warehouse lebih mudah

karena data diambil dari sumber yang terintegrasi (data warehouse),

granularity dari data warehouse yang mudah diakses, dan karena data

warehouse memiliki fondasi yang reusable dan mudah untuk disusun

kembali.

2.8.2. Karakteristik Data warehouse

Pada pengertian data warehouse yang dijelaskan dalam poin

sebelumnya dikatakan bahwa data warehouse memiliki beberapa

11  

karakteristik. Menurut Conolly (2005, p.1151) karakteristik –

karakteristik data warehouse adalah sebagai berikut :

• Subject oriented (berorientasi subyek)

Data warehouse berorientasi subyek artinya data warehouse

didesain untuk menganalisa data pada area subyek – subyek utama

dalam organisasi bukan pada area aplikasi.

Data warehouse diorganisasikan pada subjek – subjek utama

seperti pelanggan, produk, dan penjualan bukan pada area aplikasi

seperti invoice, pengontrolan stok, dan penjualan produk. Hal ini

dikarenakan data warehouse dirancang untuk memenuhi kebutuhan

akan penyimpanan data yang mendukung proses pembuatan

keputusan daripada aplikasi yang berorientasi terhadap data.

• Integrated (terintegrasi)

Data warehouse menyimpan data yang berasal dari berbagai

sumber secara konsisten karena sumber data tersebut terkadang

tidak konsisten seperti format data yang berbeda. Format data pada

data warehouse dibuat konsisten dan terintegrasi untuk memberikan

data yang seragam kepada pengguna. Contoh proses pengintegrasian

ini dapat dilakukan dengan cara melakukan konversi dan

menyesuaikan format data.

• Time – variant (variasi waktu)

Seluruh data pada data warehouse dikatakan akurat dan

berlaku pada suatu rentang waktu atau interval tertentu. Variasi

12  

waktu dari data warehouse dapat dilihat ketika pada kasus tertentu,

sebuah record memiliki time stamp. Dalam kasus lain, setiap record

memiliki tanggal transaksi. Tetapi pada setiap kasus pasti ada

pemberian waktu untuk menunjukkan rentang waktu dimana data

tersebut berlaku.

• Non-volatile (tidak mudah berubah)

Dikatakan tidak mudah berubah karena data tidak diupdate

secara realtime tetapi dengan cara di-refresh dari sistem operasional

secara regular. Meskipun diupdate secara reguler dari database

operasional tetapi data warehouse berbeda dari database

operasional karena pada data warehouse hanya ada dua kegiatan

yaitu loading data dan pengaksesan data secara massal tetapi tidak

ada proses updating data seperti pada database operasional.

2.8.3. Keuntungan Data warehouse

Pengimplementasian data warehouse yang baik akan

memberikan keuntungan bagi sebuah organisasi. Keuntungan –

keuntungan tersebut menurut Connolly (2002, p.1048) adalah :

• Potensi nilai return of investment (ROI) yang tinggi.

• Keuntungan yang kompetitif

• Meningkatkan produktifitas para pengambil perusahaan pada

sebuah perusahaan.

13  

2.8.4. Arsitektur Data warehouse

Penjelaskan mengenai proses, tools, dan teknologi yang

berhubungan dengan data warehouse akan diuraikan pada poin ini.

Arsitektur data warehouse menurut Connolly (2002, p.1052)

digambarkan seperti berikut ini :

2.8.4.1. Operational Data

Sumber dari operational data dapat diperoleh dari :

• Mainframe data operational yang terdapat pada generasi

pertama dari database jaringan dan hierarkikis. Dapat

diestimasikan bahwa mayoritas data operasional

perusahaan tersimpan pada sistem ini.

• Data dari masing – masing departemen yang tersimpan

pada file system seperti VSAM, RMS, dan file sistem

dari relational DBMS seperti Informix dan Oracle.

• Private data yang tersimpan di workstation dan private

server.

