1

Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna Indonesia Menggunakan SQL Server 2005

Muhamad Adi Prasetyo1, Ahmad Saikhu2, Sarwosri3

Teknik Informatika, Fakultas Teknologi Informasi, ITS

Email: mas_adi@cs.its.ac.id1

ABSTRAK

Data Warehouse merupakan sebuah data base relational yang diperuntukkan untuk kebutuhan query dan analisis,

bukan untuk proses transaksi. Data Warehouse dapat dimanfaatkan sebagai pendukung sistem keputusan dengan

menyimpan dan mengolah data dari berbagai sumber dengan menggunakan alat bantu seperti Online Analit ical

Processing (OLAP). OLAP dimanfaatkan untuk membuat laporan jalur proses produksi pada PT Aneka Tuna

Indonesia. PT Aneka Tuna Indonesia ialah perusahaan yang bergerak dalam bidang pengolahan ikan tuna menjadi

beberapa produk yang pasarnya sebagian keluar negri. Laporan yang dibuat menggambarkan dinamika produksi

pada periode tertentu yang mulai dari pengiriman ikan oleh supplier hingga staffing . Laporannya akan ditampilkan

dalam bentuk tabel dan grafik. Dengan adanya aplikasi ini diharapkan dapat membantu pihak managemen PT Aneka

Tuna Indonesia dalam mengontrol dan mengawasi proses dan hasil produksinya dan mendukung pengambilan

keputusan perusahaan.

Keywords: OLAP, Cube, SQL Server, Laporan, ATI, Analysis Services, Report.

1. Pendahuluan

PT. Aneka Tuna Indonesia (ATI) adalah

sebuah perusahaan yang didirikan pada tahun 1991.

Perusahaan ini merupakan jo int venture antara

Itochu Corporation, Hagoromo Food Corporation

(pemilik sebuah merk ikan tuna terkemuka di

Jepang), serta Solar Pacific Resources Ltd.

Perusahaan ini terletak di Jalan Raya Surabaya –

Malang Km 38, Gempol, Pasuruan. Pada tahun

1992, perusahaan ini mulai beroperasi dengan

spesialisasi pada produksi dan penjualan produk

ikan tuna kalengan [4].

Pada PT. Aneka Tuna Indonesia, terjadi proses

produksi mulai dari pemilihan dan pengukuran

berat ikan (fish selection and fish sizing) sampai

dengan pelabelan produk jadi (labelling).

Pencatatan tentang informasi bahan baku pada

proses fish sizing sampai dengan fish cleaning telah

dilakukan namun masih secara semi manual

dengan menggunakan aplikasi spreadsheet (excel).

Untuk saat ini, pencatatan tersebut masih memadai

[2].

Sampai saat ini, mekanis me pencatatan

tersebut masih memadai. Namun apabila data hasil

pencatatan tersebut digunakan untuk, misalnya,

pelaporan produk tentu saja diperlukan suatu

pengembangan. Perusahaan perlu mengembangkan

suatu sistem pelaporan produk (Summary Report)

yang mempunyai kemampuan melaporkan hasil

dari proses – proses produksi mulai dari supplier

datang hingga produk akhir d ihasilkan.

Data yang tersimpan dalam database akan

lebih berart i apabila disimpan sebagai data

warehouse sebagai salah satu cara untuk

melakukan pengamatan dan analisis dari record –

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 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 mult idimensi (cube).

Hasilnya nanti juga akan dapat dibuat sebagai

sebuah summary report yang multidimensi.

Hal in ilah yang mendasari topik tugas akhir yang

penulis ajukan, yaitu menbuat aplikasi pelaporan

yang mempermudah pemantauan proses produksi.

2. Tinjauan Pustaka

2.1 Data Warehouse

Data warehouse merupakan sebuah database

relational yang secara spesifik strukturnya

dirancang untuk proses analisis dan query sehingga

tidak untuk proses transaksi yang meliputi proses

2

insert, delete, update. Biasanya data warehouse

mengandung data history yang diambil dari data

transaksional dari berbagai sumber dan platform.

