13

BAB II

KAJIAN PUSTAKA

2.1 State Of The Art Review

Beberapa penelitian yang berkaitan dengan desain sistem semantic data

warehouse dengan menggunakan metode ontology diantara lain penelitian yang

dilakukan oleh Banu dkk. (2011) dengan judul penelitian “Semantic – Based Querying

Using Ontology in Relational Database of Library Management System”. Pada

penelitian ini dijelaskan bahwa bahwa web tradisional termasuk sebagian besar dari

relational database (RDB) yang mendukung penataan data pada dasar sintak (code).

Mengkonversi data yang disimpan dalam database relasional ke format RDF sangat

susah dan sering terjadi kesalahan. Maka dibangun sebuah relasi database dengan

format RDF dengan desain ontology. Jadi pendekatan ini untuk penggalian ontology

dari RDB dan memungkinkan pengguna untuk melakukan query semantic dan

menerjemahkannya ke dalam RDF bahasa query atau sering disebut dengan SPARQL.

SPARQL bisa digunakan untuk mengekspresikan query di sumber data yang beragam.

Penelitian yang lain tentang semantic data juga dilakukan oleh Airinei dan Berta

(2012) dengan judul “Semantic Business Intelligence – a New Generation of Business

Intelligence”. Menjelaskan perkembangan generasi baru solusi business Intelligence

yang akan digunakan oleh perusahaan untuk mengelola dan menganalisis data untuk

memberikan sebuah informasi yang mendukung keputusan yang tepat. Dalam konteks

semantic data perkembangan untuk mengintegrasikan data semantic yang tidak

terstruktur, membuat solusi business intelligence yang akan didesain untuk dapat

13

14

menganalisis, memproses dan memahami data dalam bentuk terstruktur maupun tidak

terstruktur.

Selanjutnya penelitian Kakish dan Kraft (2012) dengan judul penelitian “ETL

Evolution for Real-Time Data Warehousing”. Dalam penelitian ini dijelakan metode

yang digunakan dipenelitian ini adalah Change Data Capture (CDC) yang

diintegrasikan dengan tool ETL sehingga proses ETL dapat efisien dan real-time. CDC

adalah pendekatan inovasi untuk integrasi data, berdasarkan identifikasi, menangkap,

dan mengirimkan perubahan yang dibuat oleh data sumber. Dengan memproses hanya

perubahannya, CDC membuat proses integrasi data lebih efisien. Integrasi CDC dengan

tool ETL yang ada menyediakan pendekatan terintegrasi untuk mengurangi jumlah

informasi yang dikirimkan sambil meminimalisasi kebutuhan sumber daya dan

memaksimalkan kecepatan dan efisiensi ke data warehouse secara real- time.

Penelitian Thenmozhi1 dan Vivekanandan (2013) dengan judul “A Tool For Data

Warehouse Multidimensional Schema Design Using Ontology” menjelaskan tentang

data warehouse telah menjadi komponen yang diperlukan untuk analisis yang efektif

usaha besar. Hal ini diterima secara luas bahwa data warehouse harus terstruktur sesuai

dengan model multidimensi untuk memudahkan analisis OLAP. Metode yang

digunakan untuk perancangan data warehouse dipenelitian ini adalah dengan

menggunakan ontology. Ontology memanfaatkan domain pengetahuan pada data

warehouse yang digunakan untuk proses pencarian sumber-sumber rancangan informasi

yang relevan sesuai dengan yang diinginkan. Pembuatan desain ontology dilakukan

untuk membuat konsep pengetahuan tentang database yang berasal dari sumber data

yang berbeda.

15

Penelitian Yadav dan Srivastava (2014) dengan judul “Semantic Web Data

Mining & Analysis”. Dalam penelitian ini hanya menjelaskan tentang penggunaan

semantic web mining yang menggabungkan dua bidang penelitian yaitu semantic web

dan web mining. Dalam hubungan ini, kehebatan penelitian ini adalah untuk

meningkatkan pencarian informasi pada web dengan strategi semantic yang

membuatnya cepat dan akurat dalam menggali informasi. Dengan perkembangan yang

luar biasa dari WWW, itu membuat halaman web yang banyak dapat menghabiskan

waktu cukup lama untuk pengguna dalam mencari informasi yang dibutuhkan. Oleh

karena itu menggali informasi dengan web semantic telah menjadi sangat diperlukan

agar informasi yang penting bisa dicari dengan cepat dan tepat. Strategi semantic web

dan web mining bila diterapkan dengan penggalian informasi web akan memberikan

hasil yang baru dan efisien bagi permintaan pengguna. Hal ini akan membantu untuk

memberikan kepuasan yang lebih baik bagi pengguna yang kurang paham didalam

mencari informasi pada website.

Tabel 2.1 Daftar Penelitian yang Dijadikan Acuan

No Judul Penelitian Thn

Area Penelitian DWH/

BI Ontology

SETL/SDWH

Rule Based

OLAP

1 Design and Analysis of DWH and BI in

Education Domain 2011 √ x x x x

2 Using Ontologies For The Design Of Data

Warehouse 2011 √ √ x x √

3

Semantic – Based Querying Using Ontology in

Relational Database of Library Management

System

2011 √ √ x x √

4 Semantic Business Intelligence – a New

Generation of Business Intelligence 2012 √ x x x √

5 ETL Evolution for Real-Time Data

Warehousing 2012 √ x x x √

6

Data Warehousing, Data Mining, OLAP and

OLTP Technologies Are Essential Elements to

Support Decission Making Process in Indutries

2013 √ x x x √

16

7 A Tool For Data Warehouse Multidimensional

Schema Design Using Ontology 2013 √ √ x x x

8 Semantic Web Data Mining & Analysis 2014 √ √ x x √

9 Data Warehouse Design of Students Profile

from XYZ University 2014 √ x x x √

10 Toward An Ontology Based Approach For

Data Warehouse 2014 √ √ x x √

11

Desain Sistem Semantic Data Warehouse

Untuk Mengolah Data Akademik dengan

Menggunakan Metode Ontology dan Rule

Based

2015 √ √ √ √ √

2.2 Konsep Data Warehouse

Menurut Turban dkk. (2011), data warehouse adalah kumpulan data yang

dihasilkan untuk mendukung pengambilan keputusan. Data warehouse juga merupakan

tempat penyimpanan data saat ini dan data historis dari kepentingan manager diseluruh

organisasi. Menurut Laudon dan Laudon (2010), data warehouse adalah database yang

menyimpan data penting saat ini dan historis dari kebutuhan informasi untuk manager

dalam perusahaan.

Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat disimpulkan

bahwa pengertian data warehouse adalah kumpulan data atau database yang digunakan

sebagai tempat penyimpanan data saat ini dan data historis dari kebutuhan informasi

untuk manager diseluruh organisasi untuk mendukung pengambilan keputusan.

2.3 Karakteristik Data Warehouse

Karakteristik data warehouse terdiri dari subject oriented, integrated, time

variant, dan non volatile. Karakteristik Data Warehouse menurut Turban dkk. (2011),

antara lain:

17

a) Subject Oriented

Data tersusun berdasarkan subyek yang detil, seperti sales, product, atau

customers, hanya mengandung informasi yang relevan untuk mengambil

keputusan. Subject Oriented tidak hanya dapat membantu user untuk

menentukan bagaimana proses bisinis mereka berjalan tetapi juga membantu

dalam menentukan mengapa proses bisnis mereka berjalan.

b) Integrated

Integrasi berhubungan erat dengan subject orientation. Data warehouse harus

menempatkan data dari sumber yang berbeda ke dalam format yang konsisten

untuk melakukannya, mereka harus menghadapi konflik penamaan dan

perbedaan di antara satuan ukuran.

c) Time Variant

Data warehouse menyimpan data historical. Data yang tidak selalu memberikan

status. Mereka mendeteksi tren, penyimpangan dan hubungan jangka panjang

untuk melakukan peramalan dan perbandingan, yang mengarah kepada

pengambilan keputusan. Setiap data warehouse mempunyai kualitas yang

sementara. Waktu adalah satu-satunya dimensi yang penting yang semua data

warehouse harus bisa mendukung.

d) Nonvolatile

Setelah data dimasukan ke dalam data warehouse, user tidak bisa mengganti

atau meng-update data. Data yang lama dibuang dan perubahan data disimpan

sebagai data yang baru.

18

2.4 Model Dimensional Data Warehouse

Menurut Connolly dan Begg (2010), dimensionality modeling adalah sebuah

teknik desain logika yang bertujuan untuk menampilkan data dalam bentuk standar,

intuitif yang memungkinkan akses cepat. Dimensionality modeling menggunakan

konsep model Entity-Relationship (ER) dengan beberapa batasan penting. Setiap model

dimensi terdiri dari satu tabel dengan satu composite primary key yang disebut fact table

dan memiliki kumpulan dari tabel yang lebih sederhana yang disebut tabel dimensi

(dimension table). Tiap tabel dimensi memiliki primary key (non composite) yang akan

berkorespondensi tepat satu dengan komponen pada composite key dalam fact table.

a) Star Schema

Menurut Connolly dan Begg (2010), star schema adalah model data dimensional

yang mempunyai fact table di bagian tengah, dikelilingi oleh tabel dimensi yang

terdiri dari data reference (yang bisa di-denormalized). Star schema mengambil

karakteristik dari factual data yang di-generate oleh event yang terjadi dimasa

lampau.

Gambar 2.1 Star Schema

(Sumber: Connolly dan Begg, 2010)

19

b) Snowflake

Menurut Connolly dan Begg (2010), Snowflake adalah jenis dari star schema

dimana tabel dimensinya tidak mengandung denormalisasi.

Gambar 2.2 Snowflake

(Sumber: Connolly dan Begg, 2010)

c) Starflake

Menurut Connolly dan Begg (2010), Starflake adalah struktur gabungan yang

mengandung campuran dari star schema dan snowflake. Berdasarkan dari

kutipan pengertian ketiga schema diatas, dapat disimpulkan bahwa tabel fakta

pada star schema dikelilingi oleh banyak dimensi dengan hubungan one-to-

many, sedangkan pada snowflake tabel fakta terhubung banyak ke tabel dimensi,

yang dimana dimensi tersebut dapat dihubungkan ke tabel dimensi lain,

sedangkan starflake schema merupakan gabungan antara star schema dengan

snowflake.

20

2.5 Web Semantic

Menurut Jhon Markoff, web semantic adalah sekumpulan teknologi yang

menawarkan cara baru yang efisien dalam membantu komputer mengorganisasi dan

menarik kesimpulan dari data online. Melalui web semantic inilah berbagai perangkat

lunak akan mampu mencari, membagi, dan mengintegrasi informasi dengan cara yang

lebih mudah. Web Semantic adalah sekumpulan informasi yang dikumpulkan dengan

metode tertentu agar dapat dengan mudah diproses oleh mesin, dalam skala yang besar.

Ini seperti cara yang efisien dari representasi data pada World Wide Web, atau sebagai

database global yang saling terhubung. Web semantic terdiri dari seperangkat prinsip-

prinsip desain, kelompok kerja kolaboratif, dan berbagai teknologi. Beberapa elemen

dari web semantic yang dinyatakan sebagai calon masa depan dan unsur-unsur lain dari

web semantic disajikan dalam spesifikasi formal dimaksudkan untuk memberikan

deskripsi formal konsep, istilah, dan hubungan dalam satu domain tertentu. Istilah web

semantic itu sendiri diperkenalkan oleh Tim Berners-Lee, penemu World Wide Web.

Sekarang, prinsip web semantic disebut-sebut akan muncul pada Web 3.0, generasi

ketiga dari World Wide Web. Bahkan Web 3.0 itu sendiri sering disamakan dengan web

semantic. Web semantic menggunakan XML, XMLS (XML Schema), RDF, RDFS

(Resources Description Framework Schema) dan OWL.

2.6 ETL Berbasis Semantic

Menurut Rainardi (2008), ETL adalah suatu proses mengambil dan mengirim data

dari sumber data ke data warehouse. Dalam proses pengambilan data, data harus bersih

agar didapat kualitas data yang baik. Contohnya ada nomor telepon yang invalid, ada

kode buku yang tidak eksis lagi, ada beberapa data yang null, dan lain sebagainya.