• Sistem eksternal seperti internet, database komersial, atau

database yang berhubungan dengan perusahaan supplier

atau customer.

14  

2.8.4.2. Operational Datastore

Operational Datastore (ODS) adalah tempat

penyimpanan data operasional yang terintegrasi yang

digunakan untuk analisis. ODS memiliki struktur dan cara

penyediaan data yang sama dengan data warehouse tetapi

sesungguhnya bertindak secara sederhana sebagai tempat

penyimpanan sementara sebelum dipindahkan ke data

warehouse.

2.8.4.3. Load Manager

Load manager melakukan semua operasi yang

berhubungan dengan ekstraksi dan loading data ke data

warehouse. Data dapat diekstrak secara langsung dari

sumber data atau biasanya diambil dari operational

datastore.

2.8.4.4. Warehouse Manager

Warehouse manager melakukan semua operasi yang

berhubungan dengan kegiatan manajemen data pada

warehouse. Operasi – operasi tersebut meliputi :

• Analisis untuk memastikan konsistensi data.

15  

• Transformasi dan penggabungan sumber data dari tempat

penyimpanan sementara ke tabel data warehouse.

• Pembuatan index dan view dari tabel - tabel dasar.

• Melakukan denormalisasi dan aggregrasi bila diperlukan.

• Mem-back up dan mengarsipkan data.

2.8.4.5. Query Manager

Query manager melakukan semua operasi yang

berhubungan dengan kegiatan manajemen query yang

dilakukan oleh user. Operasi – operasi yang dilakukan oleh

komponen ini meliputi pengarahan query ke tabel yang

sesuai dan menjadwalkan waktu eksekusi dari query. Pada

beberapa kasus, query manager juga membuat query profiles

untuk mengizinkan data warehouse agar bisa menentukan

index dan fungsi aggregate mana yang sesuai.

2.8.4.6. Detailed Data

Area data warehouse ini menyimpan semua data

detail dari database schema. Pada banyak kasus, data detail

tidak disimpan secara online melainkan disimpan pada level

berikutnya dengan melakukan proses aggregating.

16  

2.8.4.7. Lightly and Highly Summarized Data

Area ini menyimpan data lightly dan highly

summarized yang dihasilkan oleh warehouse manager. Area

ini adalah tempat penampungan sementara sebelum

dilakukan perubahan secara berkelanjutan untuk merespon

perubahan profil query. Tujuan dari ringkasan informasi ini

adalah untuk meningkatkan kecepatan query. Data diupdate

secara terus menerus setiap data baru di-load ke data

warehouse.

2.8.4.8. Archived / Backup Data

Area ini menyimpan data detail dan ringkasan data

untuk tujuan pengarsipan dan back up. Walaupun ringkasan

data dihasilkan dari data detail, tetapi back up online dari

ringkasan data diperlukan seandainya data disimpan dalam

waktu yang melebihi batas periode penyimpanan data detail.

Data dipindahkan ke media penyimpanan arsip seperti

magnetic tape atau optical disk.

2.8.4.9. Meta Data

Area ini menyimpan semua definisi meta-data (data

tentang data) yang digunakan oleh semua proses di dalam

17  

data warehouse. Meta-data digunakan untuk berbagai

macam tujuan seperti :

• Proses loading dan ekstraksi : meta-data digunakan untuk

memetakan sumber data ke view yang terdapat pada data

warehouse.

• Proses manajemen warehouse : meta-data digunakan

untuk meng-otomatisasi pembuatan tabel ringkasan dari

data yang ada di dalam data warehouse.

• Sebagai bagian dari query management process : meta-

data digunakan untuk mengarahkan query ke sumber

data yang paling sesuai.

2.8.4.10. End-User Access Tools

Tujuan utama dari data warehouse adalah untuk

menyediakan informasi kepada bisnis user untuk membuat

keputusan strategis. User berinteraksi dengan data

warehouse menggunakan end-user access tools. Tools ini

dibagi kedalam 5 kategori , yaitu :

• Reporting and query tools.

