6

BAB 2

LANDASAN TEORI

2.1 Teori Database

Database adalah suatu koleksi / kumpulan dari data yang persistent, yaitu ada

yang berbeda satu dengan yang lainnya dan biasanya merupakan data yang bersifat

sementara dimana kumpulan data tersebut dapat digunakan oleh sistem – sistem

aplikasi dari suatu perusahaan (Date, 2000, p10 ). Database dikatakan merupakan

suatu tempat untuk menyimpan data. Pada sebuah database bisa terdapat satu atau

lebih tabel dan query. Operasi yang biasanya dilakukan pada database berhubungan

erat dengan pengaksesan tabel atau query (Alexander, 2003, p137).

Selain itu menurut Fathansyah (1999, p2), database dapat didefinisikan dalam

sejumlah sudut pandang, seperti:

• Himpunan kelompok data (arsip) yang saling berhubungan yang diorganisasikan

sedemikian rupa agar kelak dapat dimanfaatkan kembali dengan cepat dan

mudah.

• Kumpulan data yang saling berhubungan yang disimpan bersama sedemikian

rupa dan tanpa pengulangan (redundansi) yang tidak perlu, untuk memenuhi

berbagai kebutuhan.

• Kumpulan file/tabel/arsip yang saling berhubungan yang disimpan dalam media

penyimpanan elektronis.

7

Database adalah sebuah kumpulan data yang berhubungan secara logikal dan

deskripsi dari data tersebut didesain untuk memenuhi kebutuhan akan informasi

yang dibutuhkan oleh sebuah organisasi atau perusahaan (Connolly, 2002, p14).

2.2 Teori Data Warehouse

Inmon ( 2002, p31 ) menjelaskan bahwa data warehouse adalah koleksi data

yang mempunyai sifat subject oriented, integrated, time variant, dan non volatile

dalam mendukung proses pengambilan keputusan dalam manajemen.

2.2.1 Karakteristik Data Warehouse

Menurut Inmon ( Conolly, 2002, p1047 ), data warehouse memiliki

karakteristik :

• Subject Oriented

Pembangunan data warehouse difokuskan pada subyek utama dari

perusahaan (seperti pelanggan, produk dan jumlah penjualan), bukan

pada area aplikasi utama (seperti invoice pelanggan, kontrol stok, dan

penjulan produk). Ini menunjukan kebutuhan untuk menyimpan data

untuk pengambilan keputusan bukan data untuk aplikasi.

• Integrated

Sumber data berasal dari macam-macam sistem aplikasi perusahaan

yang berbeda. Data-data yang sama harus diintegrasikan di sebuah basis

data, termasuk formatnya.

8

• Time Variant

Data dalam data warehouse hanya akurat dan valid pada interval

waktu tertentu. Di dalam data warehouse sering disimpan macam-macam

waktu seperti kapan transaksi terjadi, diubah, dibatalkan, kapan

efektifnya dan sebagainya.

• Nonvolatile

Sekali masuk ke dalam data warehouse, data-data tidak akan pernah

di-update atau di-delete. Data baru selalu ditambahkan sebagai tambahan

data di data warehouse daripada harus me-replace data yang sudah ada.

Data warehouse Data Operasional

Menangani data historis Menangani data terbaru

Menyimpan detailed, lightly dan

highly summarized data.

Menyimpan detailed data.

Data bersifat statis. Data bersifat dinamis.

Analysis driven Transaction Driven

Berorientasi subjek Berorientasi aplikasi

Mendukung keputusan strategis mendukung keputusan day-to-day

Tabel 2.1

Tabel Perbandingan Data Warehouse dengan Data Operasional

9

2.2.2 Struktur Data Warehouse

Data warehouse mempunyai struktur yang spesifik dengan melakukan

perbedaan pada tingkatan summary data dan umur data. Komponen data

warehouse dalam struktur data warehouse, seperti yang dapat dilihat dari

gambar 2.1, terdiri dari :

• Current Detail Data

Merupakan detail data yang aktif sekarang, yang mencerminkan keadaan

yang sedang berjalan dan merupakan level terendah dari data warehouse.