Sedangkan menurut Bill Inmon, definisi dari

Data warehouse adalah sekumpulan atau ko leksi

data yang mendukung pengambilan keputusan

pihak manajemen yang mempunyai karakteristik

sebagai berikut [3]:

a. Subject Oriented

Data warehouse dirancang dan dibangun

untuk memenuhi kebutuhan analisis data

berdasarkan subject tertentu, seperti : “Bagaima

laporan pernjualan „waktu‟ ini?” Atau “Produk apa

yang paling banyak dihasilkan tahun ini?” Dll.

b. Integrated

Untuk memenuhi kebutuhan analisis secara

menyeluruh, sebuah Data Warehouse harus mampu

mengintegrasikan data dari berbagai sumber data

yang beragam. Data warehouse mengintegrasikan

atau menggabungkan dari berbagai data source,

baik dalam database yang sama, yang berbeda,

ataupun flat file.

c. Non volatile

Data dalam sebuah data warehouse tidak dapat

diubah (insert, delete, update). Data tersebut

merupakan data historis yang digunakan untuk

memenuhi kebutuhan analisis, bukan untuk

menangani transaksi seperti pada basisdata

transaksional pada umumnya.

d. Time Variant

Model analisis yang diterapkan pada sebuah

Data Warehouse berfokus pada perubahan data

faktual berdasarkan waktu. Dalam hal ini Data

Warehouse harus mampu menyimpan data untuk

sebuah subjek tertentu dalam waktu yang berbeda-

beda.

2.2 Arsitektur Data Warehouse Untuk membangun suatu arsitektur data

warehouse sangat tergantung pada kebutuhan

sistem. Gambar 2.1 menunjukkan salah satu contoh

dari arsitektur data warehouse, dengan penjelasan

sebagai berikut [3]:

a. Data input bagi data warehouse tidak lagi

hanya berasal dari sistem internal (sumber

operasional pada umumnya), melainkan dirancang

untuk dapat mengakomodasi sumber eksternal

(data dari luar sistem operasional) misalnya : data

dari internet (dengan teknologi web farming),

ataupun data dari sistem mobile.

b. Informasi yang tersimpan dalam data

warehouse dapat dispesialisasikan lag i menjadi

beberapa data warehouse yang lebih khusus (Data

Mart) sehingga dalam arsitektur terdapat proses

tambahan untuk mempopulasikan data dari data

warehouse ke dalam beberapa data mart.

c. Aplikasi yang berada pada layer pengguna

berkembang menjad i beberapa model misalnya:

berbasis web, berbasiskan desktop, ataupun

berbasiskan sistem mobile.

Gambar 2. 1 Arsitektur Data Warehouse

2.3 Online Analytical Processing (OLAP) OLAP adalah suatu metode pemodelan data

multid imensional untuk memenuhi kebutuhan

analisis terhadap data [1]. Online Analytical

Processing juga merupakan pernyataan yang

bertolak belakang atau kontras dengan OLTP

(Online Transaction Processing). OLAP

menggambarkan sebuah klas 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 mult idimensi data. Cara pandang

multimensi ini didukung oleh tehnologi

multid imensi database. Cara ini memberikan tehnik

dasar untuk kalku lasi 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

atau jumlah data. Database biasanya di update pada

kumpulan data, jarang sekali dari multiple source

dan menempatkan kekuatan analisa pada pada

back-end pada operasi aplikasi. Sebab itulah maka

sangat optimal digunakan untuk analisis.

2.4 Schema Data OLAP

Schema adalah kumpulan obyek-obyek

database. Pada relational data warehouse terdapat

3

dua skema yang digunakan, yaitu star schema dan

snowflake schema [3].

a. Star Schema

Skema star terdiri dari satu atau lebih tabel

fakta dan satu atau lebih tabel dimensi. Tabel fakta

merupakan pusat dari star schema, karena

fungsinya sebagai pengikat dari tabel-tabel dimensi

yang terletak disekelilingnya. Hubungan antara

tabel-tabel tersebut menggunakan foreign key,

metadata atau keduanya. Gambar 2.2 menunjukkan

pemodelan database multidimensi dengan star

schema.

Gambar 2.2 Star Schema

b. Snowflake Schema

Snowflake schema merupakan pengembangan

dari star schema. Perbedaannya terletak pada

normalisasi data dan jumlah tabel. Pada snowflake

schema tabel dimensi d inormalisasi secara sebagian

atau keseluruhan untuk mengurangi nilai duplikat

pada tabel. Hal in ilah yang membuat jumlah tabel

dimensi pada snowflake schema lebih dari satu,

tidak seperti pada star schema. Sehingga, dengan

menggunakan schema ini akan diperlukan lebih

banyak join yang akan membuat performance

menjadi lebih lambat.

Dalam snowflake schema, hanya satu tabel

utama yang dihubungkan dengan tabel fakta.

Sedangkan tabel-tabel lainnya dihubungkan dengan

tabel utama. Gambar 2.3 menunjukkan pemodelan

data menggunakan snowflake schema. Berikut ini

adalah pemodelan data dengan menggunakan

snowflake schema.

Gambar 2.3 Snowflake Schema

2.5 Konsep Multidimensional Data

Pada Relat ional database data dikelompokan

dalam sebuah list record. Setiap record mempunyai

informasi yang dikelompokan dalam fields.

