BAB II

LANDASAN TEORI

2.1 Teori Umum

2.1.1 Pengertian Data

Data adalah fakta-fakta atau observasi tentang fenomena yang

bersifat fisik atau transaksi bisnis (O’Brien, 2003:13).

Data adalah fakta-fakta mentah tentang manusia, tempat, kejadian,

dan benda yang sangat penting dalam sebuah organisasi (Whitten, Bentley &

Dittman, 2004:27).

Dataadalah deskripsi yang mendasar dari suatu benda, kejadian,

aktivitas, dan transaksi yang direkam, diklasifikasikan, dan disimpan tetapi

tidak terorganisir untuk menyampaikan suatu arti khusus (Turban et al,

2005:38).

Kesimpulannya data adalah suatu fakta mentah mengenai manusia,

tempat, kejadian, atau pada proses transaksi bisnis yang di tangkap, direkam,

disimpan dan diklasifikasikan namun tidak terorganisir untuk menyampaikan

suatu arti khusus.

2.1.2 Pengertian Database

Database adalah kumpulan yang tersebar dari data yang secara logis

berhubungan, dan sebuah deskripsi dari data yang di rancang untuk

menemukan kebutuhan informasi dari sebuah organisasi (Connolly dan Begg

2005:14).

Database adalah kumpulan dari file-file yang menyimpan data yang

saling terhubung dan berasosiasi satu dengan yang lainnya (Turban et al,

2005:446).

Database adalah sebuah kumpulan yang terintegrasi dari elemen-

elemen data yang berelasi secara logis (O’Brien, 2003:145).

Kesimpulannya database adalah sekumpulan data dan deskripsi dari

data yang saling berhubungan secara logical antara satu dengan yang lainnya.

2.1.3 Online Transaction Preprocessing (OLTP)

Online Transaction Processing (OLTP)adalah sistem yang dirancang

untuk menangani high transaction throughput, dengan transaksi yang

umumnya dapat membuat perubahan kecil terhadap data operasional

organisasi yang diperlukan organisasi untuk menangani kegiatan operasional

sehari-hari (Connolly and Begg, 2005:1149).

Online Transaction Processing (OLTP)adalah deskripsi awal untuk

semua aktivitas dan sistem yang berasosiasi dengan memasukkan data yang

dapat diandalkan ke dalam database (Kimball and Ross, 2002:408).

Online Transaction Processing (OLTP)adalah sebuah areaterjadinya

transaksi dengan performa tinggi.PadaOLTP,

setiaptransaksiyangmasukkedalam sistemharusdapatdiakses (Inmon, 2005:500).

Online Transaction Processing (OLTP)adalah sebuah sistem

pengolahan transaksi secara real time (O’brien, 2003:224).

Kesimpulannya Online Transaction Processing (OLTP) adalah

sebuah sistem yang dirancang untuk menangani hightransaction dengan

memasukan data yang terbaik ke dalam databasesecara Real Time.

2.1.4 Online Analytical Preprocessing (OLAP)

Online Analytical Preprocessing (OLAP) adalah penggunaan

sekumpulan alat grafikal yang menyediakan user dengansebuah tampilan

multidimensional dari data merekadan memungkinkan user untuk

menganalisa data menggunakan teknik penyajian secara sederhana(Hoffer et

al, 2005:480).

Online Analytical Preprocessing(OLAP)adalah istilah yang

menggambarkan suatu teknologi yang menggunakan tampilan multi-

dimensional dari agregasi data untuk menyediakan akses yang cepat ke

informasi yang strategis untuk tujuan analisa lebih lanjut (Connoly dan Begg,

2005:1205).

Kesimpulannya Online Analytical Preprocessing (OLAP)adalah

teknologi software yang berguna untuk melakukan penyediaan data berupa

grafikal kepada user bertujuan untuk dapat melakukan analisa lebih lanjut.

2.1.5 Pengertian Data Warehouse

Data warehouseadalah kumpulan data yang berorientasi subyek,

terintegrasi, bervariasi waktu, dan non-volatile, yang mendukung manajemen

pengambilan keputusan (Inmon, 2005:29).

Data warehouseadalah suatu kumpulan data yang bersifat subject-

oriented, integrated, timevariant, dan non-volatile dalam mendukung proses

pengambilan keputusan (Connolly dan Begg, 2005:1047).

Kesimpulannya datawarehouse adalah kumpulan data yang

berorientasi subyek, terintegrasi satu dengan yang lain, variasi waktu dannon-

volatile sehingga mendukung proses pengambilan keputusan terhadap suatu

analisis masalah.