Current detail data ini biasanya memerlukan tempat yang besar sebagai

tempat penyimpanannya.

• Old Detail Data

Merupakan data historis yang bisa berupa hasil back up yang disimpan

dalam tempat penyimpanan yang terpisah dan pada saat tertentu dapat

diakses kembali. Penyusunan direktori untuk data harus mencerminkan

umur data agar memudahkan pengaksesan kembali.

• Lightly Summary Data

Merupakan data ringkasan level menengah yang berupa data hasil

ringkasan dari detail data, tetapi belum bersifat total summary. Akses

terhadap data jenis ini banyak digunakan untuk view dari kondisi yang

sedang dan sudah berjalan.

• Highly Summary Data

Merupakan data ringkasan level tinggi yang berupa hasil proses summary

yang bersifat totalitas, mudah diakses, terutama untuk melakukan analisis

10

perbandingan data berdasarkan urutan waktu dan analisis yang

menggunakan data multidimensi.

• Metadata

Bukan data hasil dari kegiatan operasional seperti 4 jenis data di atas,

tetapi metadata memuat informasi penting dalam data warehouse yang

dapat digunakan dalam banyak fungsi, seperti :

1. Sebagai direktori yang dipakai user data warehouse dalam mencari

letak atau lokasi data dalam data warehouse.

2. Sebagai panduan pemetaan dalam proses transformasi dari data

operasional ke data warehouse.

3. Sebagai panduan untuk proses summary data dari detail data menjadi

lightly summary data dan dari lightly summary data menjadi highly

summary data. (Connolly, 2002, p1055)

11

METADATA

Highlysummarized

Lightlysummarized(datamart)

currentdetail

olddetail

operationaltransformation

Gambar 2.1

Struktur Data warehouse

(Inmon, 2002, p36)

2.2.3 Anatomi Data warehouse

Terdapat beberapa pendekatan dalam perancangan sebuah data

warehouse, yaitu:

2.2.3.1 Data Warehouse Fungsional

Data warehouse fungsional menggunakan pendekatan kebutuhan

dari tiap bagian pada fungsi bisnis yang ada, untuk mendefinisikan jenis

data yang ditampung oleh sistem. Pendekatan ini banyak digunakan

karena mudah dibangun dengan biaya yang relatif rendah dan

12

memberikan kemampuan sistem pengumpulan data yang terbatas

kepada kelompok user. Bila pendekatan ini diperbesar dari lingkungan

fungsional menjadi lingkup perusahaan, konsistensi data tidak dapat

terjamin lagi.

2.2.3.2 Data Warehouse Terpusat

Data warehouse central adalah pendekatan yang dipikirkan paling

banyak oleh orang-orang ketika mereka diperkenalkan pertama kali

kepada konsep data warehouse. Data warehouse central adalah

database tunggal yang berisi semua data data untuk area functional,

departemen, divisi atau perusahaan. Data warehouse central biasa

dipilih ketika terdapat kebutuhan umum untuk data informasional dan

terdapat banyak end user yang sudah terhubung ke komputer pusat.

Data warehouse central mungkin berisi data untuk beberapa periode

waktu tertentu. Biasanya, data warehouse terpusat berisi data dari

banyak sistem operasi. Data yang disimpan dalam data warehouse

dapat diakses dari satu tempat dan harus di-load dan di-maintenance

secara regular.

2.2.3.3 Data Warehouse Terdistribusi

Data warehouse terdistribusi memungkinkan user dapat

berhubungan langsung dengan sumber data maupun dengan pusat

pengumpulan data lainnya. Data warehouse ini juga memungkinkan

tiap departemen untuk membangun sistem operasionalnya sendiri serta

dapat membangun pengumpulan data fungsionalnya masing – masing

dan menggabungkan bagian – bagian tersebut dengan teknologi client

13

server. Pendekatan data warehouse terdistribusi memerlukan biaya

yang sangat besar karena pengumpulan data fungsional dan sistem

operasinya dikelola secara terpisah.