Sedangkan yang dimaksud data mult idimensi (lihat

representasinya pada gambar 2.4) adalah ketika

sebuah data dapat dipandang dari berbagai sudut.

Pusat dari objek metadata pada Multidimensional

adalah cube atau kubus yang mengandung

hubungan struktur dimensi, hirarki, level dan

anggota. Dapat disebut juga sebagai OLAP

metadata model.

Misalnya pada hasil penjualan suatu barang

dipandang dari dimensi waktu, lokasi, pembeli dan

lain-lain. Sehingga jika digambarkan, sumbu x

mewakili dimensi waktu, sumbu y mewakili

dimensi produk dan sumbu z mewakili dimensi

lokasi.

Gambar 2.4 Data Multidimensi

a. Dimensi

Dimensi merupakan sebuah kategori yang

independent dari multid imensional database. tipe

dari dimensi in i mengandung item yang digunakan

sebagai kriteria query untuk ukuran database.

Contoh pendistribusian busana di suatu daerah.

Dimensi Daerah = {Jawa Timur, Jawa Barat, Jawa

Tengah, Sumatra Selatan, Surabaya, Bandung,

time_key

day

day_of_the_week

month

quarter

year

time

Sales Fact Table

time_key

item_key

branch_key

location_key

units_sold

dollars_sold

avg_sales

Measures

time_key day day_of_the_week

month quarter year

time

Sales Fact Table

time_key

item_key

branch_key

location_key

units_sold

dollars_sold

avg_sales

Measures

supplier_key

Supplier_typ e

supplier

item_key

item_nam

brand

type

supplier_key

i tem

branch_key

branch_name

branch_type

branch

branch_key

branch_name

branch_type

branch

location_key

street

city

state_or_province

country

location

item_key

item_namebr

and_typesup

plier_type

i tem

m

city_key

city

state_or_province

city

Data penjualan (2002,

Produk A, Surabay a)

4

Jakarta, Palembang, Dago, Caringin, Senen,

Matraman}. Dimensi Waktu = { tahun 2003, tahun

2004, tahun 2005, bulan Januari, bulan Februari,

bulan Maret, hingga bulan Desember, tanggal 1,

tanggal 2, tanggal 3, tanggal 4, hingga tanggal

28/29/30/31}. Dimensi Busana = { Koko, Daster,

Kaos, celana panjang, celana pendek, kerudung,

dll}.

b. Hirarki

Hirarki merupakan bentuk kesatuan dari

dimensi. Sebuah dimensi b isa terbentuk dari

multilevel, yang mempunyai parent-child

relationship. Hirarki didefinisikan bagaimana

hubungan antar level. Sebagai contoh pada

dimensi Daerah, hirarki mungkin akan melakukan

agregasi data dari tiap level-level. Seperti pada

gambar 2.5 dan 2.6.

Gambar 2.5 Hirarki Dimensi Daerah

Contoh lainnya adalah hirarki d imensi waktu.

Gambar 2.6 Hirarki Dimensi Daerah

c. Level

Level merepresentasikan sebuah posisi pada

hirarki. Level mengumpulkan data untuk agrefasi

dan digunakan untuk proses komputasi. Sebagai

contoh pada dimensi Daerah pada contoh

sebelumnya, level yang mungkin d idefin isikan

adalah level Kel./Desa, level kecamatan, level

Kab./Kodya, level propinsi, dan level Negara.

Setiap level diatas level terendah merupakan

agregasi dari level dibawahnya. Jika data dari

pelanggan disimpan dalam format Kelurahan atau

desa (level Kel./Desa), maka data dapat di agregasi

sesuai dengan level yang ada diatasnya, seperti

level Kecamatan, level Kab/Kodya, level Propinsi

dan level Negara.

d. Attribute

Attribute merepresentasikan informasi

tambahan pada sebuah level tertentu. Sebuah level

dapat memiliki lebih dari satu attribute, tetapi

minimal harus memiliki satu attribute. Nilai

attribute berguna sebagai nilai yang akan mewakili

level ket ika data mult idimensi ditampilkan kepada

pengguna. Hal ini disebabkan tidak semua n ilai

pada level bisa dimengerti dan dipahami oleh

pengguna. Misalnya, level product name

menyimpan nilai product id, sedangkan attribute-

nya menyimpan nilai dari product brand, dengan

demikian yang akan ditampilkan kepada pengguna

ketika pengguna memilih level product name

adalah nilai pada ko lom product brand, bukan

product id.

e. Tabel Fakta

Tabel fakta merupakan pusat dari schema pada

OLAP. Didalam tabel fakta mempunyai dua tipe

kolom, yaitu kolom yang menyimpan nilai-n ilai

numeric atau yang biasa disebut dengan measure

dan kolom yang menyimpan foreign key yang

mengacu ke tabel dimensi, seperti yang terdapat

pada gambar 2.2. Nilai numeric yang ada pada

tabel fakta merupakan n ilai agregat dari data yang

berasal dari tabel dimensi. Hubungan antara tabel

fakta dengan tabel dimensi adalah one to many,

sehingga masing-masing primary key dari tabel

dimensi dijadikan key acuan pada tabel fakta.