2.1.6 Karakteristik dan Sifat Data Warehouse

Menurut Inmon (2005:29)sebuah data warehouse memiliki beberapa

karakteristik sebagai berikut:

1. Subject Oriented

2. Integrated

3. Non-Volatile

4. Time Variant

2.1.6.1 Subject Oriented

Orientasi subyek dari datawarehouse dapat dilihat pada

gambar 2.1 Operasi sistem yang bersifat klasik diorganisir disekitar

aplikasi fungsional dari perusahaan. Contohnya adalah untuk

perusahaan asuransi subjeknya adalah pelanggan, kebijakan, premi,

dan keluhan. Contoh lainnya bila di dalam sebuah pabrik atau

manufaktur, maka subjeknya adalah produk, pesanan, vendor, tagihan,

dan

bahan baku.

Gambar 2.1 Contoh data yang berorientasi pada subyek (Inmon, 2005:30)

2.1.6.2 Integrated

Dari semua aspek dari data warehouse,

karakteristikintegrasiadalahyangpalingpenting. Data disuplai dari

banyak sumber yang berbeda kedalam data warehouse. Data yang

diambil itu akan diubah,diformat, disusun kembali, diringkas, dan

seterusnya. Setelah data itu masuk kedalam data warehouse, data

tersebut memiliki gambaran tunggal fisikal dari perusahaan. Gambar

2.2 di bawah ini akanmengilustrasikan integrasi yang muncul ketika

data melewatilingkungan operasional berbasiskan aplikasi ke

lingkungan data warehouse.Data yangmasuk ke dalam data

warehouseharuskonsisten pada tingkat aplikasi. Contoh konsistensi

data antara lain adalahaturan pengentrian data, aturan penamaan

atribut, dankarakteristik fisikal data lainnya. Hasilnya adalah data

dalam

data

warehouse

yangmempunyai satu bentuk.

Gambar 2.2 Contoh Integrasi Data (Inmon, 2005:31)

2.1.6.3 Non Volatile

Karakteristik ini memiliki arti bahwa data warehouse tidak

dapatdimodifikasi, Gambar 2.3 bagian kiri menunjukkan bahwa data

pada lingkungan operasional dapat diakses dan dimanipulasi pada satu

record pada saat bersamaan. Tetapi pada gambar bagian kanan

menunjukkan data di dalam datawarehouse dapat di isi dan di akses,

tetapi tidak dapat di update karena data dalam data warehouse

bersifat statis. Hal iniuntuk mencegah terjadinya tidak terintegrasinya

data dalamsistem. Sebagai gantinya, ketika data dalam datawarehouse

dimasukkan, data itu dimuat dalam format snapshot statik. Jadi, ketika

perubahan terjadi berikutnya, recordsnapshot yang baru ditulis.

Dengan demikian, suatu catatan historis data disimpan dalam data

warehouse.

Gambar 2.3 Non-Volatile Data (Inmon, 2005:32)

2.1.6.4 Time Variant

Karakteristik yang terakhir dari data warehouse adalah

TimeVariant. Variasi waktu menyiratkan bahwa setiap unit data dalam

datawarehouse akurat pada beberapa saat dalam satu waktu. Dalam

beberapa kasus, sebuah record memiliki waktu yang dicap atau

timestamped. Dalam kasus lain, record memiliki tanggal transaksi.

Tapi dalam setiap kasus, ada beberapa bentuk dari penanda waktu

untuk menunjukkan bahwa suatu momen waktu di mana record

adalah akurat.

Tabel 2.1 mengilustrasikan bagaimana variasi waktu data dari

data warehouse dapat ditampilkan dalam beberapa cara.

Tabel 2.1 Perbandingan Time Variant antara Data Operasional

danData Warehouse (Inmon, 2005:32)

Data Operasional Data Warehouse

Mempunyai Time Horizon 60 – 90

hari

Mempunyai Time Horizon 5 – 10

tahun

Record dapat di-update Data atau Record tidak dapat di-

update

Key Structure dapat termasuk atau

tidak termasuk elemen waktu.

Key Structure termasuk elemen

Waktu

2.1.7 Struktur Data Warehouse

Berdasarkan Inmon (2005:33-34), struktur data warehouse

menunjukkan level detil yang berbeda dalam lingkungan data warehouse.

Terdapat older level of detail, current level of detail, level of lightly

summarized data (level data mart), dan level of highly summarized data. Data

mengalir ke dalam data warehouse dari lingkungan operasional. Biasanya

transformasi penting dari data terjadi pada jalur dari level operasional ke level

data warehouse.

Gambar2.4 Struktur Data Warehouse (Inmon, 2005:34)

2.1.7.1 Current Detail Data

Current detail data adalah data detail yang sedang aktif saat

ini dan menggambarkan keadaan yang sedang berjalan saat ini.