Pendekatan tradisional pada proses ETL mengambil data dari data sumber, meletakkan

21

pada staging area, dan kemudian mentransformasi dan meng-load ke data warehouse.

Pada ETL berbasis semantic ini, prosesnya hampir sama denga ETL tradisional hanya

perbedaan pada transfrom yang akan menerapkan metode ontology dengan rule based.

Proses Extrac Transform Loading (ETL) berbasis semantic terbagi menjadi 3, yaitu:

1. Extract

Extract adalah proses penentuan source yang akan digunakan sebagai sumber

data bagi data warehouse. Di sini kita bisa menentukan data apa saja yang

diperlukan, tabel apa saja yang dijadikan sumber. Langkah pertama pada proses

ETL adalah mengekstrak data dari sumber-sumber data. Kebanyakan proyek

data warehouse menggabungkan data dari sumber-sumber yang berbeda. Pada

hakekatnya, proses ektraksi adalah proses penguraian, pembersihan dari data

diekstrak untuk mendapatkan struktur atau pola data yang diharapkan.

2. Transform

Setelah source ditentukan, maka data tersebut diubah agar sesuai dengan

standard yang ada pada data warehouse. Tahapan transformasi menggunakan

serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan

selanjutnya dimasukkan dalam data warehouse. Dibawah ini hal-hal yang

dilakukan dalam tahapan transformasi, yaitu:

a) Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data

warehouse.

b) Menterjemahkan nilai-nilai yang berupa kode, misalnya sumber

database menyimpan nilai 1 untuk laki-laki dan nilai 2 untuk perempuan,

tetapi data warehouse yang telah ada menyimpan A untuk dewasa dan C

untuk anak-anak, maka ini disebut juga dengan automated data cleaning

22

(tidak ada pembersihan secara manual yang ditunjukkan selama proses

ETL).

c) Proses transformasi dari OLTP fisik ke data model mapping dengan

pendekatan ontology dan rule based yang menghasilkan bentuk model

RDFS logic. Dari RDFS logic ini akan ditransformasikan kebentuk

SDWH fisik dengan model dimensional schema.

3. Loading

Loading adalah proses memasukkan data-data yang sudah di transformasi ke

dalam data warehouse untuk disimpan sebagai summary atau archieve. Fase

load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam

target akhir, yang biasanya ke dalam suatu data warehouse. Jangka waktu proses

ini tergantung pada kebutuhan organisasi. Beberapa data warehouse dapat setiap

minggu menulis keseluruhan informasi yang ada secara kumulatif, data diubah,

sementara data warehouse yang lain satau bagian lain dari data warehouse yang

sama dapat menambahkan data baru dalam suatu bentuk historical, contohnya

setiap jam. Waktu dan jangkauan untuk mengganti atau menambah data

tergantung dari perancangan data warehouse pada waktu menganalisis

keperluan informasi.

2.7 Semantic Data Warehouse

Semantic data warehouse adalah repositori data yang cerdas yang diciptakan

dalam proses ETL berbasis semantic. Memiliki sifat yang sangat dinamis karena

kemampuannya untuk mengolah semantic ETL dan menerima update langsung secara

terus menerus. Semantic data warehouse juga merupakan pengembangan data

warehouse saat ini dimana informasi yang diberikan didefinisikan lebih bermakna dan

23

lebih baik yang memungkinkan komputer dan pengguna dapat bekerja sama. Semantic

data warehouse bertujuan agar informasi pada data warehouse yang diekpresikan di

dalam bahasa alami yang dimengerti manusia dan perangkat lunak (software). Melalui

semantic data warehouse inilah, berbagai perangkat lunak akan mampu mencari,

membagi, dan mengintegrasikan informasi dengan cara yang lebih mudah dan cepat.

Gambar 2.3 Alur Semantic Data Warehouse

(Sumber : TAS Information Intelligence)

2.8 OLTP dan OLAP

2.8.1 OLTP (Online Transaction Processing)

Menurut Stair dkk. (2010), OLTP adalah suatu bentuk pengolahan data dimana

setiap transaksi diproses dengan segera, tanpa penundaan mengumpulkan transaksi

ke dalam batch. Memiliki karakteristik dengan jumlah data yang besar namun

transaksi yang dilakukan cukup sederhana seperti insert, update, dan delete. Hal

utama yang menjadi perhatian dari sistem yang dilakukan OLTP adalah melakukan

query secara cepat dan mudah untuk diperbaiki dan dapat diakses.

24

1.8.2 OLAP (Online Analytical Processing)

1.8.2.1 Pengertian OLAP (Online Analytical Processing)

Menurut Turban dkk. (2011) struktur operasional utama dalam

OLAP didasarkan pada konsep yang disebut kubus (cube). Kubus

(cube) didalam OLAP adalah struktur data multidimensional

(actual atau virtual) yang memungkinkan analisis data yang

cepat. Juga dapat didefinisikan sebagai kemampuan dari

memanipulasi dan menganalisis data secara efisien dari berbagai

perspektif. Susunan data ke dalam kubus bertujuan untuk

mengatasi keterbatasan database relational. Database relational

tidak cocok untuk analisis yang cepat dan dekat dari sejumlah

besar data. Sebaliknya, mereka lebih cocok untuk memanipulasi

record (menambahkan, menghapus, dan memperbarui data) yang

mewakili serangkaian transaksi.

Gambar 2.4 Online Analytical Processing

(Sumber: Scheps, 2008)

25

Berdasarkan pengertian yang dijabarkan oleh para ahli diatas

dapat disimpulkan bahwa pengertian Online Analytical

Processing (OLAP) adalah sebuah konsep data multidimensional

yang mendukung kegiatan mulai dari self service reporting dan

analisis data yang cepat dan efisien dari berbagai perspektif.

1.8.2.2 Arsitektur OLAP

Menurut Scheps (2008), Sistem OLAP mempunyai dua kategori,

yaitu:

a) OLAP Cube

Di lingkungan OLAP, cube adalah penyimpan data

terspesialisasi dirancang secara spesifik untuk menangani

data ringkasan multidimensional (multidimentional summary

data). Data cube disimpan di cell dan strukturnya seperti 3D

spreadsheet.