• Application development tools.

• Executive information system (EIS) tools.

• Online analytical processing (OLAP) tools.

• Data mining tools.

18  

2.9. Data warehouse Data Flows

Menurut Connolly (2005, p.1162) data warehouse fokus pada

management lima data flows primer, yaitu :

1. Inflows adalah proses yang berhubungan dengan pengekstrasian,

pembersihan dan pemuatan data dari source system ke dalam data

warehouse.

2. Upflow adalah proses yang berhubungan dengan penambahan nilai pada data

yang ada di dalam data warehouse melalui peringkasan, packaging, dan

pendistribusian data.

3. Downflow adalah proses yang berhubungan dengan pengarsipan dan back up

data pada data warehouse. Downflow memastikan agar data warehouse

dapat dibangun kembali jika terjadi kehilangan data atau kerusakan pada

software/hardware.

4. Outflow adalah proses yang terkait dengan penyediaan data sehingga data

selalu ada untuk end-users. Ada 2 kunci kegiatan yang terlibat dalam

outflow, yaitu:

a. Accessing, artinya mampu memenuhi permintaan end-users akan data

yang mereka butuhkan.

b. Delivering, secara proaktif mengirim informasi ke lingkungan kerja end-

users.

5. Meta-flow adalah proses yang terkait dengan manajemen meta-data.

19  

2.10. Metodologi Perancangan Data warehouse

Menurut Conolly (2005, p.1187) ada sembilan langkah dalam merancan g

data warehouse yang dikenal dengan “Nine-step method”, yaitu :

1. Memilih proses (Choosing the process)

Yang dimaksud dengan proses adalah subjek masalah dari data mart. Data

mart yang dibuat harus bisa menjawab pertanyaan – pertanyaan penting dari

bisnis dan mudah diakses dari sudut pandang ekstraksi data.

2. Memilih Grain (Choosing the grain)

Memilih grain berarti menentukan apa yang sebenarnya

direpresntasikan oleh record – record yang ada pada tabel fakta.

3. Mengidentifikasi dan menyesuaikan dimensi (Identifying and conforming the

dimensions)

Mengidentifikasi dimensi – dimensi yang ada dengan detail secukupnya agar

data mart menjadi mudah dimengerti dan mudah digunakan.

4. Choosing the facts

Memilih fakta yang akan digunakan oleh data mart. Semua fakta harus

ditampilkan pada level yang sama dengan grain. Fakta harus berupa numerik

dan aditif.

5. Storing precalculations in the fact table

Setelah fakta dipilih, maka setiap fakta harus diuji kembali untuk mengetahui

apakah ada kemungkinan untuk dilakukan pre-kalkulasi.

6. Rounding out the dimension tables

20  

Menambahkan sebanyak mungkin teks deskripsi kepada tabel dimensi. Teks

deskripsi harus intuitif dan mudah dimengerti oleh user.

7. Choosing the duration of the database

Menentukan durasi atau umur dari tabel fakta.

8. The need to track slowly changing dimensions

Ada 3 tipe dasar dari perubahan dimensi yang lambat, yaitu :

• Type 1, dimana atribut yang mengalami perubahan di-overwrite.

• Type 2, ketika atribut dimensi yang mengalami perubahan menyebabkan

terbentuknya record dimensi baru.

• Type 3, ketika atribut dimensi yang mengalami perubahan menyebabkan

adanya atribut pengganti sehingga nilai lama dan nilai baru dapat diakses

secara bersamaan pada dimensi record yang sama.

9. Deciding query priorities and query modes.

2.11. Konsep Pemodelan Data warehouse

2.11.1. Dimensional Modeling

Dimensional modeling adalah metodologi untuk membuat

model logika dari data agar lebih mudah digunakan dan memberikan

query performance yang tinggi. Data ditampilkan pada dimensi-

dimensi yang tidak terpisahkan menggunakan relational model dengan

beberapa batasan tertentu. Setiap dimensional model digabungkan

dalam satu tabel dengan multipart key yang disebut tabel fakta dan

sekumpulan tabel – tabel yang lebih kecil yang disebut tabel dimensi.