Current detail data merupakan tingkat terendah dalam data

warehouse.Data jenis ini memerlukan media penyimpanan data yang

cukup besar dan merupakan data yang sering diakses.Hampir selalu

disimpan di media penyimpanan karena Current detail data ini cepat

diakses tetapi mahal dan kompleks dalam pemeliharaannya.

2.1.7.2 Old Detail Data

Old detail data adalah data-data lama atau data historis yang

di hasilkan dari back-up data yang disimpan di tempat yang terpisah

dan dapat diakses kembali. Data di simpan di tempat yang terpisah

karena data ini memiliki frekuensi akses yang rendah.Data ini

kategorikan berdasarkan umurnya agar mempermudah untuk

pengaksesan.

2.1.7.3 Lightly Summarized data

Lightly Summarized data dihasilkan dari current detail data

yang diringkas berdasarkan dimensi yang sesuai kebutuhan. Data ini

memiliki tingkat detail yang lebih tinggi dibandingkan dengan current

detail data.Lightly Summarized data bisa disebut juga sebagai data

mart.

2.1.7.4 Highly Summarized Data

Highly summarized data merupakan lightly summarized data

tingkat lanjut yang memiliki tingkat detail lebih tinggi dan lebih

bersifat totalitas.

2.1.7.5 Metadata

Metadata merupakan bagian penting dari lingkungan

datawarehouse yang telah menjadi bagian dari lingkungan

pengolahan informasi selama ada program dan data. Tapi di dunia

data warehouse, metadata mempunyai tingkat kepentingan yang baru,

yaitu mengupayakan penggunaan yang paling efektif dari

datawarehouse. Metadata memungkinkan pengguna akhir atau analis

DSS untuk menavigasi melalui kemungkinan (Inmon, 2005:102-103).

Menurut Inmon (2005:500), ada dua pengertian metadata yang

pertama metadata adalah data tentang data. Dan yang kedua

merupakan gambaran dari sebuah struktur, isi, kunci, indeks dari

data.Metadata itu sendiri menjelaskan struktur dan atribut dari

data.Metadata memiliki peran ganda yang saling bertentangan. Dalam

beberapa kasus, metadata harus di share. Namun di kasus yang lain,

metadata harus di kelola secara mandiri.

Menurut Inmon(2005:103), biasanya, item dari jejak

penyimpanan metadata adalah sebagai berikut:

• Struktur data yang dikenal programmer

• Struktur data yang dikenal analis DSS

• Sumber data yang membantu data warehouse

• Transformasi dari data ketika lewat ke dalam data warehouse

• Model data

• Relasi antara data model dan datawarehouse

• Sejarah ekstraksi

2.1.7.6 Subject Orientation

Data warehouse berorientasi pada bidang subyek utama dari

perusahaan yang sudah ditetapkan dalam model data tingkat tinggi

perusahaan (high-level corporate data model). Bentuk subject

orientation adalah sebagai berikut :

• Pelanggan

• Produk

• Transaksi atau kegiatan

• Kebijakan

• Klaim

• Account

Setiap majorsubject area adalah diimplemetasikan secara fisik

sebagai serangakaian dari tabel yang saling berelasi dalam data

warehouse.Sebuah subject orientation dapat terdiri dari 10, 100, atau

bahkan lebih banyak bentuk tabel yang semuanya saling terkait.

2.1.8Arsitektur DataWarehouse

Dalam melakukan perancangan data warehouse ditentukan terlebuh

dahulu arsitektur yang paling cocok untuk melakukan pengembangan data

warehouse.Dan kami mengadaptasi arsitektur berikut ini dari Inmon

(2010:12).

Berikut ini adalah suatu gambaran tipikal dari arsitektur data warehouse :

Gambar 2.5 Arsitektur Data Warehouse Adaptasi dari Inmon (2010:12)

Komponen-komponen yang ada dalam arsitektur ini dijelaskan lebih lanjut

oleh Inmon (2010:12), sebagai berikut :

1. ETL — extract/transform/load

Teknologi ETL memungkinkan data yang akan ditarik dari legacy system

environmentdan ditransformasikan ke data perusahaan. Komponen ETL

menampilkan banyak fungsi, seperti :

• Konversi logikal dari data;

• Verifikasidomain;

• Konversi dari satu DBMS ke yang lain;

• Pembuatan nilai default bila diperlukan;

• Peringkasan data;

• Penambahan nilai waktu untuk data kunci;

• Restrukturisasi kunci data;

• Penggabungan record;

• Penghapusan data yang asing atau berlebihan.