Dengan denikian, tabel fakta menyimpan setiap

kombinasi key tabel dimensi yang melingkupinya.

f. Measure

Nilai measure terletak pada tabel fakta.

Measure juga cerminan dari fakta dan juga

mengandung data yang akan dianalisa seperti

contoh pada gambar 2.7. OLAP catalog

memerlukan informasi kolom bertipe numeric yang

akan dijadikan measure.

Gambar 2.7 Measure dari Tabel Fakta

g. Cube

Cube adalah obyek OLAP yang tersusun dari

measure, dimensi dan attribute. Sisi-sisi pada cube

Indonesia

Propinsi

Kab / Kodya

Kecamatan

Kel / Desa

Sales Fact Table

time_key

Item_key

Location_key

Unit_sold

Avg_sales measure

Tahun

Bulan

Minggu

Hari

Jam

Dollars_Sold

5

ditentukan oleh masing-masing dimensi yang

terlibat dalam cube itu. Cube memiliki sisi-sisi

yang menggambarkan dimensi-dimensi yang

terlibat didalamnya, yang paling banyak ditemui

adalah dalam bentuk tiga dimensi yang mewakili

sisi baris, sisi kolom dan sisi page. misalnya

dimensi waktu, dimensi lokasi dan dimensi produk,

seperti yang terlihat pada gambar 2.8.

Gambar 2.8 Visualisasi Cube

2.6 Operasi Data Multidimensi

Pada data mult idimensi, terdapat operasi-

operasi dasar yang digunakan untuk analisa agar

mendapatkan data yang diinginkan, yaitu :

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 2.9.

Gambar 2.9 Proses Rotation / Pivoting

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 =

2002, sehingga OLAP akan menampilkan data

semua penjualan untuk semua produk dan semua

lokasi untuk tahun 2002. seperti yang terlihat pada

gambar 2.10.

Gambar 2.10 Proses Slice

Sedangkan proses dice (gambar 2.11) adalah

pemotongan hasil slice menjadi bagian subset data

yang lebih kecil. Misalnya menampilkan data dari

seluruh penjualan berdasarkan dimensi waktu =

2002, kemudian d ilakukan proses dice dengan

dimensi lokasi wilayah = “semarang”, sehingga

data akan menampilkan data semua produk di

semarang pada tahun 2002.

Gambar 2.11 Proses Dicing

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.

Sebaliknnya, 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. Proses ini ditunjukkan oleh

gambar 2.12.

6

Gambar 2.12 Proses Drill Down dan Roll Up

Sebenartnya, didalam proses drill down itu

dilakukan proses slice dan atau dice.

2.7 SQL Server 2005 Analysis Services

Microsoft SQL Server 2005 Analysis Services

(SSAS) adalah komponen dari Microsoft SQL

Server 2005 yang didesain untuk membantu

pengembangan data warehouse yang menggunakan

Business Intelligence Development Studio untuk

membuat dan men-deploy Analysis Services

Project dan memanfaatkan SQL Server

Management Studio untuk mengelo la data base

relational dari project tersebut.

Analysis Services menghasilkan OLAP dan

data min ing untuk aplikasi Business Intelligence

dengan membolehkan developer untuk melakukan

design, create, dan mengatur struktur

multid imensional yang mengandung agregasi data

dari data source. Analysis Service membangun data

cube untuk membantu dalam analisa

multid imensional.

Analysis Services menyediakan beberapa tool

dan wizard yang dapat digunakan untuk mengakses

data mult idimensional. Microsoft SQL Server 2005

Analysis Services juga mendefin iskan Key

Performance Indicators (KPI) di dalam pro jectnya.

Hal in ilah yang membedakan dengan versi

sebelumnya yaitu Microsoft SQL Server Analysis

Service 2000. KPI menyediakan framework untuk

mendefinisikan kalku lasi pada sisi server yang

menjadi ukuran kesuksesan dari data yang kita

analisa dan sebagai standar bagaimana hasil

informasi d itampilkan.

