Bab 2

Tinjauan Pustaka

2. 1 Penelitian Terdahulu Perancangan dan Pembangunan Data Warehouse pada PLN

Salatiga menggunakan skema snowflake. Perusahaan Listrik Negara

merupakan suatu aset berharga dibidang bisnis yang cukup

berkembang dengan baik. Karena begitu banyaknya pelanggan PLN

di Salatiga, maka pengolahanya cenderung masih terpisah oleh

karena itu usulan mengenai penggunaan data warehouse sangatlah

cocok untuk studi kasus pada PLN Salatiga. Beberapa hasil analisa

yang dapat dipakai untuk kegiatan PLN Salatiga adalah seberapa

besar pendapatan dari beberapa dimensi, yang nantinya akan

mempengaruhi dalam pengambilan kebijakan (Handoyo, 2008).

Pada penelitian tentang data warehouse berbasis OLAP lain

yang berjudul Pembuatan data warehouse Pengukuran Kinerja

Proses Belajar Manager di Universitas Kristen Petra, data

warehouse yang digunakan untuk membantu penyediaan data yang

dibutuhkan dalam pengukuran kinerja proses belajar mengajar

tersebut. Informasi yang dihasilkan pada data warehouse tersebut

adalah kinerja dosen, kinerja mahasiswa, tingkat kelulusan mata

kuliah dan summary dari nilai tiap mata kuliah. Proses

multidimensional query dilakukan dengan menggunakan pivoting

table dan chart. Pengguna dapat memanipulasi data yang tampil

pada setiap sumbunya seperti yang dapat dilakukan pada pivot table,

7  

8  

hanya saja informasi yang ditampilalkan akan berbentuk grafik

(Handojo dan Rostianingsih, 2004).

2.2 Data Warehouse Data warehouse adalah kumpulan data dari berbagai

resource, yang terintegrasi, teragregrasi dan terstruktur yang

disimpan dalam suatu gudang data (repository) dalam kapasitas

besar sehingga memungkinkan user untuk memeriksa history data

dan mendukung analisa dengan tujuan dapat digunakan untuk proses

pengambilan keputusan berdasarkan analisa yang dibuat

(Darmawikarta, Djoni 2003).

Gambar 2.1 Arsitektur Data Warehouse [Darmawikarta, Djoni 2003].

Data warehouse merupakan teknologi yang terbangun atas

himpunan konsep baru dan perangkat yang digunakan untuk

mendukung aktivitas pekerja pengetahuan seperti manager, eksekutif

 

9  

dan analis sistem. Materi produk teknologi ini digunakan untuk

perangkat pengambilan keputusan organisasi.

Pendekatan mendasar pembangunan data warehouse adalah

tersedianya informasi yang berkualitas untuk organisasi dari sumber

data internal dan eksternal yang berada dalam bentuk bervariasi

mulai dari data dalam bentuk struktur tradisional sampai dengan data

dalam bentuk yang tidak terstruktural seperti tipe data tekstual atau

multimedia.

Dengan bantuan Data Warehouse, pada sistem CV. Apollo

Sakti Motor diharapkan dapat melakukan analisa profitabilitas

produk ini akan menjadi begitu penting bagi perusahaan

pemakainya, selain itu dapat dijelaskan pemakaian data warehouse

pada penelitian ini untuk jangka waktu ke depan dengan record

hystoris data pada perusahaan yang bertambah lebih banyak dan

lebih besar, maka daya tampung data warehouse akan memenuhi

kebutuhan sistem sehingga akan menghemat biaya bagi perusahaan

apabila ingin mengembangkan aplikasinya. Pentingnya penggunaan

data warehouse adalah mengolah historis data yang komplek (dalam

jumlah besar) menjadi informasi yang mudah dipahami dalam

bentuk grafik, dan akhirnya dapat menunjang kemudahan bagi

perusahaan untuk menganalisa pengukuran profitabilitas terhadap

produk-produk yang ada dalam suatu perusahaan distributor menjadi

kebutuhan terpenting bagi manajemen perusahaan saat ini pada data

warehouse yang ada. Pengertian Data Warehouse dapat bermacam-

macam namun mempunyai inti yang sama, seperti pendapat

beberapa ahli berikut ini. Menurut W.H. Inmon dan Richard D.H.