Inti dari ETL adalah data yang masuk proses ETL sebagai data aplikasi dan

keluar dari proses ETL sebagai data perusahaan.

2. ODS - operational data store

Suatu Operational data store (ODS) adalah suatu media penyimpanan

dari data operasional yang terbaru dan terintegrasi yang digunakan untuk

analisis. ODS menstrukturkan dan menyediakan data dengan cara yang sama

seperti data warehouse, tapi mungkin sebenarnya bertindak hanya sebagai

tempat penampungan sementara sebelum data dipindahkan ke warehouse.

ODS diciptakan ketika sistem operasional ditemukan tidak mampu

mencapai keberhasilan pelaporan. ODSmenyediakan pengguna dengan

kemudahan penggunaan database relasionalnamun tetap jauh dari fungsi

pendukung keputusan dari datawarehouse.

• Online analytical processing (OLAP) tools.

Online analytical processing tools berbasis pada konsep basis

data multidimensional dan memperbolehkan user untuk menganalisis

data menggunakan view multidimensional yang kompleks Tipikal

Aplikasi bisnis untuk alat-alat termasuk mengevaluasi efektivitas

perencanaan kampanye pemasaran, prediksi penjualan produk, dan

kapasitas. Tool ini mengasumsikan bahwa data tersebut diatur dalam

suatu model multi-dimensi yang didukung oleh special

multidimensional database (MDDB) atau oleh basis data relasional

yang dirancang untuk memungkinkan multidimensional queries.

3. Data mart

Data mart adalah tempat di mana pengguna akhir memiliki akses langsung

dan kontrol data analitis. Data mart dibentuk oleh satu set pengguna dengan harapan

seluruh ketersediaan data dapat di lihat dan di pahami contohnya membuat

pengelompokan pengguna dibagisesuai dengan departemen masing-masing.

Pemasaran memiliki data mart.Penjualan memiliki data mart, dan sebagainya.Sumber

data untuk setiap data mart adalah data warehouse.

Datamart biasanya diimplementasikan dengan menggunakan teknologi yang

berbeda dari yangdata warehouse.Setiap data mart biasanya menyimpan data lebih

sedikitdari data warehouse.Data mart juga umumnya mengandung data yang lebih

signifikan.

4. Exploration warehouse

Exploration warehouseadalah sebuah fasilitas di mana pengguna akhir yang

ingin melakukan pencarian data, pada fasilitas ini juga dijadikan tempat untuk

melakukan analisis statistik. Sebagian besar pengolahan di gudang eksplorasi berasal

dari sumber yang sama. Gudang eksplorasi kebanyakan dijadikan tempat menyimpan

data berdasarkan proyek yang ada.

Setelah proyek selesai maka gudang eksplorasi akan hilang. Ini menyerap

dari persyaratan pengolahan tugas tingkat tinggi dari analis statistik, sehingga

melindungi data warehouse dari menguras kinerja yang dapat terjadi ketika

menggunakan banyak data statistik yang terbuat dari gudang eksplorasi.

2.1.9Keuntungan DataWarehouse

Implementasi yang sukses dari data warehouse dapat membawa

keuntungan yang besar bagi sebuah organisasi, (Connolly dan Begg,

2005:1152), antara lain :

a. Potensi untuk pengembalian investasi yang besar (Potential high

returns on investment) .

Sebuah organisasi harus mengeluarkan sumber daya yang

besar untuk memastikan keberhasilan implementasi dari data

warehouse dan harganya dapat berkisar antara $50.000 -

$10.000.000 sesuai dengan variasi solusi teknikal tersedia.

Menurut studi dari International Data Corporation (IDC) pada

tahun 1996 dilaporkan bahwa pengembalian investasi rata-rata

selama tiga tahun dalam datawarehousing mencapai 401%.

b. Keuntungan kompetitif (Competitive advantage)

Pengembalian investasi yang besar bagi perusahaan yang

mengimplementasikan data warehouse dengan suksesmerupakan

bukti keuntungan kompetitif dengan menggunakan teknologi ini.

Keuntungan kompetitif diperoleh dengan memungkinkan para

pembuat keputusan untuk mengakses ke dalam data yang belum

digunakan sebelumnya,tidak diketahui, dan informasi yang belum

dimanfaatkan, contohnya, pelanggan, tren, dan permintaan.

c. Meningkatkan produktivitas bagi pembuat keputusan (Increased

productivity of corporate decision-makers)

Data warehouse meningkatkan produktivitas dari

pembuat keputusan dengan menciptakan database yang

terintegrasi, konsisten, berorientasi subyek, dan data historikal.