3 Metodologi

3.1 Spesifikasi Kebutuhan Sistem

Dalam pembuatan tugas akhir ini, data base

yang digunakan adalah data base rancangan sendiri

yang mendapat persetujuan pihat PT ATI. Hal ini

karena PT ATI belum memiliki sistem informasi

yang menyimpan data proses produksi dan

mengolah data tersebut menjadi informasi.

Sehingga jika ada keperluan review data dan

pelaporan, mereka melakukannya secara manual.

Data base tersebut disesuaiakan dengan proses

bisnis mereka. Data base ini dirancang untuk

menampung data – data proses produksi ikan tuna.

Data base tersebut dapat dimanfaatkan untuk

kebutuhan pelaporan. Pelaporan yang dimaksud

adalah:

a. Laporan Proses Pengiriman Ikan (Dari

Supplier)

Melaporkan jumlah ikan yang dikirim oleh

supplier juga asal negara supplier.

b. Laporan Proses Penerimaan Ikan (Receiving)

Melaporkan Jumlah ikan yang diterima untuk

pemrosesan awal termasuk jenis ikan.

c. Laporan Proses Pengukuran Ikan (Sizing)

Melaporkan jumlah ikan yang diproses dalam

pengukuran ikan dan jenis ikan.

d. Laporan Proses Penyimpanan Ikan

(Coldstorage)

Melaporkan jumlah ikan yang disimpan antara

proses sizing dengan defrost atau antara pengiriman

dari supplier dengan sizing.

e. Laporan Proses Pencairan Suhu Ikan (Defrost)

Melaporkan jumlah ikan yang dicairkan

suhunya berserta jenisnya.

f. Laporan Proses Pemotongan Ikan (cutting)

Melaporkan jumlah ikan yang olah untuk

proses pengambilan isi (jeoran)-nya beserta

jenisnya.

g. Laporan Proses Pemasakan Ikan (cooking)

Melaporkan jumlah ikan yang dimasak beserta

jenisnya.

h. Laporan Proses pembersihan Awal Ikan

(PreCleaning)

Melaporkan jumlah ikan yang dibersihkan

beserta jenisnya.

i. Laporan Proses Pembersihan Ikan (Cleaning)

Melaporkan jumlah ikan yang dibersihkan lagi

(kelanjutan dari proses PreCleaning) beserta

jenisnya.

j. Laporan Proses Pengisian Wadah (Packing)

7

Melaporkan jumlah jenis produk yang akan

dihasilkan.

k. Laporan Proses Pengumpulan Wadah (Retort)

Melaporkan jumlah wadah yang dikumpulkan

dalam suatu wadah penampung.

l. Laporan Proses Penyimpanan (Warehouse)

Melaporkan jumlah penyimpanan produk di

gudang.

m. Laporan Proses Jet Print Produk

Melaporkan jumlah dan jenis produk yang

diberi label dengan jet print. Juga menyimpan data

pallete.

n. Laporan Proses Pengiriman Produk (Staffing)

Melaporkan jumlah dan jenis produk yang

akan dikirim beserta negara tujuan.

Semua laporan direpresentasikan dalam bentuk

tabel dan diagram batang dan disusun dalam

rangkaian waktu.

3.2 Perancangan

3.2.1 Perancangan Data Warehouse

Pada perancangan data ini, akan d itampilkan

data yang berhubungan dengan aplikasi OLAP ini

yang mengambil sumber dari data base PT. ATI.

Tabel-tabel yang terdapat dalam ERD adalah

yang digunakan sebagai data masukan atau input,

dan kemudian digunakan dalam pembuatan data

warehouse. Dalam perancangan data warehouse,

cube merupakan salah satu cara untuk dapat

menampilkan data secara multid imensional yang

nantinya data dalam cube inilah yang akan menjadi

bahan untuk dianalisa.

Untuk membuat desain atau rancangan pada

data warehouse tidak terlepas dari sebuah schema,

karena schema merupakan representasi dari

perancangan cube, sebagaimana yang diinginkan

sesuai dengan kebutuhan, yang biasa berupa star

schema dan snowflake schema. Hal in i tergantung

hubungan antara table dimensi dengan table fakta.

Langkah-langkah dalam pembuatan cube

adalah terlebih mendefinisikan Data Source Views

yang akan diguanakan. Dari Data Source Views

inilah ditentukan pilihan mana tabel yang akan

digunakan sebagai tabel fakta dan mana yang

digunakan sebagai table dimensi. Tidak harus

semua tabel dalam Data Source Views harus

dilibatkan dalam pembuatan cube ini. Kemudian

akan dihasilkan cube dengan struktur (schema) dan

measure dari tabel – tabel yang dilibatkan tadi.

Measure dan dimensi masih dapat ditambahkan

meski cube sudah terbentuk.