( http://www.kenorrinst.com/dwpaper.html )

2.2.4 Kegunaan Data Warehouse

Menurut Williams ( 1998, P533 ), data warehouse biasanya digunakan

dalam empat tugas yang berbeda, yaitu :

1. Pembuatan laporan

Merupakan kegunaan data warehouse yang paling umum. Penggunaan

query sederhana dalam data warehouse dapat menghasilkan informasi

per tahun, per kuartal, per bulan, atau bahkan per minggu. Query – query

umum diterapkan dalam data warehouse dengan tujuan memperoleh

jawaban terhadap pertanyaan - pertanyaan khusus, seperti pertanyaan

tentang siapa, apa, kapan, dimana, dan berapa banyak.

2. OLAP ( Online Analytical Processing )

Data warehouse digunakan dalam melakukan analisa bisnis untuk

menyelidiki kecenderungan pasar dan faktor penyebabnya. Dalam hal ini,

data warehouse merupakan tool yang handal untuk analisa data yang

kompleks.

3. Data Mining

Penggunaan data warehouse dalam pencarian pola dan hubungan data

dengan tujuan membuat keputusan bisnis. Dalam hal ini, software

dirancang untuk pola statistik dalam data untuk mengetahui

kecenderungan yang ada.

14

4. Proses informasi eksekutif

Data warehouse digunakan untuk mencari informasi summary kunci

yang penting, dengan tujuan membuat keputusan bisnis, tanpa harus

menjelajahi keseluruhan data yang ada.

2.3 Teori Perancangan Data Warehouse

2.3.1 Perancangan Logikal

Beberapa tahap dalam perancangan logikal sebuah data warehouse yang

menggunakan metode Kimball, yaitu:

1. Mengidentifikasi proses bisnis

Pada tahap ini ditentukan pada proses bisnis apa data warehouse akan

digunakan. Tahap ini akan menjadi sumber dari penentuan measurement.

2. Mengidentifikasi grain

Pada tahap ini akan ditentukan tingkat detail data yang bisa

didapatkan dari model dimensional.

3. Mengidentifikasi dimensi

Dimensi harus menggambarkan sejelas mungkin dan memperkuat

grain. Tabel dimensi berisi data yang menggambarkan dimensi dari bisnis.

Pada model dimensional, hubungan dari measurement diwakili dalam

tabel dimensi. Hubungan dari measurement juga dapat berupa karakteristik

seperti siapa, apa, di mana, kapan, bagaimana dari measurement. Jika

proses bisnisnya adalah penjualan, karakteristik dari measurement jumlah

penjualan bulanan dapat berupa lokasi (di mana), waktu (kapan) dan

produk yang terjual (apa).

15

Dimension atribut adalah kolom yang lain di dalam tabel dimensi.

Pada dimensi lokasi, atributnya dapat berupa Kode Lokasi, Kota, Negara,

Kode Pos. Secara umum, atribut dimensi digunakan dalam label dalam

laporan dan batasan dalam query

4. Mengidentifikasi fakta

Pada tahap ini akan diidentifikasi apakah measurement yang

diperlukan, fakta harus berupa angka dan harus memperkuat grain yang

ditetapkan pada tahap dua.

Pada model dimensional, tabel fakta berisi measurement atau fakta

dari proses bisnis. Jika proses bisnisnya adalah penjualan maka,

measurement dari proses bisnis ini misalnya jumlah penjualan per bulan

yang ditampung di dalam tabel fakta. Sebagai tambahan pada measurement,

hal lain yang dimuat di dalam tabel fakta adalah foreign key untuk tabel

dimensi. (http://freedatawarehouse.com)

5. Perancangan Skema Bintang

Skema bintang merupakan struktur logikal yang mempunyai tabel

fakta yang mengandung data faktual di pusat, dikelilingi dengan tabel

dimensi yang memiliki reference data (yang dapat didenormalisasi).

(Connolly, 2002, p1079)

Skema bintang merupakan tipe yang spesifik dari perancangan

database yang digunakan untuk mendukung proses analisis. ( Poe, 1996,

p33 ).