Data warehouse mengintegrasikan data dari berbagai sistem yang

tidak kompatibel ke dalam bentuk yang menyediakan satu

tampilan yang konsisten bagi perusahaan. Dengan

mentransformasikan data menjadi informasi yang berarti, data

warehouse memungkinkan pembuat keputusan untuk melakukan

analisis dengan lebih substantif, akurat, dan cepat.

2.1.10Perbandingan DataWarehouse dengan OLTP

Sebuah DBMS yang dibangun untuk OnlineTransactionProcessing

(OLTP) umumnya dianggap tidak sesuai untuk data warehousing karena

setiap sistem dirancang dengan membedakan serangkaian dari kebutuhan-

kebutuhan.

Sebuah organisasi umumnya mempunyai beberapa sistem Online

Transaction Processing (OLTP) yang berbeda untuk setiap proses bisnis,

seperti inventory control, invoicing customer dan point-of-sale. Sistem ini

menghasilkan data operasional yang detil, terbaru, dan dapat berubah. Sistem

OLTP dioptimalkan untuk sejumlah besar transaksi yang dapat diramalkan

(predictable), berulang (repetitive), dan sering diperbaharui (update

intensive).Data OLTP diorganisasikan berdasarkan kebutuhan-kebutuhan dari

transaksi yang dihubungkan dengan aplikasi bisnis dan mendukung

keputusan per hari dari sejumlah besar penggunaoperasionalyang konkruen.

Umumnya, organisasi hanya mempunyai satu data warehouse yang

menyimpan data secara historis, detil, dan ringkas dengan beberapa tingkatan

dan sangat jarang berubah. Data warehouse didesain untuk mendukung

transaksi yang relative rendah yang tidak dapat diramalkan (unpredictable),

dan memerlukan jawaban untuk query khusus (ad hoc), tidak terstruktur ,dan

heuristic. Data warehouse diorganisasikan pada kebutuhan-kebutuhan query

yang potensial dan mendukung keputusan strategis jangka panjang dari user

tingkat manajerial yang relatif berjumlah sedikit.

Di bawah ini adalah tabel yang menunjukkan karakteristik utama dari

sistem OLTP dan sistem data warehouse (Connolly dan Begg, 2005:1153) :

Sistem OLTP Sistem Data Warehouse

Mengandung data terkini Mengandung data historis (data

lama)

Tabel 2.2 Perbandingan Sistem OLTP dan Sistem Data Warehouse

2.1.11 Metodologi Perancangan Data Warehouse

Metode perancangan data warehouse yang akan digunakan

adalah Steps of Development dari (Inmon, 2000:17-18)yaitu :

• Data modelling,

• Memilih perangkat lunak dan perangkat keras sebagai acuan.

• Menentukan kapasitas data warehouse -

• Mengumpulkan informasi yang dibutuhkan,

• Menentukan data yang diperlukan bagi data warehouse.

• Menentukan dan mengidentifikasi subyek area.

Menyimpan data yang rinci Menyimpan data yang rinci,

sedang, dan ringkas

Data bersifat dinamis Data bersifat statis

Prosesnya berulang Prosesnya tidak terstruktur,

ditujukan untuk maksud tertentu

Digunakan untuk transaksi Digunakan untuk analisis transaksi

tingkat menengah sampai rendah

Berorientasi pada aplikasi Berorientasi pada subyek

Penggunaannya dapat diprediksi Penggunaannya tidak dapat

diprediksi

Mendukung pengambilan

keputusan per hari

Mendukung pengambilan

keputusan strategis

• Mengidentifikasi waktu untuk pengumpulan data bagi data

warehouse.

• Mengidentifikasi recorddari data warehouse,

• Menentukan apakah delta data dibutuhkan dalam sistem data

warehouse,

• Melakukan spesifikasi dari transformasi data,

• Melakukan eksekusi DDL (Data Definition Language), eksekusi

ini dilakukan hanya jika diperlukan,

• Membuat kode untuk transformasi data .

• Mengalokasikan penempatan ruang untuk kapasitas data,

• Mengelompokkan data pada data warehouse.

Menurut Inmon (2005:371)metodologi perancangan data

warehouse terdiri dari:

• Menentukan Major Subject, yaitu menentukan apa saja

subyek yang terlibat dalam sistem proses bisnis yang

berlangsung.

• Melakukan Definisi Subyek, yaitu memilih detil dari

sebuah objek yang nantinya akan dijadikan tabel fakta

pada suatu proses bisnis.

• Melakukan Hubungan Antar Objek yaitu membuat skema

bintang yang terdiri dari tabel fakta dan tabel dimensi di

dalamnya.