Gambar 2.5 Cube

(Sumber: Scheps, 2008)

26

b) OLAP Access Tools

Lingkungan client yang memungkinkan pengguna untuk

memanipulasi data cube dan akhirnya menghasilkan Business

Intelligence yang berarti dari berbagai sudut pandang dan

dapat lebih dari satu sudut pandang.

1.8.3 Perbedaan OLAP dan OLTP

Menurut Vercellis (2009) terdapat perbedaan antara OLAP dan

OLTP, antara lain dapat dilihat pada tabel dibawah ini :

Tabel 2.2 Perbedaan Antara OLTP dan OLAP

Karakteristik OLAP OLTP

Volatilitas Data statis Data dinamis

Waktu Data saat ini dan historis Data saat ini

Dimensi waktu Eksplisit dan varian Implisit dan terkini

Granuality Data agregasi dan

konsolidasi

Data yang detil

Update Periodic dan regular Berlanjut dan tidak

regular

Aktivitas Tidak dapat diprediksi Berulang kali

Fleksibilitas Tinggi Rendah

Kinerja Rendah untuk query yang

kompleks

Tinggi, satu detik per

query

User Knowledge workers Karyawan

Fungsi Analisis Operasional

Tujuan

penggunaan

Query kompleks dan

pendukung keputusan

Transaksi

Prioritas Fleksibilitas tinggi Kinerja tinggi

Metric Respon efektif Rata-rata transaksi

Ukuran data Gigabyte hingga terabyte Megabyte hingga gigabyte

(Sumber: Vercellis, 2009)

27

1.9 Data Mining

Menurut Han dan Kamber (2011), data mining adalah proses menemukan pola

yang menarik dan pengetahuan dari data yang berjumlah besar. Menurut Vercellis

(2009), data mining adalah aktivitas yang menggambarkan sebuah proses analisis yang

terjadi secara iteratif pada database yang besar, dengan tujuan mengekstrak informasi

dan knowledge yang akurat dan berpotensial berguna untuk knowledge workers yang

berhubungan dengan pengambilan keputusan dan pemecahan masalah.

Aktivitas data mining dapat dipisahkan menjadi 2, berdasarkan tujuan dari analisis

yaitu:

a) Interpretasi

Tujuan dari interpretasi adalah untuk mengetahui pola dari data dan

menghasilkannya dalam bentuk aturan dan kriteria yang dapat dimengerti

eksekutif.

b) Prediksi

Tujuan dari prediksi adalah untuk mengestimasikan kejadian-kejadian yang

terjadi di masa depan. Contohnya, perusahaan retail dapat menggunakan data

mining untuk memprediksikan penjualan dari produk mereka di masa depan

dengan menggunakan data-data yang telah didapatkan dari beberapa minggu.

Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat disimpulkan

bahwa pengertian data mining adalah sebuah proses analisis yang terjadi secara

interatif dan menemukan pola yang menarik, serta pengetahuan dari data yang

berjumlah besar.

28

1.10 BI (Business Intelligence)

2.10.1 Pengertian Business Intelligence

Menurut Scheps (2008), Business Intelligence adalah segala aktivitas, tool,

atau proses yang digunakan untuk mendapatkan informasi yang terbaik untuk

mendukung proses pembuatan keputusan. Menurut Vercellis (2009), Business

Intelligence adalah kumpulan model metematika dan metodologi analisa yang

secara sistematik menghasilkan data untuk menghasilkan suatu informasi dan

pengetahuan yang berguna untuk mendukung proses pengambilan keputusan yang

kompleks. Tujuan utama dari business intelligence adalah untuk menyediakan alat

dan metodologi bagi knowledge workers untuk membuat keputusan yang efektif

dan tepat waktu.

a) Keputusan yang efektif

Aplikasi dari metode analisa yang butuh ketelitian tinggi membuat

pengambil keputusan harus mengandalkan informasi dan pengetahuan

mana yang dapat diandalkan. Hasilnya, mereka dapat membuat

keputusan yang lebih baik dan membuat suatu perencanaan yang dapat

membuat tujuan mereka tercapai dengan efektif.

b) Keputusan yang tepat waktu

Perusahaan beroperasi dalam lingkungan ekonomi yang berkarakterisasi

oleh tingkatan kompetisi dan dinamisme yang tinggi. Konsekuensinya,

kemampuan untuk bereaksi dengan pesaing dan kondisi pasar baru

merupakan faktor penting dalam kesuksesan ataupun kelangsungan hidup

perusahaan.

29

Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat

disimpulkan bahwa pengertian Business Intelligence (BI) adalah

kumpulan aktivitas, tool, atau proses yang digunakan, dan metodologi

analisa yang secara sistematis dapat menghasilkan suatu informasi dan

pengetahuan yang berguna untuk mendukung proses pembuatan

keputusan yang kompleks.

2.10.2 Arsitektur Business Intelligence

Menurut Vercellis (2009), arsitektur dari sebuah business intelligence system,

terdiri dari enam komponen utama yaitu:

a) Data sources

Pada tahap pertama, diperlukan suatu proses untuk mengumpulkan dan

mengintegrasikan data-data yang disimpan dalam berbagai sumber yang

bervariasi, yang mana saling berbeda baik itu asal maupun jenisnya.

Sumber ini kebanyakan berasal dari data-data yang terdapat pada

operational systems, tetapi bisa juga berasal dari dokumen yang tidak

terstruktur seperti email dan data-data yang dikirimkan oleh pihak luar.

b) Data Warehouse dan Data Marts

Dengan menggunakan extraction dan transformation tools yang dikenal

sebagai ETL (extract, transform, load), data yang berasal dari berbagai

sumber yang berbeda disimpan ke dalam database yang ditujukan untuk

mendukung analisis business intelligence. Database inilah yang biasanya

dikenal dengan sebutan data warehouse dan data marts.