16

Keuntungan skema bintang (www.freedatawarehouse.com) :

• Skema bintang mudah untuk dimengerti, bagi untuk manager bisnis non

teknikal sekalipun.

• Skema bintang menyediakan performa yang lebih baik dan waktu

pencarian yang lebih singkat.

• Skema bintang dapat lebih mudah menangani perubahan di masa yang

akan datang.

Gambar 2.2

Contoh skema bintang

(www.freedatawarehouse.com)

Selain menggunakan skema bintang, perancangan juga dapat

menggunakan skema snowflake. Skema snowflake adalah bentuk lain dari

skema bintang di mana tabel dimensinya tidak mengandung data

17

denormalisasi. Skema ini memperbolehkan dimensi untuk memiliki

dimensi. (Connolly, 2002, p1080)

Gambar 2.3

Contoh skema snowflake

(www.freedatawarehouse.com)

2.3.2 Perancangan Fisikal

Merupakan proses dari memproduksi mengenai penjelasan implementasi

database ke dalam penyimpanan kedua, yang menjelaskan relasi basis,

organisasi file dan penggunaan index untuk mencapai akses yang efisien ke

data dan pengukuran keamanan.

18

Langkah-langkah dalam perancangan fisikal menurut metode Connolly:

1. Menentukan base relations

Untuk memutuskan bagaimana cara menunjukkan relasi basis

teridentifikasi ke dalam model data logikal umum ke dalam target DBMS

untuk tiap relasi yang teridentifikasi ditentukan pula:

a. nama dari relasi

b. daftar dari atribut sederhana

c. primary key

d. daftar dari derived atribut dan bagaimana daftar itu dikomputasi

e. referensial kendala integritas untuk tiap foreign key yang

teridentifikasi dari kamus data, dimiliki juga tiap atribut.

Dari kamus data, dimiliki juga tiap atribut:

a. domainnya, yang memiliki tipe data, panjang dan kendala dalam

domainnya

b. optional default value untuk tiap atribut

c. atribut dapat bernilai null.

2. Membuat derived data

Untuk memutuskan bagaimana menunjukkan derived data dalam model

data logikal umum ke dalam target DBMS. Pendesain harus

mengkalkulasi:

a. penambahan nilai untuk menyimpan derived data dan

membiarkan supaya tetap konsisten dengan data operasional di

mana data itu didapatkan

b. nilai yang harus dikalkulasi setiap saat selalu tersedia

19

3. Menentukan organisasi file

Untuk menunjukkan keefisienan organisasi file untuk tiap relasi basis.

Organisasi file yang digunakan dalam perancangan data warehouse ini

adalah B* Tree. Struktur B* Tree mendukung penerimaan berdasarkan

exact keymatch, pattern matching, range of values dan spesifikasi dari

key, bersifat dinamis, berkembang ketika relasi berkembang.

4. Menentukan index

Untuk menunjukkan dengan menentukan index yang akan

memperlihatkan performa dari sistem. Ada dua tipe index:

a. Cluster index

Hanya dapat menentukan satu index ini untuk tiap tabel

b. Noncluster index

Dalam satu tabel dapat memiliki lebih dari satu noncluster index.

5. Estimasi disk space

Untuk mengestimasikan nilai dari disk space yang akan digunakan yang

akan mendukung implementasi database dalam secondary storage.

Estimasi kegunaan disk sangat tergantung pada target DBMS dan

perangkat keras yang dipakai untuk mendukung database. Secara umum,

estimasi berdasar pada ukuran tiap tuple dan jumlah tuple dalam relasi.

6. Desain user view

Untuk mendesain user view yang akan diidentifikasi selama requirement

collection dan analysis stage dari aplikasi database.