• Menyesuaikan Dimensi, yaitu memastikan dimensi sesuai

dengan fungsinya.

• Membangun Independent Data Mart, yaitu data mart yang

dibangun langsung dari aplikasi turunannya.

2.1.11.1 Normalization and denormalization

2.1.11.1.1 Normalization

Perancangan data warehouse menentukan yang mana

sebuah normalisasi atau pendekatan relasional merupakan

salah satu yang tepat. Menurut Inmon(2005:126-127), ada

beberapa alasan yang bagus mengapa normalisasi atau

pendekatan relasional menghasilkan perancangan yang

optimal dari data warehouse, yaitu :

• Menghasilkan fleksibilitas

• Sesuai dengan data yang sangat rinci atau granularitas data

• Tidak dioptimalkan untuk setiap set tertentu dari kebutuhan

proses

• Sangat sesuai dengan data model

2.1.11.1.2 Denormalization

MenurutInmon (2005:495), denormalization atau

denormalisasi adalah suatu teknik untuk menempatkan data

yang telah dinormalisasi ke dalam lokasi fisikal yang

mengoptimalkan kinerja sistem.

2.1.12Data Warehouse Data Model

Terdapat tiga level dari pemodelan data,yaitu : High-Level Modeling

(Entity Relationship Diagram atau ERD), Mid-Level Modeling (Data Item Set

atau DIS), Low-Level Modeling (Physical Model) (Inmon 2005:82).

2.1.12.1High-Level Data Model (Entity Relationship Diagram)

High-Level Modeling menyediakan entitas dan relasi.Entitas

yang diperlihatkan dalam level ERD adalah pada level tertinggi dari

abstraksi. Apa yang dimiliki oleh entitas dalam ruang lingkup dari

model dan apa yang entitas tidak tentukan oleh apa yang disebut

dengan “scope integration”.

ERD merepresentasikan kebutuhan yang diketahui dari

komunitasDSS yang dibuat berdasarkan maksud atau kemauan dari

user.

Gambar 2.6 Merepresentasikan entitas dan relasi (Inmon,

2005:82)

2.1.12.2Mid-Level Data Model (Data Item Set atau DIS)

Mid-Level Data Model atau DIS dibuat setelah high-level data

model dibuat(Inmon, 2005:84-85). Ada 4 dasar untuk membangun

model tingkat menengah/ DIS ini, yaitu :

� Pengelompokan data primer

� Pengelompokan data sekunder

� Konektor / penghubung, memberikan relasi pada data

diantara area subyek utama

� Tipe data

Gambar 2.7 Hubungan Antara ERD dan DIS (Inmon, 2005:85)

2.1.12.3 Low-Level Modeling (Physical Model)

Physical Data Model dibuat dari Mid-Level Data Model yang

hanya dengan memperluas Mid-Level Data Model untuk memasukkan

kunci dan karakteristik fisik dari model.Pada bagian ini, data model

fisik terlihat seperti rangkaian tabel, terkadang disebut tabel

relasional.Walau tabel telah siap untuk di masukkan kedalam

kerangka dari desain database fisik, satu langkah terakhir adalah

dengan menentukan granularitas dan partisi dari data. Langkah ini

sangat krusial dan penting(Inmon, 2005:86).

2.1.13 Pemodelan Multidimensional

Pemodelan Multidimensional adalah Sebuah teknik desain logikal

yang bertujuan untuk menyajikan data dalam bentuk standar, intuitif yang

memungkinkan untuk performa akses yang tinggi (Connoly dan Begg,

2005:1183).

2.1.13.1 Fact Table (Tabel Fakta)

Menurut inmon (2005:497), pusat dari tabel star join dimana

data mempunyai banyak kejadian yang akan ditempatkan.

Gambar 2.8 Representasi Entitas dan Relasinya

Fact table merupakan tabel utama yang merupakan inti dari

skema.Pada gambar 2.8 pusat dari skema tersebut adalah order.Fact

table mengandung kumpulan foreign key dan primary key yang ada

pada masing-masing tabel dimensi yang berhubungan.

2.1.13.2 Skema Bintang (Star schema)

Menurut Connolly dan Begg (2005:1183), skema bintang (star

schema) adalah struktur logikal yang mempunyai sebuah tabel fakta

yang berisi data faktual yang ditempatkan di tengah, dikelilingi oleh

tabel dimensi yang berisi data referensi yang dapat didenormalisasi.

Gambar 2.9Skema Bintang (Star Schema) (Connolly dan

Begg,2005:1884)

Menurut Ponniah (2001:220-223), Skema bintang memiliki

beberapa keuntungan diantaranya :

1. Mudah untuk dimengerti

2. Optimasi navigasi

3. Cocok untuk pemrosesan Query

4. Cocok untuk teknik perfoma yang khusus seperti

STARjoin dan STARindex.