 

10  

(1999), data warehouse adalah koleksi data yang mempunyai sifat

berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari

koleksi data dalam mendukung proses pengambilan keputusan

manajemen. Karakteristik data warehouse menurut Inmon dan

Richard, yaitu:

a. Integrated (Terintegrasi)

Karakteristik yang pertama adalah Data Warehouse dapat

menyimpan data-data yang berasal dari sumber-sumber yang

terpisah ke dalam suatu format yang konsisten dan saling

terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa

dipecah-pecah karena data yang ada merupakan suatu kesatuan

yang menunjang keseluruhan konsep data warehouse itu sendiri.

Syarat integrasi sumber data dapat dipenuhi dengan berbagai

cara seperti konsisten dalam penamaan variabel, konsisten dalam

ukuran variabel, konsisten dalam struktur pengkodean, dan

konsisten dalam atribut fisik dari data.

b. Subject Oriented (Berorientasi Subyek)

Data warehouse berorientasi subject artinya data

warehouse didesain untuk menganalisa data berdasarkan subjek

subjek tertentu dalam organisasi, bukan pada proses atau fungsi

aplikasi tertentu. Data warehouse diorganisasikan di sekitar

subjeksubjek utama dari perusahaan yang bergerak di bidang

perdagangan (customers, products dan sales) dan tidak

diorganisasikan pada area-area aplikasi utama (customer

invoicing,stock control dan product sales). Hal ini dikarenakan

kebutuhan dari data warehouse untuk menyimpan data-data yang

 

11  

bersifat sebagai penunjang suatu keputusan, dari pada aplikasi

yang berorientasi terhadap data

c. Time-variant (Rentang Waktu)

Data warehouse dapat dikatakan akurat atau valid pada

rentang waktu tertentu. Untuk melihat interval waktu yang

digunakan dalam mengukur keakuratan suatu data warehouse

dapat menggunakan beberapa cara antara lain:

- Cara yang pertama, dengan menggunakan variasi/perbedaan

waktu yang disajikan dalam data warehouse baik implicit

maupun explicit, secara explicit dengan unsur waktu dalam hari,

minggu, bulan, dan sebagainya. Secara implicit misalnya pada

saat data tersebut diduplikasi pada setiap akhir bulan, atau per

tiga bulan. Unsur waktu akan tetap ada secara implicit di dalam

data tersebut.

- Cara yang kedua,variasi waktu yang disajikan data warehouse

melalui serangkaian snapshot yang panjang. Snapshot merupakan

tampilan dari sebagian data tertentu sesuai keinginan pemakai

dari keseluruhan data yang ada bersifat read-only.

d. Non-Volatile

Karakteristik keempat dari data warehouse adalah non-

volatile, maksudnya data pada data warehouse tidak memproses

update secara real time tetapi di-refresh dari sistem operasional

secara reguler. Data yang baru selalu ditambahkan sebagai

suplemen bagi database itu sendiri dari pada sebagai sebuah

perubahan.

 

12  

Berbeda dengan database operasional yang dapat melakukan

update, insert dan delete terhadap data yang mengubah isi dari

database sedangkan pada data warehouse hanya ada dua kegiatan

memanipulasi data yaitu loading data (mengambil data) dan akses

data (mengakses data warehouse seperti melakukan query atau

menampilkan laporan yang dibutuhkan, tidak ada kegiatan updating

data). Kebutuhan pemanfaatan data warehouse di sejumlah

organisasi didasarkan pada dua pertimbangan, pertama kebutuhan

operasional, yang mendukung fungsional kegiatan transaksi bisnis

setiap hari, optimasi dengan respon yang cepat pada proses transaksi

dan representasi bersifat waktu nyata pada identifikasi status bisnis.