20

7. Desain sekuriti

Untuk mendesain ukuran keamanan untuk database yang dispesifikasikan

oleh user. Ada 2 tipe:

a. System security

Memberikan batas untuk mengakses dan menggunakan database

pada level sistem seperti pemakaian user name dan password.

b. Data security

Memberikan batas untuk mengakses dan menggunakan objek

database dan aksi-aksi yang user dapat lakukan terhadap objek

tersebut. (Connolly, 2002, p479-p504)

2.4 Performance Tuning

Performance tuning adalah cara untuk meningkatkan kinerja pengaksesan data.

Metode yang dapat digunakan untuk performance tuning adalah agregasi dan

denormalisasi.

2.4.1 Agregasi

Agregasi adalah data numerik yang belum dikalkulasi. Dengan

menghitung dan menyimpan jawaban dalam query sebelum user memintanya,

waktu pemrosesan query dapat dikurangi. Ini adalah cara dalam menyediakan

performance pencarian data yang cepat dalam OLAP (www.planet-source-

code.com ).

Di dalam konteks desain database, perlu dipertimbangkan mengenai

pembuatan agregasi selama proses transformasi dan memasukkan data yang

belum dihitung ke dalam data warehouse ( Poe, 1996, p136 ).

21

2.4.2 Denormalisasi

Denormalisasi adalah proses mengkombinasikan tabel – tabel dengan

teliti untuk meningkatkan performa. Denormalisasi dapat digambarkan sebagai

proses untuk mengurangi tingkat normalisasi dengan tujuan untuk

meningkatkan performa proses pencarian. Salah satu tujuan utama

denormalisasi adalah untuk mengurangi jumlah tabel physical yang harus

diakses untuk mendapatkan kembali data yang diinginkan dengan mengurangi

jumlah join yang diperlukan untuk menghasilkan jawaban atas query.

Denormalisasi telah digunakan pada banyak strategi implementasi

database untuk meningkatkan performa database dan mengurangi waktu

respon pencarian. Salah satu area yang paling berguna untuk menerapkan

denormalisasi adalah pada implementasi data warehouse untuk transaksi data

mining.

Tujuan dari data warehouse adalah untuk meletakkan data enterprise

untuk melayani para pembuat keputusan. Pencarian data, konversi dan

memindahkan data dari sumber ke target komputasi adalah salah satu dari

tugas data warehouse administrator. Transformasi data adalah cara untuk

meyakinkan bahwa database yang ditargetkan hanya memegang data yang

akurat, tepat waktu, terintegrasi, dan valid

Denormalisasi terutama berguna dalam hubungannya dengan

pengembangan skema bintang yang ditemukan pada banyak implementasi data

warehouse. Pada kasus ini, denormalisasi menyediakan performa yang lebih

baik.

(http://csdl2.computer.org)

22

Ada beberapa indikator yang akan menolong untuk mengidentifikasi

sistem dan tabel yang potensial sebagai kandidat denormalisasi, yaitu:

• Banyak pencarian kritikal dan laporan yang ada menggantungkan

data pada lebih dari satu tabel.

• Banyak penghitungan yang dibutuhkan pada satu atau banyak kolom

sebelum query dapat menjawabnya.

• Tabel diakses dengan banyak cara yang berbeda oleh banyak user

yang berbeda pula. (http://www.objectarchitects.de)

2.5 Online Analytical Processing (OLAP)

OLAP adalah istilah yang mendeskripsikan teknologi yang menggunakan multi

dimensional view dari data aggregate untuk menyediakan akses yang cepat bagi

informasi strategis yang bertujuan untuk proses analisa. OLAP memungkinkan user

untuk memperoleh pengertian yang mendalam dan pengetahuan mengenai berbagai

aspek dalam perusahaan secara cepat, konsisten, dan akses yang interaktif untuk

memperluas kemungkinan dalam berbagai sudut pandang data ( Connolly, 2002,

p1101 ).

OLAP tools yang digunakan dalam perancangan data warehouse ini adalah

MOLAP ( Multi Dimensional OLAP ). MOLAP tools digunakan khusus untuk

struktur dan system management basis data yang multi dimensional yang dapat

mengatur dan menganalisa data. Untuk mempertinggi performa query, data secara

khusus dijumlah dan disimpan berdasarkan kebutuhan yang telah diramalkan.