2.1.13.3Skema Snowflake (Snowflake Schema)

Menurut Connolly dan Begg (2005:1185), skema snowflake

(snowflake schema) adalah variasi lain dari skema bintangyang

memungkinkan untuk memiliki banyak dimensi. Tabel dimensi dapat

mempunyai tabel dimensi lainnya seperti pada gambar 2.10 dibawah

ini.

Gambar 2.10 Skema Snowflake (Snowflake Schema) (Connolly

dan Begg,2005:1885)

Keuntungan dan kerugian dari skema snowflake (Ponniah,

Poulraj,2001:238) adalah :

Keuntungan

1. Tempat penyimpanan yang kecil

2. Struktur yang telah dinormalisasi akan lebih mudah untuk diupdate

dan dikelola

Kerugian

1. skema kurang intuitif dan user ditempatkan pada kopleksitas

2. Sulit untuk menelusuri melalui konten

3. Penurunan performa query karena penambahan join

2.1.13.4Skema Starflake (Starflake Schema)

Starflake Schema adalah Sebuah struktur hibrida atau

gabungan yang berisi campuran star schema dan snowflake schema.

Beberapa dimensi mungkin ada dalam kedua bentuk untuk memenuhi

kebutuhan query yang berbeda.

struktur yang diturunkan dari penggabungan konsep star

schema dan snowflake schema. Beberapa dimensi memiliki

kemungkinandibentuk dengan kedua konsep Star Schema dan

Snowflake Schema, hal ini disesuaikan dengan kebutuhan akanquery

yangdimiliki (Connolly dan Begg, 2005:1185).

Gambar 2.11Skema Starflake (Starflake Schema)

2.1.13.5ETL (Extract, Transform, Loading)

ETL adalah Serangkaian proses dimana sumber data

operasional dipersiapkan untuk datawarehouse. Merupakan proses

utama dari area backroomdatastaging dari datawarehouse, sebelum

setiap presentasi maupun query. Meliputi ekstraksi data operasional

dari aplikasi sumber, mentransformasikannya, memuat dan

melakukan pengindeksan, kontrol kualitas, dan menerbitkannya.

(Kimball dan Ross, 2002:401).

Gambar 2.12 Proses extraction, transformation, and loading

Proses ETL terdiri dari tiga tahap, yaitu :

1. Extract

Ekstraksi adalah langkah pertama dalam proses untuk

mendapatkan/mengambil data untuk dimasukkan kedalam

lingkungan data warehouse. Ekstrak berarti membaca dan

memahami sumber data dan menyalin data yang diperlukan

untuk datawarehouse kedalam stagingarea untuk manipulasi

lebih lanjut. Data diambil dari satu atau lebih sumber data atau

sistem operasional

2. Transform

Transform adalah proses setelah data diambil pada

proses ekstraksi karena data diambil dari banyak sumber data.

Transform melakukan proses pembersihan data (mengoreksi

kesalahan ejaan, mengatasi konflik domain, berurusan dengan

elemen yang hilang, atau menguraikan ke dalam format

standar), menggabungkan data dari berbagai sumber,

deduplicating data, dan menetapkan kunci dari warehouse

sehingga mendapatkan struktur data yang dikehendaki.

3. Load

Fase load merupakan fase memasukkan data ke target

akhir, yaitu kedalam datawarehouse. Proses ini sangat

bervariasi, tergantung pada kebutuhan organisasi Fase load

berinteraksi dengan database, batasan didefinisikan dalam

skema database sebagai pemicu pada waktu melakukan load

data (contohnya :uniqueness,referential, integrity, mandatory

fields), yang juga berkontribusi terhadap kinerja kualitas data

secara keseluruhan dari proses ETL.

2.1.14 Problem Solving

Problem Solving adalah memberikan pembenaran terhadap pola pikir

apabila terdapat suatu kesalahan, tidak ada keraguan dalam merespon

pengaruh buruk secara cepat.

• Elemen Problem Solving

Beberapa elemen harus tersedia apabila menginginkan suatu

keberhasilan pemecahan suatu masalah, beberapa elemen antara lain

(McLeod, 2001:112).

1. DesireState – Adalah apa yang sistem harus capai.

2. CurrentState – Adalah apa yang telah dicapai oleh sistem

pada saat ini. Apabila kedua state awal tersebut berbeda

maka terdapat beberapa masalah yang bersifat urgent

yang harus segera dipecahkan.