21  

Setiap tabel dimensi memiliki satu primary key yang berhubungan

dengan salah satu komponen dari multipart key pada tabel fakta.

Struktur yang menyerupai anatomi bintang ini disebut star join atau

star schema. Kimball(data warehouse life cycle toolkit, 2002, p54).

2.11.2. Tabel Fakta dan Tabel Dimensi

Tabel fakta merupakan fondasi utama dari data warehouse.

Tabel ini berisi pengukuran dan informasi fundamental dari sebuah

bisnis yang merupakan target utama dari data warehouse query. Pada

star schema, tabel fakta merupakan tabel sentral yang menyimpan

pengukuran numerik dan memiliki composite key yang setiap elemen

nya merupakan foreign key yang diambil dari tabel dimensi. Relas i

yang dimiliki oleh tabel fakta merupakan many-to-many relationship

dari dimensi – dimensi yang ada pada dimensional model.

Tabel dimensi merupakan tabel pada dimensional model yang

mengelilingi tabel fakta pada star schema. Tabel ini mendeskripsikan

satu aspek penting dari tabel fakta yang ditunjukkan dengan single-

part primary key dan atribut kolom yang deskriptif. Atribut – atribut

dari tabel dimensi memegang peranan penting pada data warehouse

karena mereka merupakan sumber dari constraints dan report label

yang diperlukan untuk membuat data warehouse berguna dan mudah

dimengerti.

22  

2.11.3. Skema Bintang (Star Schema)

Star schema merupakan arsitektur data warehouse paling

sederhana yang terdiri dari tabel fakta dan tabel – tabel dimensi. Tabel

fakta menjadi pusat dari star schema yang dikelilingin oleh tab. l –

tabel dimensi yang lebih kecil. Tabel fakta dan tabel dimens i

dihubungkan dengan hubungan many-to-one untuk menjamin hirarki

dari star schema.

Star schema bisa memberikan respon yang cepat dalam

memberikan akses pada database optimizers untuk diimplementasikan

pada struktur database agar menghasilkan execution plan yang lebih

baik.

Gambar 2.1 Skema Bintang

(Sumber : http://datawarehouse4u.info/Data‐warehouse‐schema‐architecture‐star‐schema.html) 

23  

2.11.4. Skema Snowflakes (Snowflakes Schema)

Skema snowflakes merupakan variasi yang lebih kompleks dari

model skema bintang dimana semua data pada tabel dimensi disimpan

dalam bentuk 3-NF sehingga memungkinkan adanya tabel dimens i

tambahan sementara struktur tabel fakta nya tetap sama. Untuk

menjaga dari model ini, tabel – tabel dimensi dihubungkan dengan

tabel sub-dimensi menggunakan many-to-one-relationships.

Skema ini bisa mengurangi redundancy dan menghemat media

penyimpanan. Dampak yang kurang baik dari skema ini adalah

berkurang nya efektifitas browsing karena skema yang kompleks dan

menurunnya system performance karena adanya tabel – tabel

tambahan.

Gambar 2.2 Skema Snowflakes

(sumber : http://datawarehouse4u.info/Data-warehouse-schema-

architecture-snowflake-schema.html )

24  

2.12. Teori Data Flow Diagram (DFD)

Menurut Jeffery L. Whitten (2004, p.344) , data flow diagram adalah alat

yang digunakan untuk menggambarkan aliran data yang melewati sistem serta

pekerjaan atau proses yang terjadi didalam sistem.

 2.12.1 Komponen DFD

Ada 4 komponen utama yang membentuk data flow diagram , yaitu : aliran

data , external agent , proses , dan data stores.