Kedua kebutuhan informasi, digunakan untuk pengelolaan dan

pengendalian bisnis dalam bentuk analisis data untuk pengambilan

keputusan status organisasi di masa sekarang dan masa mendatang

(Gatziu dan Athanasios,1999).

Fungsi utama data warehouse adalah mengambil (termasuk

data dari luar yang dibutuhkan, misalnya daftar kode pos dari kantor

pos), mengumpulkan, mempersiapkan (transforming, seperti

membersihkan, mengintegrasikan, decoding), menyimpan (loading),

dan menyediakan data untuk pemakai atau aplikasi yang bersifat

query atau reporting (read-only), hanya satu data terpercaya ini yang

digunakan oleh semua yang membutuhkan (single version of truth),

untuk pelaporan, analisa informasi dan mengambil keputusan

(analytical application). Sekali data masuk ke dalam data

warehouse, data yang memang dirancang dan ditujukan bukan hanya

untuk satu atau sejumlah pemakaian yang sudah diketahui, dapat

 

13  

digunakan untuk aplikasi mendatang dan belum pernah sebelumnya

terpikirkan, dibandingkan ini dengan pembangunan aplikasi

operasional (Darmawikarta, 2003).

Jadi, data warehouse merupakan metode dalam perancangan

database, yang menunjang DSS (Decission Support System) dan EIS

(Executive Information System). Secara fisik data warehouse adalah

database, tapi perancangan data warehouse dan database sangat

berbeda. Dalam perancangan database tradisional menggunakan

normalisasi, sedangkan pada data warehouse normalisasi bukanlah

cara yang terbaik. Konsep dasar OLAP bersumber dari kebutuhan

untuk efisiensi. Rangkuman atau agregasi data, penjumlahan, rerata,

nilai maksimum dan minimum dikalkulasi dan disimpan dalam data

cube yang bersifat multidimensional (Song dan Brown, 2002).

Gambar 2.2 Arsitektur OLAP dalam Data Warehouse (Song dan Brown,

2002)

Penjelasan Gambar 2.2 adalah tentang perjalanan data

transaksi kemudian diproses menjadi data multidimensional yang

 

14  

diterapkan ke dalam bentuk output visualisai yang kemudian

hasilnya langsung dapat dianalisis.

Online Analytical Processing atau disingkat OLAP adalah sebuah

pendekatan secara cepat menyediakan jawaban-jawaban terhadap

query analitik yang multidimensi yang ada. OLAP adalah bagian

dari kategori yang lebih global dari pemikiran bisnis, yang juga

merangkum hubungan antara pelaporan dan penggalian data.

Database yang dikonfigurasikan untuk pelayanan OLAP model data

multidimensi, bisa digunakan untuk analisis komplek dan query

khusus (ad hoc) dengan suatu laju waktu eksekusi. Mereka

meminjam aspek database navigasi dan database hierarki yang lebih

cepat daripada yang sefamilinya.

Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan

data warehouse adalah database yang saling bereaksi yang dapat

digunakan untuk query dan analisis, bersifat orientasi subjek,

terintegrasi, time-variant, dan tidak berubah yang digunakan untuk

membantu para pengambil keputusan.

Data warehouse disertai OLAP dapat menghasilkan output yang

dapat digunakan sebagai analisa yang akan sangat membantu

perusahaan dalam mengambil keputusan secara tepat dan cepat

 

15  

2.3 Multi Dimensional Database (OLAP) (MDM) atau Multidimensional Modeing merupakan salah

satu pendekatan dari data warehouse yang dibangun berdasarkan

metode OLAP (On-Line Analytical Processing) yang memiliki

konsep dimensi , hierarki, dan anggota. Agregat dari penerapan

konsep tersebut dapat ditampilkan dengan star schema dan

snowflake schema design. Dibandingkan dengan konsep database

relasional, konsep multidimensional database dapat melakukan

analisa dari berbagai sudut dimensi.