3. Solution Criterion – Adalah untuk mewujudkan

keberhasilan pada current state maka kita harus menjaga

performa pada desirestate.

4. Internal Constraints – Adalah mengambil bentuk dari

sumber daya yang terbatas yang ada dalam perusahaan.

5. Environmental Constraints – Adalah mengambil bentuk

tekanan dari berbagai lingkungan elemen yang melarang

aliran dari sumber daya ke dalam dan ke luar perusahaan.

2.1.15 Metodologi Loading Data

ETL adalah proses yang sangat memakan waktu. Untuk mengurangi

waktu proses ETL. Setiap langkah dalam ETL, yaitu,ekstraksi, transformasi,

dan loading tergantung pada masing-masingprosesnya.Dalam beberapa jenis

arsitektur data harusdiproses dalam mode real timeseperti harian, mingguan

atau bulanan.Data-data penting yang telah diidentifikasi dengan

menggunakan beberapa faktor sebelumnya pasti diambil dalam tabel yang

bersifat sementara.Tabel sementara ituakandi perbarui secara realtime dan

data yang tersisa akan di perbarui pada waktu yang telah dijadwalkan. Tabel

ini harus di kosongkan sementara,dan replika dari semua tabel dari

datagudang yang pada akhirnya akan diisi oleh data yang baru. (Jain,

Rajasree, Saluja , 2012:18, 27).

Skema tersebut akan dimodifikasi untuk mendukung real-time data

warehouse berdasarkan pendekatan yang ditunjukkan pada gambar berikut :

Gambar 2.13 Contoh modifikasi skema data warehouse

Pemetaan yang berbeda harus dirancang untuk tabel yang bersifat

sementara dan tabel dengan data yang tersisa. Pemetaan untuktabel sementara

yang berisi data penting harus sering dioperasikan dan set pemetaan untuk

tabel yang berisi data non-critical harus dioperasikan pada waktu yang

dijadwalkan, yaitu sekaliminggu, atau setiap hari.

2.1.16Decision Making

Menurut McLeod (2001:112), Decisionmakingadalah suatu

perbuatan untuk menyeleksi suatu strategi atau action yang dipercaya

akan memberikan solusi terbaik terhadap suatu masalah.

2.2 Teori Khusus

2.2.1 Services

Services atau jasa dapat diartikan sebagai suatu perbuatan, upaya atau

performa (Hoffman, Bateson 2006:5)

Service adalah berbagai kegiatan utama atau pelengkap yang secara

tidak langsung menghasilkan berbagai produk fisik (Evans, Collier 2007:11)

• Service quality

sebuah perilaku yang terbentuk dalam jangka panjang,

secara keseluruhan merupakan evaluasi bagi performa perusahaan

(Hoffman, Bateson 2006:333)

Jadi, servis merupakan perbuatan, upaya atau performayang secara

tidak langsung menghasilkan berbagai produk.

2.2.2Marketing

Sebuah perusahaan yang memiliki perencanaan kedepan yang

operasinya berfungsi untuk memenuhi keinginan pasar, kegiatan ini terdiri

dari melakukan desain produk, memberikan harga produk dan melakukan

promosi terhadap produk (Hoffman, Bateson 2006:421).

Marketing adalah sesuatu yang memenuhi permintaan atau paling

tidak akan mengambil pesanan untuk sebuah produk atau jasa, namun tidak

akan terjadi apa – apa apabila tidak terjual (Heizer, Render 2006:4).

2.2.3Interaksi Manusia dan Komputer

Interaksi Manusia dan Komputer adalah suatu ilmu yang mempelajari

cara manusia melakukan interaksi dengan komputer dan pengaruh dari

interaksi tersebut (Shneiderman,1998:10).

Dalam melakukan perancangan antar muka ada 5 faktor yang harus

diperhatikan untuk merancang antar muka yang user-friendly (Shneiderman,

Plaisant,2010:32):

1. Waktu untuk belajar.

2. Kecepatan kinerja.

3. Tingkat kesalahan user.

4. Daya ingat dari waktu ke waktu.

5. Kepuasan Subjektif.

• Delapan Aturan Emas

Ada delapan aturan emas yang digunakan dalam

merancang suatu interface (Shneiderman, Plaisant,2010:88-89),

yaitu:

1. Selalu konsisten.

2. UniversalUsability (shortcut).

3. Memberikan umpan balik yang informatif.

4. Merancang dialog yang menghasilkan penutupan.

5. Pencegahan dan penanganan kesalahan yang

sederhana.

6. Memungkinkan untuk kembali ke tindakan

sebelumnya.

7. Mendukung pusat kendali internal.

8. Mengurangi beban memori jangka pendek bagi

pemakai.