Menurut Jeffery L. Whitten (2004, p.357) , data flow merupakan data yang

masuk atau keluar dari sebuah proses. Data flow merepresentasikan

data/informasi yang masuk ke dalam sistem atau hasil dari sebuah proses. Data

flow hanya memiliki 1 arah antar symbol.

Gambar 2.3 Konsep Data Flow

(Sumber : Jeffery L. Whitten (2004, p. 357))

25  

Jeffery L. Whitten (2004, p. 363) , menjelaskan bahwa external agent

merupakan orang, unit organisasi, sistem luar atau organisasi yang berinteraks i

dengan sistem. Disebut juga external entity.

Menurut Jeffery L. Whitten (2004, p. 366) , data stores merupakan

inventory data atau tempat penyimpanan data. Data Stores dapat berupa file

dokumen dan atau database.

Process Menggambarkan penyelenggaraan kerja atau jawaban, dimana input

ditransformasikan menjadi output. Sehingga setiap proses setidaknya memiliki 1

input dan 1 output. Jika proses hanya memiliki output, maka itu bukanlah proses

melainkan external agent. Jika proses hanya memiliki input, maka itu bukanlah

proses melainkan data stores.

Ada 2 cara untuk menggambarkan DFD , yaitu menggunakan simbol

DeMarco/Yourdan atau menggunakan simbol yang diperkenalkan oleh Gane dan

Sarson.

Komponen DeMarco/Yourdan Gane dan Sarson Data Flow

External

Agent

26  

Data

Stores

Process

Tabel 2.1 Simbol – Simbol DFD

 

     2.12.1 DFD Level

DFD dapat digambarkan dalam diagram konteks dan Level n. Levelisasi

dimulai dari tingkatan tertinggi (diagram konteks) , lalu diuraikan ke bentuk yang

lebih rinci yang dinamakan dengan diagram level-n.

Tingkatan pada DFD adalah sebagai berikut :

1. Diagram Konteks (context data flow diagram)

Menurut Jeffery L. Whitten (2004, p.372) , diagram konteks

merupakan model proses yang digunakan untuk mendokumentasikan

scope untuk sebuah sistem. Juga disebut environmental model.

 Gambar 2.4 Contoh Diagram Konteks

(sumber : http://nyobayoo.blogspot.com/2008/09/diagram‐konteks.html) 

27  

2. Diagram Nol (context data flow diagram)

Menurut Hoffer (1996, p.318) level-0 diagram meripakan

diagram aliran data yang menggambarkan sebuah major proses , data

flow, dan data stores dari sebuah sistem yang berada pada tingkatan

tertinggi untuk detailnya

Gambar 2.5 Contoh Diagram Nol (sumber : http://nyobayoo.blogspot.com/2008/09/diagram-nolzero-

overview-diagram.html)

 

3. diagram rinci

Diagram rinci menggambarkan rincian dari proses yang terdapat

dalam diagram nol atau diagram level ditingkat sebelumnya.

28  

Gambar 2. 6 Contoh Diagram Rinci (level 1) (sumber : http://nyobayoo.blogspot.com/2008/09/diagram-rinci-level-

diagram.html) 

  2.13. Teori Khusus

2.13.1. Purchase Order

Menurut Romney & Stenbart (2003, p.421) purchase order adalah

dokumen atau formulir elektronik yang secara formal meminta pemasok

untuk menjual dan mengirimkan produk tertentu sesuai dengan harga

yang telah ditetapkan. Purchase order juga berfungsi sebagai janji

pembayaran sekaligus menjadi kontrak saat purchase order diterima

pemasok.

29  

2.13.2. Sales Order

Menurut Romney & Stenbart (2003, p.713) Sales order merupakan

dokumen yang dibuat selama pencatatan pemesanan barang yang akan

dijual, merangkup nomor barang, kuantiti, harga dan syarat penjualan.

2.13.3. Plafon

Berdasarkan KBBI , plafon dalam istilah ekonomi diartikan sebagai

batas tertinggi (biaya, kredit, dsb) yg disediakan.