OLAP menggambarkan sebuah kelas teknologi yang

dirancang untuk analisa dan akses data secara khusus. Apabila pada

proses transaksi pada umumnya semata-mata adalah pada relational

database, OLAP muncul dengan sebuah cara pandang multidimensi

data. Cara pandang multidimensi ini didukung oleh teknologi

multidimensi database. Cara ini memberikan teknik dasar untuk

kalkulasi dan analisa oleh sebuah aplikasi bisnis. OLTP mempunyai

karakteristik beberapa user dapat creating, updating, retrieving

untuk setiap record data, lagi pula OLTP sangat optimal untuk

updating data. OLAP aplikasi digunakan untuk analisa dan mengatur

frekuensi level dari agregat (ringkasan jumlah data dalam data

warehouse dari yang semula bersifat detail menjadi lebih ringkas

agar performa data warehouse lebih cepat). Database biasanya di-

update pada kumpulan data, jarang sekali dari multiple source dan

menempatkan kekuatan analisa pada back-end pada operasi aplikasi.

Sebab itulah OLAP sangat optimal digunakan untuk analisis.

 

16  

Gambar 2.3 Arsitektur OLAP (Lin dan Donald, 2002)

Pada Gambar 2.3 dijelaskan gambaran OLAP secara

visualisasi, yaitu kumpulan dari data-data yang berekstensi berbeda

seperti Excel, SQL Server, serta MySQL digabungkan menjadi

sebuah kesatuan data warehouse. Data warehouse inilah yang

kemudian diolah oleh OLAP data cube menjadi sebuah analisis

multidimensional sehingga memudahkan user dalam membaca data

untuk proses pengambilan keputusan.

Data-data yang terkumpul dari beberapa sumber informasi

inilah yang awalnya tersimpan dalam database dan akan lebih

berarti apabila disimpan sebagai data warehouse sebagai salah satu

cara untuk melakukan pengamatan dan analisis dari beberapa record

yang telah tersimpan. Hasil dari analisis data warehouse dapat

digunakan oleh pihak manajemen untuk membantu pengambilan

keputusan. Dalam jangka panjang, hal ini juga dapat memberikan

kontribusi untuk kepentingan Customer Relationship Management.

Untuk membantu pengambilan keputusan ini, ada banyak hal yang

 

17  

dapat dilakukan. Salah satunya adalah menggunakan OLAP (Online

Analitical Processing). OLAP merupakan sistem yang bertugas

untuk mengubah data yang disimpan dalam data warehouse dan

mentransformasikan data menjadi struktur multidimensi (cube).

Hasilnya nanti juga akan dapat dibuat sebagai sebuah summary

report yang multidimensi (Ivanova dan Rachev, 2004).

Pada data multidimensi, terdapat operasi-operasi dasar yang

digunakan untuk analisa agar mendapatkan data yang diinginkan,

yaitu (Prasetyo, dkk, 2010) :

a. Rotation / Pivoting

Rotation / pivoting merupakan operasi pada OLAP untuk

merubah berbagai macam sudut pandang data sehingga

perubahan perspektif sudut pandang menjadi lebih mudah,

dengan kata lain analisa data dengan merubah posisi atau pivot

dimensinya. Operasi ini dilakukan dengan melakukan rotasi atau

perputaran untuk tiap-tiap dimensi. Misalnya dilakukan proses

rotation / pivoting pada dimensi produk yang diwakili oleh

sumbu Y, dimensi waktu yang diwakili oleh sumbu X dan

dimensi lokasi diwakili oleh sumbu Z, dimana dimensi lokasi di

rotasi dengan dimensi waktu sehingga hasil yang tampak seperti

pada Gambar 2.4

 