Data Source Views sendiri merupakan view

dari Data Sources yang sudah didefinisikan

sebelumnya. Langkah detail dari pendefinisan Data

Sources, Data Source Views dan pembuatan cube

akan dibahas pada subbab selanjutnya.

Dalam tugas akhir ini dibuat beberapa cube.

a. Cube Pengiriman

Cube ini akan diolah untuk menghasilkan

laporan proses Pengiriman Ikan (Dari Supplier).

Cube ini melibatkan tabel Pengiriman, Supplier,

Vessel, dan Nationality.

b. Cube Penerimaan – Pengukuran

Cube ini akan diolah untuk menghasilkan

laporan proses penerimaan ikan (Receiv ing) dan

laporan proses Pengukuran Ikan (Sizing). Cube ini

melibatkan tabel Sizing, Receiving, Master_Ikan ,

dan Grup_Ikan.

c. Cube Coldstorage

Cube in i dibuat untuk menghasilkan informasi

proses penyimpanan ikan (Coldstorage). Cube ini

melibatkan tabel ColdStorage, Master_Ikan, dan

Grup_Ikan.

d. Cube Defrost

Cube ini akan diolah untuk menghasilkan

laporan proses pencairan suhu ikan (Defrost). Cube

ini melibatkan tabel Defrost, Master_Ikan, dan

Grup_Ikan.

e. Cube Cutting – Cooking

Cube ini melibatkan tabel Cutting, Cooking,

Master_Ikan, dan Grup_Ikan. Cube ini akan diolah

untuk menghasilkan laporan proses pemotongan

ikan (Cutting), dan laporan proses pemasakan ikan

(Cooking).

f. Cube PreCleaning – Clean ing

Cube ini melibatkan tabel PreCleaning,

Cleaning, Master_Ikan, dan Grup_Ikan. Cube ini

akan diolah untuk menghasilkan laporan proses

pembersihan awal ikan (PreCleaning), dan laporan

proses pembesihan ikan (Cleaning).

g. Cube Pack–Retort-Wh

Cube ini melibatkan tabel Packing, Retort,

Warehouse, dan Produk. Cube ini akan diolah

untuk menghasilkan laporan proses pengisian

wadah (Packing), laporan proses pengumpulan

wadah (Retort), dan laporan proses Penyimpanan

(Warehouse).

3.2.2 Perancangan Antar Muka

Pada perancangan muka laporan dibuat dengan

menggunakan Microsoft Visual Studio 2005

Reporting Service. Secara umum. Bentuk

antarmuka hanya dua, yaitu dalam bentuk tabel dan

diagram. Rancangan umum dari antar muka

8

laporan dalam bentuk tabel dapat dilihat pada

gambar 3.1.

Gambar 3. 1 Laporan dalam Bentuk Tabel

Sedangkan untuk tampilan dalam bentuk

grafik, seperti pada gambar 3.2.

Gambar 3. 2 Laporan dalam Bentuk Diagram

3.2.3 Implementasi

3.3.1.4 Pembuatan Cube

Dari keenam cube, hanya diambil satu

contoh cara pembuatan cube Pengiriman karena

secara umum langkah pembuatannya sama.

Langkah – langkahnya adalah sebagai berikut:

a. Pada Solution Explorer klik kanan Cube,

kemudian klik New Cube , maka akan muncul

window Welcome to the cube wizards, klik Next.

b. Setelah window Select Build Method muncul,

pilih Build the cube using a data source dan

lakukan uncheck pada checkbox Auto Build seperti

pada gambar 3.3, kemudian klik Next.

Gambar 3. 3 Select Build Method

c. Pada window Select Data Source View pada

gambar 3.4, pastikan data source view-nya telah

terpilih), wizard akan melihat tabel pada database

yang didefinisikan pada data source views.

Kemudian tekan Next.

Gambar 3. 4 Select Data Source View

d. Pada window Identify Fact and Dimension

Tables pilih tabel yang akan digunakan sebagai

tabel fakta pada bagian Fact dan bagian

Dimension untuk tabel dimensi (centang seperti

pada gambar 3.6), dan pilih tabel yang dijadikan

dimensi waktu (p ilih “None” jika tak ada) pada list

Time Dimension Table.

Gambar 3. 5 Select Measures

9

Gambar 3. 6 Identify Fact & Dimension Tables

e. Selanjutnya pada window Review Shared

Dimensions, klik Next. Karena masih pertama kali

pembuatan cube, tidak ada shared dimensions yang

tersedia.

f. Selanjutnya, pilih measure yang akan

digunakan pada window Select Measure seperti

pada gambar 3.5. Kemudian tekan Next.

g. Kemudian muncul window Review New

Dimensions seperti ditunjukkan pada gambar 3.7.