23

Struktur data MOLAP menggunakan teknologi array dan teknik penyimpanan

melalui manajemen data yang renggang. ( Connolly, 2002, p1110 – p1111 )

Berikut ini beberapa keuntungan yang diperoleh dengan menerapkan OLAP ,

yaitu:

• Meningkatkan produktivitas dari end-users bisnis, pengembang teknologi

informasi.

• Meningkatkan penghasilan dan keuntungan potensial dengan

memungkinkan perusahaan untuk merespons permintaan pasar lebih

cepat.

• Mengurangi backlog dari pengembangan aplikasi untuk staf teknologi

informasi dengan membuat end-users bebas untuk membuat perubahan

skema dan memungkinkan organisasi untuk merespon permintaan pasar

lebih cepat.

• Mengurangi lalu lintas jaringan dalam sistem OLTP atau dalam data

warehouse. (Connolly, 2002, p1104)

2.6 Metodologi Penelitian

2.6.1 Pengumpulan dan Analisa Kebutuhan

Merupakan proses pengumpulan dan penganalisisan informasi mengenai

bagian dari organisasi yang akan didukung oleh aplikasi database dan

menggunakan info ini untuk mengidentifikasi permintaan user mengenai

sistem yang baru (Connolly, 2002, p276).

24

2.6.2 Fact Finding

Fact finding adalah proses formal yang menggunakan teknik seperti

interview dan questionnaires untuk mengumpulkan fakta tentang sistem,

requirement, dan preferences. Teknik ini sangat penting untuk mengumpulkan

bukti atau fakta yang nyata untuk membangun aplikasi database yang

diperlukan. Dalam perancangan data warehouse ini, teknik yang dilakukan

untuk mendapatkan data yang dibutuhkan, adalah :

• Document Examination

Berguna untuk mendapatkan informasi seperti bagaimana

kebutuhan akan database muncul, untuk mengidentifikasi bagian dari

organisasi yang bermasalah dan untuk mengerti sistem yang ada.

• Interviewing

Merupakan teknik yang sering digunakan dan memungkinkan

pengumpulan data dari individu dengan face to face. Bertujuan untuk

mencari fakta, memverifikasi fakta, memunculkan antusiasme,

mengidentifikasi requirement, dan mengumpulkan ide serta opini.

2.6.3 Perancangan Logikal

Telah dibahas pada sub bab 2.3.1

2.6.4 Pemilihan DBMS

Pemilihan Database Management Systems adalah pemilihan DBMS yang

tepat untuk mendukung aplikasi database.

25

Ada empat langkah utama dalam pemilihan DBMS, yaitu:

• Mendefinisikan peraturan yang menunjuk pada masalah yang sedang

dihadapi

• Mendata dua atau tiga produk untuk dijadikan perbandingan

• Mengevaluasi produk

• Merekomendasikan hasil pemilihan produk dan membuat laporan

(Connolly, 2002, p285).

2.6.5 Perancangan Fisikal

Telah dibahas pada sub bab 2.3.2

2.6.6 Implementasi

Implementasi adalah instalasi dan pengantaran keseluruhan sistem ke

dalam sebuah produksi (Whitten, 2004, p718).

Ada lima fase dalam proses implementasi, yaitu:

• Memimpin testing sistem

• Mempersiapkan rencana konversi

• Menginstal database

• Memberikan pelatihan kepada user

• Melakukan konversi ke sistem yang baru (Whitten, 2004, p723-728).

2.7 Extract Transform Load

Operational Data Store atau ODS digunakan sebagai dasar untuk membangun

sebuah data warehouse. Proses yang dilalui untuk menghasilkan sebuah data

26

warehouse dari ODS biasa disebut ETL yang merupakan singkatan dari Extract-

Transform-Load.

ETL merupakan fungsi integrasi data yang meliputi extracting data dari sumber,

mentransformasinya agar sesuai dengan kebutuhan bisnis dan memasukkannya ke

dalam data warehouse (http://www.tech-encyclopedia.com)