18  

Gambar 2.4 Proses Rotation/Pivoting (Prasetyo, dkk, 2010)

b. Slice dan Dice

Operasi Slicing dan Dicing merupakan kemampuan OLAP

untuk melakukan pemilahan subset pada data. Operasi Slice

adalah proses pemotongan data pada cube berdasarkan nilai pada

satu atau beberapa dimensi. Misalnya data dari seluruh penjualan

dari 3 buah dimensi yaitu produk, wilayah, dan waktu dilakukan

operasi slice, maka data dari dimensi produk dan lokasi akan

ditampilkan berdasarkan dimensi waktu, sehingga OLAP akan

menampilkan data semua penjualan untuk semua produk dan

semua lokasi untuk tahun 2010.

Sedangkan proses dice (Gambar 2.5) adalah pemotongan

hasil slice menjadi bagian subset data yang lebih kecil. Misalnya

menampilkan data dari seluruh penjualan berdasarkan dimensi

waktu, kemudian dilakukan proses dice dengan dimensi lokasi

wilayah, sehingga data akan menampilkan data semua produk di

salatiga pada tahun tertentu.

 

19  

Gambar 2.5 Proses Dicing (Prasetyo, dkk, 2010)

c. Drill Down dan Roll Up

Operasi drill down merupakan kemampuan OLAP untuk

melihat suatu subset data secara lebih detail. Proses ini

melibatkan proses agregasi data. Sebaliknya, operasi roll up

untuk melihat data secara global atau rangkuman (agregasi data

pada level yang lebih tinggi). Kedua proses ini memanfaatkan

hirarki pada dimensi yang membentuk cube. (Prasetyo, dkk,

2010)

 

20  

Gambar 2.6 Proses Drill Down dan Roll Up (Prasetyo, dkk, 2010)

Sebenarnya, di dalam proses drill down itu dilakukan proses

slice dan dice. Di jaman yang sangat maju dengan teknologinya ini

kadang OLAP juga disejajarkan dengan suatu Sistem Pendukung

Keputusan (Michael, 1991). Dengan istilah Management Decision

System. Sistem tersebut adalah suatu sistem yang berbasis komputer

yang ditujukan untuk membantu pengambil keputusan dengan

memanfaatkan data dan model tertentu untuk memecahkan berbagai

persoalan yang tidak terstruktur.

Istilah SPK mengacu pada suatu sistem yang memanfaatkan

dukungan komputer dalam proses pengambilan keputusan. Untuk

memberikan pengertian yang lebih mendalam, akan diuraikan

beberapa definisi mengenai SPK yang dikembangkan oleh beberapa

ahli, di antaranya memberikan definisi sebagai berikut, SPK

 

21  

merupakan suatu sistem yang interaktif, yang membantu pengambil

keputusan melalui penggunaan data dan model-model keputusan

untuk memecahkan masalah yang sifatnya semi terstruktur maupun

yang tidak terstruktur (Watson, 1998).

2.4 Skema Data Warehouse

2.4.1   Snowflake Schema Struktur basis data ini lebih kompleks dari pada star schema,

dengan menormalisasi tabel-tabel dimensi yang berukuran besar

dengan satu atau lebih kolom yang memiliki duplikasi data. Misal

jika tabel dimensi Product dinormalisasi maka akan menghasilkan

struktur seperti pada Gambar 2.7

Gambar 2.7 Snowflake Schema [Malinowski, & Zimanyi. 2005]

Tabel dimensi dinormalisasi untuk mengurangi redudansi

data (duplikasi),sehingga struktur tabelnya akan lebih ramping.

Dengan pengelompokan ini, data akan lebih mudah dibaca dan

membantu pengembang aplikasi untuk menata desain antarmuka

sistem dan filtering data. Struktur ini akan menghemat kapasitas

storage, namun waktu eksekusi data akan lebih lama mengingat

jumlah tabel dimensi yang direlasikan lebih banyak dan

 

22  

membutuhkan tambahan relasi foreign key. Kueri yang terbentuk

lebih kompleks, yang mengakibatkan kinerja kueri menurun. Pada

penerapan yang lebih umum, tabel dimensi tidak diturunkan dengan

lebih banyak tabel dimensi lain atau pengelompokan data diatur

secara hard-coded di kode program aplikasinya.