Klik Next.

Gambar 3. 7 Review New Dimension

h. Beri nama cube pada textbox Cube Name di

window Completing the Wizard seperti yang

terlihat pada gambar 3.8.

Gambar 3. 8 Completing Wizard Cube

i. Setelah cube dibuat, buka Solution Explorer

kemudian klik cube yang telah dibuat agar muncul

tabnya. Pada tab tersebut, terdapat subtab Cube

Structure yang berisi Measures, Dimension, dan

Data Source view dari cube yang bersangkutan.

Cube struktur dari cube Pengiriman adalah s eperti

yang terlihat pada gambar 3.10. selain subtab

Cube structure terdapat subtab yang lain.

Gambar 3. 9 Browser Cube

Gambar 3. 10 Cube Structure

j. Untuk melihat hasil cube, klik tab Browser

pada Pengiriman.cube. kemudian drag field-field

yang akan ditampilkan pada cube. Contoh hasilnya

seperti yang terlihat pada gambar 3.9.

10

Selain itu juga didefinisikan dimensi Time

yang ditambahkan ke semua cube. Tujuan dari

dimensi in i adalah untuk hirarki waktu.

4 Uji Coba dan Pembahasan Pelaksanaan uji coba Tugas Akhir ini meliputi

dua hal yaitu uji coba aplikasi dan uji coba kinerja

sistem dalam melakukan fungsi – fungsi OLAP.

4.1 Uji Coba Cube

Uji coba hanya dilakukan pada report dari cube

pengiriman. Sedangkan cube yang lain memiliki

pola cara yang sama. Cube Pengiriman

mendefinisikan skema keterkaitan data yang

menyimpan informasi pengiriman ikan dari

supplier. Dari cube ini dibuat report Pengiriman

Ikan (Dari Supplier). Report ini akan menampilkan

informasi pengiriman dalam bentuk tabel dan

diagram. Uji coba tidak hanya berusaha

menampilkan informasi tetapi juga filterisasi data

untuk mendapatkan informasi yang lebih spesifik

sesuai dengan definisi user.

1. Untuk menampilkan laporan pengiriman ikan

dari Supplier, maka klik tombol Pengiriman pada

menu. Kemudian akan tampil halaman yang terlihat

pada gambar 4.1.

Gambar 4. 1 Report Tabel Pengiriman Ikan dari

Supplier

Tabel pada gambar 4.1 diatas menunjukkan

jumlah ikan yang dikirim o leh supplier pada semua

periode. Bagian baris menunjukkan ID Supplier,

dan bagian kolom menunjukkan waktu pengiriman.

Jika diklik pada ID supplier, akan muncul nama

supplier, dan jika d iklik lagi, akan muncul asal

negara supplier. Begitu juga pada kolom, kalendar

tahun jika diklik akan muncul detail bulan

pengiriman, selan jutnya akan muncul detail

hari(tanggal) pengiriman. In i merupakan proses

drilldown akan dibahas pada uji coba selanjutnya.

2. Selanjutnya, jika ingin melihat versi diagram

dari tabel diatas, klik tombol View Chart. Maka

akan tampil halaman web yang menampikan report

Pengiriman Ikan (Dari Supplier) dalam bentuk

diagram batang seperti pada gambar 4.2.

Gambar 4. 2 Report Diagram Pengiriman Ikan

dari Supplier

3. Jika diperhatikan, pada tabel maupun diagram,

semua informasi ditampilkan. Lalu, bagaimana jika

user ingin menspesifikkan informasi pengiriman

misalnya berdasarkan tahun atau bulan tertentu,

atau berdasarkan supplier atau asal negara tertentu.

Hal ini dapat dilakukan dengan menspesifikkan

kebutuhan informasi pada filter. Semisal, dari

informasi yang tampak pada gambar, akan difilter

untuk menampilkan informasi kuantitas pengiriman

ikan dari supplir hanya untuk tahun 2002 dan 2007.

Centang pilihan Calender 2002 dan Calender 2007

pada kolom filter year. Kemudian klik View

Report. Maka informasi yang ditampilkan akan

berubah seperti yang tampak pada gambar 4.3.

Gambar 4. 3 Hasil Filter Report Pengiriman

Ikan dari Supplier

11

Dari report pada gambar 4.3 d iatas tampak

bahwa hanya informasi pada tahun 2002 dan 2007

saja yang ditampilkan.

4.2 Uji Coba Operasi Olap

Pada bagian in i, akan diu ji coba untuk

menjalankan operasi-operasi dasar OLAP antara

lain : drili-up atau drill-down, slicing atau dicing,

dan rotation atau pivoting.