30

c) Data Exploration

Pada level ketiga ini, tools-tools yang berfungsi untuk keperluan analisis

business intelligence pasif digunakan. Tools-tools ini terdiri dari query

dan reporting systems, serta statistical methods. Metodologi ini bersifat

pasif karena para pengambil keputusan harus mengambil keputusan

berdasarkan hipotesa mereka sendiri atau mendefinisikan kriteria dari

data extraction, kemudian menggunakan tools analisis untuk

menemukan jawaban dan mencocokkannya dengan hipotesa awal

mereka.

d) Data Mining

Level keempat ini terdiri dari sejumlah metodologi business intelligence

yang bersifat aktif yang tujuannya adalah untuk mengekstrak informasi

dan pengetahuan dari data. Metodologi ini berisi sejumlah model

matematika untuk pengenalan pola, pembelajaran mesin, dan teknik data

mining. Tidak seperti tools yang digunakan pada level sebelumnya,

model dari business intelligence yang bersifat aktif ini tidak

mengharuskan para pengambil keputusan untuk mengeluarkan hipotesa

apapun.

e) Optimization

Pada level ini, solusi terbaik harus dipilih dari sekian alternative yang

ada, yang biasanya sangat banyak dan beragam.

f) Decisions

Pada level terakhir ini yang menjadi persoalan utama adalah bagaimana

menentukan keputusan akhir yang akan diambil yang dikenal sebagai

31

decision making process. Walaupun metodologi business intelligence

berhasil diterapkan, pilihan untuk mengambil sebuah keputusan ada pada

para pengambil keputusan. Pertimbangkan untuk mengambil keputusan

ini biasanya diambil juga dari informasi yang tidak terstruktur serta tidak

formal dan memodifikasi rekomendasi serta kesimpula yang dicapai

melalui penggunaan model matematika.

Gambar 2.6 Komponen Business Intelligence

(Sumber: Vercellis, 2009)

2.10.3 Siklus Hidup Business Intelligence

Menurut Vercellis (2009), ada 4 siklus hidup business intelligence, yaitu:

a) Analysis

Saat fase analisis, sangat penting untuk mengenali masalah luar maupun

dalam. Pengambil keputusan harus membuat representasi dari kejadian

yang sedang dianalisis, dengan mengidentifikasikan faktor penting yang

paling relevan dengan masalah.

b) Insight

Fase kedua membuat pengambil keputusan mengerti lebih dalam

mengenai masalah, biasanya dalam tingkatan kausal. Sebagai contoh,

32

jika analisis dalam fase pertama menunjukkan bahwa banyak pelanggan

yang tidak lagi melanjutkan asuransi mereka, dalam fase kedua sangat

penting untuk mengidentifikasi profil dan karakteristik yang dimiliki

oleh pelanggan. Informasi yang didapat dari fase pertama

ditransformasikan kedalam fase kedua.

c) Decision

Saat fase ketiga, pengetahuan yang didapat dari fase kedua diubah

menjadi suatu keputusan yang akan diikuti dengan ksi. Metodologi

business intelligence memungkinkan fase analisis dan pendalaman

dieksekusi berkali-kali agar keputusan yang efektif dan tepat waktu

dalam dibuat untuk memenuhi prioritas strategis suatu perusahaan.

d) Evaluation

Fase terakhir dari Business Intelligence meliputi pengukuran kinerja dan

evaluasi. Dengan menunjukkan indikator kinerja yang dapat digunakan

untuk mengevaluasi kinerja dari perusahaan.

Gambar 2.7 Siklus Hidup Business Intelligence

(Sumber: Vercellis, 2009)

33

2.10.4 Keuntungan Business Intelligence

Menurut Khan (2012) dalam jurnalnya mengatakan bahwa sementara dunia

bisnis berubah dengan cepat dan proses bisnis menjadi lebih dan lebih kompleks

sehingga lebih sulit bagi manager untuk memiliki yang komprehensif pemahaman

lingkungan bisnis. Faktor globalisasi, deregulasi, merger dan akuisisi, kompetisi dan

inovasi teknologi, telah memaksa perusahaan untuk memikirkan kembali strategi

bisnis mereka dan hanya perubahan besar telah menggunakan teknik Business

Inteligence (BI) untuk membantu mereka memahami dan mengendalikan proses

bisnis untuk mendapatkan keuntungan kompetitif. BI terutama digunakan untuk

meningkatkan ketepatan waktu dan kualitas informasi, dan memungkinkan manager

lebih memahami posisi perubahan mereka dibandingkan dengan pesaing.

Aplikasi dan Teknologi BI ini membantu perusahaan untuk menganalisis

perubahan tren dalam pangsa pasar, perubahan perilaku pelanggan dan pengeluaran

pola, preferensi pelanggan, kemampuan perusahaan dan kondisi pasar. Hal ini

digunakan untuk membantu analisis dan manager menentukan penyesuaian yang

paling mungkin untuk merespon perubahan tren. Ia telah muncul sebagai sebuah

konsep untuk menganalisis data yang dikumpulkan dengan tujuan untuk membantu

unit pengambilan keputusan mendapatkan pengetahuan yang lebih baik yang

komprehensif dari sebuah operasi, organisasi dan dengan demikian membuat

keputusan bisnis lebih baik.

34

2.10.5 Komponen Business Intelligence

Menurut Kapoor (2010) dalam jurnalnya mengatakan bahwa komponen

Business Intelligence terdiri dari 4 (empat) sub-system, yaitu:

a) The Data Management Sub-System

Mencakup komponen yang berkaitan dengan data warehouse, data mart,

dan Online Analytical Processing (OLAP). Orang-orang yang bekerja

terutama di daerah ini adalah "teknologi", yang mengkhususkan diri

dalam Ilmu Komputer, Sistem Informasi Manajemen (MIS), atau disiplin

terkait.

b) The Advanced Analytics Sub-System

Meliputi analisis fungsi berdasarkan statistik, data mining, peramalan,

pemodelan prediktif, analisis prediktif, dan optimasi. Orang-orang yang

bekerja terutama di daerah ini adalah super user, yang mengkhususkan

diri dalam Matematika, Statistik, Ilmu Manajemen atau disiplin yang

terkait.

c) The Business Performance Management Sub-System

Terdiri dari proses untuk tujuan strategis dan tujuan, pengukuran kinerja

dan mentoring, menganalisis kinerja dan membuat keputusan untuk

meningkatkan kinerja bisnis.

d) The Information Delivery Sub-System

Memberikan pengguna bisnis kemampuan untuk mengakses laporan dan

terus memantau kinerja organisasi pada perusahaan dan tingkat yang

lebih rendah. Menurut perannya sebagai teknokrat, super user, manager

menengah, manager eksekutif, atau pengguna operasional, ia akan diberi

35

peran berbasis hak untuk mengakses laporan yang relevan dalam

ringkasan dan atau format rinci. Pengguna akhir juga mampu memantau

kegiatan kunci seperti tren, metrik, dan KPI dalam mudah untuk

memahami desain, seperti portal informasi dikonfigurasi, Scorecard dan

dashboard. Tergantung pada peran individu dan tanggung jawab,

disajikan dengan tren, metrik, dan KPI pada tingkat agregasi yang sesuai

dengan keamanan untuk memblokir non-hak istimewa item.