Fokus penggunaan data warehouse adalah kecepatan akses

dan eksekusi data, bukanlah ukuran data yang lebih kecil atau

struktur basis data yang lebih ramping. Sehingga bijaksana dalam

menetapkan struktur data star maupun snowflake schema akan

menentukan kinerja layanan data warehouse yang dimiliki

2.4.2   Star Schema Dalam data warehouse, data-datanya akan disimpan dalam

tabel fakta dan tabel dimensi. Tabel fakta akan menyimpan data-data

utama sementara tabel dimensi mendeskripsikan setiap nilai dari

suatu dimensi dan dapat direlasikan ke tabel fakta jika diperlukan.

Data fakta merupakan data yang terukur. Untuk lebih menjelaskan

data fakta, maka kondisi saat data tersebut diukur turut disampaikan.

Data kondisi inilah yang dipetakan dalam bentuk data dimensi.

Kondisi yang dipetakan dalam dimensi umumnya berupa kondisi

waktu,kondisi produk atau item, dan kondisi geografinya.

Mendesain struktur star schema, dimulai dengan menentukan data

apa yang ingin dilihat oleh pengguna (besarannya) dan bagaimana

pengguna melihat data tersebut (kondisi atau dimensinya).

Tabel dimensi memiliki primary key sederhana yang

mengandung hanya satu atau dua kolom saja. Namun, tabel fakta

akan memiliki sekumpulan foreign key yang disusun dari primary

key komposit dan merupakan gabungan kolom-kolom tabel dimensi

 

23  

yang berelasi. Untuk lebih jelasnya,berikut contoh struktur star

schema.

Gambar 2.8 Star Schema [Malinowski, & Zimanyi. 2005]

Untuk struktur star schema seperti pada Gambar 2.8 dalam

tabel fakta yang diukur adalah hasil penjualan (dalam mata uang)

berdasarkan dimensi atau kondisi produk yang dijual (product) serta

waktu penjualan (time). Misalkan dimensi produk, yang menyimpan

informasi-informasi seputar produk. Produk ini dapat

dikelompokkan ke dalam kategori, dan di dalam kategori inipun bisa

ditemukan sub-kategori. Untuk lebih mengelompokkan produk

tersebut, dapat pula dibuatkan sub-kategori berikutnya. Namun

kunci dari informasi produk tersebut tersimpan dalam kolom di tabel

dimensi, dan tidak dibutuhkan tabel lain untuk menjelaskan detil

produk. Semakin beragam jenis kondisi data yang ingin

diamati,maka akan semakin besar ukuran tabel fakta yang dimuat.

Dalam star schema, kueri yang terbentuk antara tabel fakta

dan sejumlah tabel dimensi dinamakan star query. Setiap tabel

dimensi direlasikan dengan tabel fakta berdasarkan kolom primary

key dan foreign key, namun diantara masing-masing tabel dimensi

tidak ada yang saling berelasi (tidak ada hubungan data). Kueri yang

terbentuk menyebabkan proses eksekusi yang lebih optimal,karena

 

24  

rencana eksekusi kueri dalam Database Management System akan

lebih cepat dengan setiap tabel hanya berelasi dengan satu tabel

yang lain.

Ada kalanya tabel dimensi mengandung data yang duplikat

pada satu atau lebih kolom. Jika mengikuti azas normalisasi, maka

struktur basis data yang terbentuk bukan lagi star schema namun

akan menjadi snowflake schema.

2.4.3   Perbedaan Snowflake Schema dan Star Schema. Kedua Skema Tersebut berbeda, di dalam perbedaan skema

masing-masing skema mempunyai kelebihan dan mempunyai

kelemahan yaitu,

Snowflake schema :

Kelebihan adalah data atau hasil report lebih akurat, disebut

dengan struktur yang baik, struktur mendukung phsycal data.