4.2.1 Drill Down dan Roll up

Proses drill down merupakan kemampuan

OLAP untuk melihat suatu subset data secara lebih

detail, proses detail data ini diturunkan berdasarkan

konsep hirarki pada tiap d imensi yang ada.

Sedangkan proses roll up merupakan kebalikan

dari prose drill down yaitu proses penggabungan

atau penyatuan data ke dalam level yang lebih

tinggi. Semua report tabel disusun berdasarkan

periode waktu. Periode waktu tersebut dapat di

drill down dari tahun ke bulan. Kemudian jika

bulan di drill down lagi akan muncul hari. Gambar

4.4 adalah contoh drill down tahun ke bulan ke hari

dari report penerimaan ikan dari supplier.

Gambar 4. 4 Comtoh Drill down Report pada

Bagian Tanggal

Sedangkan roll up adalah kebalikan dari drill

down. Drill down dan roll up juga bisa dilakukan

melalui filter.

4.2.2 Rotation / Pivoting

Proses 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. Jika diperhatikan pada report – report

tabel sebelumnya tampak bahwa tanggal selalu

menempati posisi kolom sedang baris diisi oleh

supplier, jenis ikan atau produk. Aplikasi OLAP

harus bisa menampilkan perubahan sudut pandang

dengan menukar posisi kolom dan baris. Penukaran

ini dilakukan pada saat pendefinisian report. Untuk

melakukan rotasi klik tombol Change Pivot pada

masing – masing halaman.

Gambar 4.5 adalah rotasi report Pengiriman

Ikan (Dari Supplier). Kebalikan dari gambar 4.4.

Gambar 4. 5 Rotasi Report Pengiriman Ikan

dari Supplier

4.2.3 Slicing dan Dicing

Proses slicing dan sicing merupakan

kemampuan OLAP untuk melakukan pemilihan

subset pada data. Operasi slice adalah proses

pemotongan pada cube berdasarkan nilai pada satu

atau beberapa dimensi. Sedangkan dicing adalah

proses pemotongan lebih kecil dari hasil dicing.

Perbedaan antara slicing – dicing dengan drill

down adalah jikalau drill down men-drill informasi

dilingkup yang ada dibawahnya. Semisal dari

tahun 2006, di-drill down ke bulan. Hasilnya

adalah informasi pada bulan- bulan di tahun

tersebut. Sedangkan Slicing adalah kemampuan

dimana informasi bisa dipilah sesuai keinginan

seperti menampilakan informasi hanya pada bulan

Januari pada setiap tahun. Lalu dicing untuk

menampilkan informasi pada bulan januari tahun

tertentu saja. Hasil dari contoh slicing tersebut

ditampilkan pada gambar 4.6 dan hasil dicing pada

gambar 4.7.

12

Gambar 4. 6 Slicing Report Pengiriman Ikan

dari Supplier

Gambar 4. 7 Dicing Report Penerimaan Ikan

dari Supplier

5 Kesimpulan

Dari hasil penelit ian Tugas Akhir yang telah

dilakukan dapat disimpulkan:

a. Aplikasi telah berhasil dikembangkan dalam

bentuk web, sehingga memberi kemudahan dalam

pengaksesan.

b. Aplikasi lebih memberi kemudahan kepada

PT. ATI untuk melakukan pengecekkan

dibandingkan dengan cara penyimpanan mereka

sebelumnya.

c. Informasi yang ditampilkan dapat membantu

pihak PT. ATI untuk memantau kuantitas proses

produksi sehingga mengetahui jumlah ikan yang

diproses berdasarkan periode waktu juga berapa

jumlah produk yang dihasilkan dan negara tujuan.

d. Tampilan informasi dalam bentuk tabel dan

diagram yang dapat difilter, di-drill down dan roll

up sehingga memudahkan dalam pengamatan.

6 Daftar Pustaka

[1] Hariyanto, Bambang. Sistem Manajemen

Basis Data. Informatika. Bandung. 2004.

[2] Kayungyun, Ratri Dwi. Rancang Bangun

Perangkat Lunak Aplikasi Penelusuran

Produk Pada PT. Aneka Tuna Indonesia.

Tugas Akhir, Jurusan Teknik Informat ika,

FTIF, ITS. 2009.

[3] Tisna Budi, Riantari. Pembuatan Apliasi

OLAP pada sistem Informasi Monitoring

Tugas Akhir Jurusan Teknik Informatika –

ITS dengan Menggunakan SQL Server 2005.

Tugas Akhir, Jurusan Teknik Informat ika,

FTIF, ITS. 2007.

[4] ---, PT. ANEKA TUNA INDONESIA,

(www.tunaindonesia.com)