2.11 Metode Ontology

Metode ontology digunakan untuk pemodelan bentuk dari konseptual data

warehouse yang akan dirancang. Metode ontology ini memiliki beberapa tahapan (rule

based) didalam perancangan. Untuk lebih jelasnya akan didefinisikan dibawah ini.

2.11.1 Definisi Ontology

Metode ontology adalah suatu konseptual yang formal dari sebuah domain

tertentu. Ontology juga merupakan teori tentang makna dari suatu obyek, properti dari

suatu obyek, serta relasi obyek tersebut yang mungkin terjadi pada suatu domain

pengetahuan. Ontology sangat penting karena dapat digunakan menerangkan tentang

struktur suatu database. Secara teknis sebuah ontology direpresentasikan dalam bentuk

classes, properties, slots, dan instans.

a. Class, menerangkan konsep (atau makna) suatu domain. Class adalah

kumpulan dari elemen dengan properti yang sama. Suatu class dapat

mempunyai turunan subclass yang menerangkan konsep yang lebih spesifik.

b. Properti, menerangkan konsep nilai-nilai, status, terukur yang mungkin ada

untuk domain.

36

c. Slot, merupakan representasi dari kerangka pengetahuan atau relasi yang

menerangkan properti dari class dan instant.

d. Instant, adalah individu yang telah dibuat (diciptakan). Instant dari sebuah

subclass merupakan instant dari suatu superclass.

Gambar 2.8 Model Ontology

(Sumber: www.ontology.com, 2014)

2.11.2 Bahasa Ontology

Ontologi sendiri mempunyai struktur bahasa yang formal (terdefinisi), agar

dapat digunakan. Beberapa struktur bahasa yang menyusun ontology antara lain :

a. XML (Extensible Markup Langguage)

Struktur mirip HTML yang tag-nya dapat didefiniskan sendiri.

b. XML Schema

Bahasa yang membatasi struktur yang didefinisikan pada dokumen XML.

c. RDF (Resource Description Framework)

Model data untuk objek (resources) dan relasi diantaranya, menyediakan

semantic yang sederhana untuk model data tersebut, dan data model ini dapat

disajikan dalam sintaksis XML.

37

d. RDF Schema

Adalah kosakata untuk menjelaskan properties dan classes dari sumber RDF,

dengan sebuah semantics untuk hirarki penyamarataan dari properties dan

classes.

e. OWL (Ontology Web Langguage)

Menambahkan beberapa kosakata untuk menjelaskan properties dan classes,

antara lain: relasi antara classes (misalkan disjointness), kardinalitas

(misalkan tepat satu), equality, berbagai tipe dari properties, karakteristik dari

properties (misalkan symmetry), menyebutkan satu persatu classes .

2.12 Metode Rule Based

Aturan atau rule merupakan sebuah konsep yang menjadi acuan pada suatu model

ontology dan proses pencarian informasi dengan query menggunakan bahasa alami

(Natural Language Processing).

2.12.1 Ontology Rule Based

Suatu model ontology dimungkinkan terdiri dari sebuah rule bahkan lebih dari

satu rule. Banyaknya rule yang digunakan atau diterapkan pada sebuah model ontology

dipengaruhi oleh banyak faktor seperti komplektivitas permasalahan, keragaman data

yang digunakan, hubungan antar objek dalam permasalahan, dan lain sebagainya. Rule

digunakan untuk mengatur relasi atau hubungan antar elemen-elemen penyusun

ontology seperti relasi antar class, relasi class dengan data type, relasi antar instance

dalam suatu class ataupun instance antar class.

38

2.12.2 Query Rule Based

Query Rule Based merupakan sebuah aturan yang menjadi acuan pada proses

pencarian informasi dengan kata kunci bahasa alami (natural language) indonesia. Tipe

query yang digunakan untuk acuan implementasi ini dengan penyusunan aturan

produksi (production rule). Berdasarkan identifikasi yang telah dilakukan Andayani

yang digunakan pada penelitian Wibisono (2013) , terdapat tujuh tipe query sebagai

berikut:

1. Tipe q _ a (query – atribut)

Tipe query ini hanya berisi satu atribut pada kalimat yang berfungsi sebagai

pertanyaan atau pernyataan.

2. Tipe q _ a _ a (query – atribut – atribut)

Tipe query ini berisi beberapa atribut yang akan ditampilkan.

3. Tipe q _ a _ opr (query – atribut – operator)

Tipe query berisi satu atribut yang akan ditampilkan dan mempunyai satu

kondisi.

4. Tipe q _ a _ a _ opr (query – atribut – atribut – operator – atribut – operator)

Tipe query berisi beberapa atribut yang akan ditampilkan dan beberapa

kondisi.

5. Tipe q _ a _ opr _ data (query – atribut – operator – <data>)

Tipe query berisi beberapa atribut yang akan ditampilkan dan kondisi

operator ‘lebih’, ‘kurang’, ‘sebelum’ atau ‘sesudah’.

6. Tipe q _ a _ bukan (query – atribut – bukan – data)

Tipe query berisi sebuah atribut yang akan ditampilkan dan kondisi operator

‘bukan’ atau ‘tidak’ atau ‘selain’.

39

7. Tipe q _ a _ a _ bukan (query – atribut – atribut – bukan – data)

Tipe query berisi beberapa atribut yang akan ditampilkan dan kondisi

operator ‘bukan’ atau ‘tidak’ atau ‘selain’.

2.13 Metode Nine Step Kimball

Metodologi yang digunakan perancangan basis data untuk semantic data warehouse

adalah metodologi sembilan langkah atau tahap (Nine-Step Methodology) yang dikemukan

oleh Kimball. Kesembilan langkah tersebut meliputi:

1. Pemilihan Proses (Choosing the process)

Pada tahap ini yang dilakukan adalah data mart yang pertama kali dibangun

haruslah data mart yang dapat dikirim tepat waktu dan dapat menjawab semua

pertanyaan bisnis yang penting.