Kelemahan adalah struktur rumit, proses kerja yang lebih banyak,

lebih sulit dimengerti.

Star schema :

Kelebihan adalah bentuk simple, akses cepat, mudah diolah lebih

dalam.

Kelemahannya yaitu data atau hasil report kurang akura,

radudancy data struktur physical data kurang mendukung.

2.5 Data Mart Data marts adalah subyek spesifik atau aplikasi spesifik dari

data warehouse yang berisi data untuk satu line bisnis tertentu

seperti penjualan atau pemasaran. Ruang lingkup data mart lebih

 

25  

kecil, data didapatkan dari sumber yang lebih sedikit, dan waktu

implementasinya juga lebih pendek.

Tipe data marts :

1. Sumber informasi untuk data mart yang bersifat dependent

adalah data warehouse itu sendiri.

2. Sedangkan data mart bersifat independent jika tidak terdapat

data warehouse, dan data diekstrak secara langsung dari

sistem operasional.

2.6 Teori Penjualan.

Penjualan adalah suatu usaha yang terpadu untuk

mengembangkan rencana-rencana strategis yang di arahkan pada

usaha pemuasan kebutuhan dan keinginan pembeli, guna

mendapatkan penjualan yang menghasilkan laba. Pada

umumnya, penjualan dapat dilakukan dengan 2 (dua) cara, antara

lain : penjualan tunai yang dilakukan secara tunai dan secara

kredit. Penjualan tunai dilakukan apabila transaksi atau

pembayaran barang yang dijual oleh penjual langsung dilakukan

pada saat transaksi terjadi. Cara penjualan yang demikian

dianggap sebagai penjualan yang biasa atau lazim dilakukan.

Sedangkan penjualan yang dilakukan secara kredit merupakan

cara penjualan dimana transaksi, dalam hal ini pembayaran yang

dilakukan oleh pembeli, dilakukan secara berkala atau periodik,

sesuai dengan tagihan yang timbul dari transaksi barang atau jasa

tersebut, Penjualan kredit dianggap pula sebagai komponen

 

26  

 

besar dalam aktiva lancar. Adapun kegunaan dari penjualan itu

antara lain: Untuk menentukan kebijakan dalam persoalan

penyusunaan anggaran (budgeting) yang meliputi anggaran

penjualan, anggaran pengerjaan (manufacturing budget) dan lain

sebagainya. Untuk pengawasan dalam persedian (inventory

control). Hal ini karena jika persediaan yang ada terlalu kecil,

maka akan mempengaruhi kelancaran dari pada kegiatan

produksi. Oleh karena itu, agar supaya persediaan jangan terlalu

besar atau kekurangan, maka penjualan dapat dipergunakan

sebagai pedoman terutama dalam melayani produksi. Untuk

membentuk kegiatan pengawasan produksi. Dengan adanya

penjualan maka perusahaan dapat mengetahui kemungkinan

kegiatanya di kemudian hari, sehingga manajer dapat

mengusahakan perbaikan dalam penggunaan peralatan

produksinya agar efisien.

Data Penjualan berkaitan dengan persediaan (inventory

control) dan memperlancar proses produksi atau distribusi

barang. Hal ini disebabkan data penjualan dapat dijadikan

referensi atau data yang bermanfaat dalam menentukan jumlah

persediaan serta proses produksi. Dengan analisis data penjualan

yang tepat dapat membantu pembuat keputusan dalam

menentukan beberapa kinerja perusahaan agar lebih efektif dan

efisien. Dengan demikian dari data penjualan tersebut, jika

dilakukan kegiatan analisis berdasarkan dengan metode dan

teknik tertentu, akan didapatkan suatu informasi yang berguna

untuk mendapatkan strategi-strategi bisnis di tingkat manajer

perusahaan.