2. Pemilihan Sumber (Choosing the grain)

Pemilihan sumber data untuk memutuskan secara pasti apa yang diwakili atau

direpresentasikan oleh sebuah tabel fakta. Misal, jika sumber data dari sebuah

tabel fakta properti sale adalah properti sale individual maka sumber dari sebuah

dimensi pelanggan berisi rincian pelanggan yang membeli properti utama.

3. Mengidentifikasi Dimensi (Identifying and conforming the dimensions)

Pada tahap identifikasi dimensi ini yang dilakukan adalah:

a. Set dimensi yang dibangun dengan baik, memberikan kemudahan

untuk memahami dan menggunakan data mart.

b. Dimensi ini penting untuk menggambarkan fakta-fakta yang terdapat

pada tabel fakta.

40

c. Jika ada dimensi yang muncul pada dua data mart, kedua data mart

tersebut harus berdimensi sama, atau paling tidak salah satunya berupa

subset matematis dari yang lainnya.

d. Jika sebuah dimensi digunakan pada dua data mart atau lebih, dan

dimensi ini tidak disinkronisasi, maka keseluruhan data warehouse

akan gagal, karena dua data mart tidak bisa digunakan secara

bersama-sama.

4. Pemilihan Fakta (Choosing the facts)

Pada tahap pemilahan fakta yang dilakukan adalah:

a. Sumber dari sebuah tabel fakta menentukan fakta mana yang bisa

digunakan dalam data mart.

b. Semua fakta harus diekspresikan pada tingkat yang telah ditentukan

oleh sumber.

5. Menyimpan Pre-kalkulasi di Tabel Fakta (Storing pre-calculations in the fact

table)

Tabel fakta merupakan tabel utama dalam data warehouse, semua informasi

yang ingin dicapai lewat data warehouse melalui tabel fakta. Banyak proses

kalkulasi dilakukan terhadap tabel fakta, dan untuk memudahkan dalam

implementasi ke data warehouse perlu menyimpan hasil pre-kalkulasi tersebut.

6. Melengkapi Tabel Dimensi (Rounding out the dimension tables)

Pada tahap ini yang kita lakukan adalah:

a. Menambahkan keterangan selengkap-lengkapnya pada tabel dimensi.

b. Keterangannya harus bersifat intuitif dan mudah dipahami oleh

pengguna.

41

7. Pemilihan Durasi Basis Data (Choosing the duration of the database)

Berdasarkan kegunaan dari basis data yang dibuat maka pada tahap ini

ditentukan berapa lama data tersebut tersimpan.

8. Menelusuri Perubahan Dimensi Secara Perlahan (Tracking slowly changing

dimensions)

Ada tiga tipe perubahan dimensi yang perlahan, yaitu :

a. Atribut dimensi yang telah berubah tertulis ulang

b. Atribut dimensi yang telah berubah menimbulkan sebuah dimensi baru

c. Atribut dimensi yang telah berubah menimbulkan alternatif sehingga

nilai atribut lama dan yang baru dapat diakses secara bersama pada

dimensi yang sama.

9. Menentukan Prioritas dan Mode Query (Deciding the query priorities and the

query modes)

Setelah langkah 1 sampai dengan 8 dilalui, maka pada tahap ini kita

menggunakan perancangan fisik. Tahap perancangan fisik ini menghasilkan data

warehouse yang siap diimplementasikan. Untuk itu perlu dibuat sebuah sistem

atau aplikasi yang didalamnya berisi query-query yang digunakan untuk dapat

menampilkan data yang diinginkan oleh pengguna.

2.14 PHP (PHP: Hypertext Preprocessor)

2.14.1 Pengantar PHP (PHP:Hypertext Preprocessor)

PHP adalah bahasa atau script yang dijalankan pada sisi server yang diciptakan

khusus untuk pengembangan web. Di dalam halaman HTML kita dapat menambahkan

kode PHP yang akan dijalankan pada saat halaman dikunjungi. Kode PHP yang

42

ditanamkan akan dijalankan oleh web server dan men-generate HTML atau output lain

yang akan dilihat oleh pengunjung.

PHP dibuat pada tahun 1994 oleh Rasmus Lerdorf. Kemudian dikembangkan

oleh para ahli di seluruh dunia. Pada Januari 2001, PHP digunakan hampir sekitar lima

juta domain di seluruh dunia dan terus berkembang dengan pesatnya. Kebanyakan dari

sintaks PHP dipinjam Perl, C, dan Java dengan beberapa penambahan corak spesial

PHP. PHP biasanya sering digunakan bersama web server apache diberagam sistem

operasi. PHP dikembangkan sepenuhnya untuk bahasa skrip server-side programming.

PHP bersifat open source, kita dapat mengakses langsung ke source code PHP dan

dapat digabungkan dengan berbagai server yang berbeda-beda. PHP mempunyai

kemampuan mengakses database dan diintegrasikan dengan HTML. PHP semakin

populer karena memiliki beberapa kelebihan, antara lain :

a. Mudah dibuat dan dijalankan.

b. Mampu berjalan pada web server dengan sistem operasi yang berbeda-beda,

seperti sistem operasi UNIX, keluarga windows, dan macintosh.

c. PHP bisa didapatkan secara gratis.

d. Dapat berjalan pada web server yang berbeda, seperti Microsoft Personal Web

Server, Apache, IIS, Xitami, dll.

2.14.2 Framework Codeigniter

Codeigniter merupakan framework PHP yang diklaim memiliki eksekusi

tercepat dibandingkan dengan framework yang lainnya (Saputra, 2011). Codeigniter

bersifat open source dan menggunakan model basis MVC (Model Veiw Controller),

yang merupakan model konsep modern framework yang digunakan saat ini. Dengan

43

konsep MVC ini, segala macam logika dan layout telah dipisahkan, sehingga si

programmer dan designer dapat mengerjakan masing-masing tugasnyan secara fokus.

Konsep MVC juga dapat menuntun para pembuat program untuk membangun

web dengan cara yang terstruktur. Dilihat dari cara kerjanya, framework codeigniter

menekankan pada MVC. Untuk alurnya dapat dilihat pada Gambar 2.9 dibawah ini.

Gambar 2.9 Konsep MVC

(Sumber : Saputra, 2011)

1. Model, digunakan sebagai presentasi database. Berbeda dengan framework

CadePHP. Dalam Codeigniter, segala macam perintah-perintah query SQL

diletakkan dalam file model, seperti insert, edit, delete, dan select. Karena

semuanya berhubungan dengan database.

2. Controller, digunakan sebagai pengendali (control) antara view dan model

melalui permintaan dari HTTP.

3. View, suatu halaman khusus yang digunakan untuk menyajikan informasi

kepada client. Secara definisi, segala macam permintaan yang dikelola oleh

controller dan model, akan dikembalikan kepada view sesuai hasi permintaan

yang di-request.

44

Alur kerjanya dapat dilihat pada Gambar 2.10 berikut ini.

Gambar 2.10 Alur Kerja MVC

(Sumber: Saputra, 2011)

Dari gambar 2.2 dapat dijelaskan sebagai berikut:

1. Index.php merupakan controller awal yang menginiliasisakan kebutuhan untuk

menjalankan Codeigniter.

2. Router/Routing merupakan bagian yang menentukan kegiatan yang harus

dilakukan ketika ada request/permintaan dari client/browser.

3. Caching merupakan bagian yang mengcek apakah data sudah pernah diminta

atau belum. Jika cache dalam keadaan aktif, maka akan langsung dikirimkan

kepada client/browser dengan mengabaikan alur kerja normal.

4. Security, sebelum apalikasi dikirimkan, maka akan terlebih dahulu data tersebut

difilter sebagai keamanan.

5. Controller merupakan pengendali dari jalannya aplikasi dan akan segera

memproses sesuai request/permintaan yang diminta, yaitu models, libraries,

helpers, plugins, dan scripts.

6. View merupakan bagian dari menyajikan suatu informasi ke client/browser

sesuai dengan permintaan yang diminta (setelah melewati tahap 1 s/d 5).

45

2.15 Database MySQL

MySQL merupakan database yang populer digunakan karena kemudahannya,

kecepatan kinerja, dan memenuhi kebutuhan database perusahaan-perusahaan skala

menengah kecil. Keuntungan lainnya adalah bahwa software ini sudah open source,

yang berarti dapat dipergunakan dan didistribusikan baik untuk pribadi maupun

komersial secara bebas. MySQL dikenal sebagai database yang pertama kali didukung

oleh bahasa pemrograman skrip untuk internet, misal PHP dan Perl. MySQL dan PHP

dianggap sebagai pasangan software pengembangan aplikasi berbasis web yang ideal.

Antar muka untuk aplikasi database MySQL dapat menggunakan bahasa

pemrograman umum seperti Java, C/C++, MS Visual Basic ataupun Borland Delphi.

Hasil akhir dari model aplikasi yang dihasilkan adalah aplikasi Client/Server. Umumnya

akses kepada database MySQL dari bahasa pemrograman yang disebutkan di atas jika

di lingkungan Windows menggunakan MyODBC, driver koneksi database dengan

menggunakan standar ODBC. Paket distribusi software MySQL terdiri atas komponen:

1. Server SQL merupakan komponen yang menjadi inti dari MySQL, sebagai

engine, dan menyediakan akses kepada database.

2. Program client untuk mengakses server program interaktif yang

memungkinkan kita untuk melakukan query dan manipulasi data kemudian

melihat hasilnya secara langsung, program untuk administratif dan utilitas.

Hanya satu utilitas yang digunakan untuk melakukan pengendalian server,

lainnya untuk mengekspor, impor data, memeriksa hak akses dan lain-lainnya.

3. Sekumpulan library untuk menulis program untuk mengakses server

merupakan kumpulan library fungsi yang dapat digunakan untuk membuat

program client sendiri dengan menggunakan bahasa C, karena library yang

46

disediakan menggunakan C, sebenarnya bisa juga untuk digunakan oleh bahasa

pemrograman lain.

2.16 Teknik Pengujian Sistem

2.16.1 Pengujian Black Box

Menurut Luqman (2012), pengujian black box merupakan tahap yang berfokus

pada pernyataan fungsional perangkat lunak. Test case ini bertujuan untuk menunjukan

fungsi perangkat lunak tentang cara beroperasinya. Apakah pemasukan data telah

berjalan sebagaimana mestinya dan apakah informasi yang tersimpan dapat dijaga

kemutahirannya. Selain itu juga black box adalah pengujian yang dilakukan hanya

mengamati hasil eksekusi melalui data uji dan memeriksa fungsional dari perangkat

lunak. Jadi dianalogikan seperti melihat suatu kotak hitam, hanya bisa melihat

penampilan luarnya saja, tanpa tau ada apa dibalik bungkus hitam nya. Pengujian black

box berfokus pada pengujian persyaratan fungsional perangkat lunak, untuk

mendapatkan serangkaian kondisi input yang sesuai dengan persyaratan fungsional

suatu program. Dengan demikian, pengujian black box memungkinkan pembuat

perangkat lunak mandapatkan serangkaian kondisi input yang sepenuhnya

menggunakan semua persyaratan fungsional untuk suatu program. Pengujian black box

berusah menemukan kesalahan dalam beberapa hal yaitu:

a. Fungsi-fungsi yang tidak benar atau salah.

b. Kesalahan interface.

c. Kesalahan dalam struktur data atau akses database.

d. Kesalahan kinerja, analisa, dan kesalahan terminasi.

47

2.16.2 Teknik Angket

Kuesioner atau angket merupakan teknik pengumpulan data yang dilakukan

dengan cara memberi seperangkat pertanyaan atau pernyataan tertulis kepada responden

untuk dijawabnya (Sugiyono, 2013). Sedangkan menurut Sutoyo (2012), kuesioner atau

angket merupakan sejumlah pertanyaan atau pernyataan tertulis tentang data faktual

atau opini yang berkaitan dengan diri responden, yang dianggap fakta atau kebenaran

yang diketahui dan perlu dijawab oleh responden. Kuesioner cocok apabila digunakan

pada responden yang jumlahnya cukup besar dan tersebar di wilayah yang luas.