64
BAB 4
DATA WAREHOUSE YANG DIUSULKAN
4.1 Arsitektur Data Warehose
Arsitektur data warehouse adalah sekumpulan aturan dari suatu struktur yang
memberikan kerangka suatu perancangan sistem. Arsitektur data untuk data
warehouse mempunyai komponen utama yaitu database yang dapat dibaca.
Karakteristik arsitektur data warehouse:
• Data diambil dari sistem informasi yang ada (sistem asal), database dan file.
• Data dari sistem asal diintegrasikan dan ditransformasikan sebelum diload ke
dalam data warehouse.
• Data warehouse merupakan sebuah database yang terpisah bersifat hanya dapat
dibaca yang dibuat khusus untuk mendukung pengambilan keputusan.
• Pemakai mengakses data warehouse melalui front end tool atau aplikasi.
Proses pelaksanaan rancangan data warehouse dimulai dari perumusan
permasalahan yang dihadapi oleh perusahaan kemudian melakukan pengumpulan
data untuk mengatasi permasalahan yang ada atau untuk mendukung pembuatan
laporan bagi para pengambil keputusan dalam perusahaan. Data yang telah
terkumpul akan disaring terlebih dahulu, kemudian hasilnya disimpan ke suatu
media yang memiliki daya tampung besar. Namun sebelum data dikumpulkan pada
tempat tersebut, data tersebut harus ditransformasikan telebih dahulu ke dalam
bentuk database yang benar-benar konsisten dan terintegrasi.
65
Pengumpulan data yang dilakukan merupakan pengumpulan data secara terpusat
yang diletakkan pada suatu tempat media penyimpanan. Pada tempat ini pula
tersedia cadangan data yang dapat digunakan dalam pemakaian data warehouse
untuk mengakses data yang berhubungan dengan pembuatan laporan perkreditan
yang akan dianalisa oleh para pengambil keputusan perusahaan.
Dalam perancangan data warehouse untuk Bank DKI digunakan bentuk data
warehouse terpusat (Centralized Data Warehouse). Adapun alasan-alasan
menggunakan data warhouse terpusat adalah :
1. Sistem yang telah berjalan pada Bank DKI menggunakan arsitektur terpusat,
sehingga dengan menggunakan data warehouse terpusat tidak perlu mengubah
infrastruktur yang sudah ada, tetapi cukup menggunakan infrastruktur yang
sebelumnya.
2. Memudahkan dalam melakukan pengawasan dan pemeliharaan data yang
digunakan untuk aplikasi data warehouse.
3. Mempermudah pemakai untuk memperoleh data yang terintegrasi, konsisten, dan
berada pada satu lokasi saja.
Karena pertimbangan-pertimbangan tersebut, maka diputuskan untuk menggunakan
data warehouse terpusat, sedangkan arsitektur data warehouse Bank DKI yang
diusulkan dapat digambarkan seperti pada gambar dibawah ini :
66
OLTP_DKI NPLData Warehouse
Ms Excel
VB.Net 2005
ETL OLAP_DKI(CUBE)
OLTP
SQL ServerDTS
RelationalData Warehouse
OLAPAnalysis Service
Sumber Data
(SQL Server)SQL Server
Gambar 4.1 Rancangan Arsitektur Data Warehouse
Pemakaian komponen-komponen yang mendukung pembuatan data warehouse pada
Bank DKI adalah :
1. Sumber data
Sumber data yang diperoleh, dapat berasal dari berbagai jenis media berupa
dokumentasi manual maupun digital format serta platform yang berbeda. Sumber
data disini merupakan data internal Bank DKI yang tersimpan dalam tabel-tabel
database OLTP_DKI.
2. Transformasi data
Transformasi data merupakan proses transformasi sumber data menjadi data
warehouse. Transformasi data dibutuhkan apabila ada ketidaksamaan antara
struktur data dengan isinya. Dengan dilakukan transformasi ini, membuat data
tersebut diubah ke suatu bentuk yang konsisten dan terjamin integritasnya,
sehingga dapat menghasilkan data yang benar-benar akurat, tepat dan terpercaya.
Tahap ini memiliki 3 proses yang disering disebut sebagai ETL yaitu :
a. Extract, yaitu proses mengambil data dari sumber data yang tersedia. Pada
tahap ini tidak semua data pada sumber data diambil melainkan hanya data
yang diperlukan saja
67
b. Transform, yaitu proses mengubah bentuk suatu data menjadi bentuk yang
lain
c. Loading, yaitu menyimpan data hasil dari transformasi yang telah dilakukan.
Pada tahap ini, semua tabel hasil dari transformasi data dimasukkan ke dalam
data warehouse.
Karakteristik dari data ETL antara lain:
• Detailed
Data detail menyediakan fleksibilitas bagi user untuk membentuk stuktur
data menjadi struktur yang paling tepat sesuai dengan yang dibutuhkan.
• Historical
Data periodik digunakan untuk menyediakan historical perspective.
• Normalized
Normalized data menyediakan integritas dan fleksibilitas yang lebih baik
dibandingkan dengan denormalized data. Pada denormalisasi, data biasanya
digunakan untuk mengakses secara periodik menggunakan batch process.
Beberapa struktur data warehouse adalah denormalisasi.
• Comprehensive
Reconcile data menggambarkan perspektif yang luas, yang dirancang sesuai
model data perusahaan.
• Timely
Kecuali untuk data warehousing, data tidak perlu real time, data harus
lengkap sehingga pembuat keputusan dapat bertindak saat itu juga.
68
• Quality Control
Kualitas data tidak diragukan dan integritas, karena data sudah diringkas ke
dalam data mart dan digunakan untuk pengambilan keputusan.
3. Data Warehouse
Komponen ini tempat dimana data yang telah tersaring dikumpulkan pada tempat
tertentu, untuk digunakan sebagai penganalisisan laporan kredit oleh level
eksekutif perusahaan. Dimana pada skripsi kali ini hanya akan dibahas pada
Kredit Multiguna (KMG), Kredit Modal Kerja (KMK), Kredit Investasi dan
Kredit Kepemilikan Rumah (KPR). Data yang ada pada komponen data
warehouse ini merupakan data yang historical dengan jangka waktu tertentu.
4. Cube
Merupakan bentuk data dimensional yang terbentuk dari tabel fakta dan tabel
dimensi.
5. Aplikasi
Komponen Aplikasi merupakan suatu gerbang penghubung antara data
warehouse dengan pengguna untuk mengakses data yang diperlukan dalam
pembuatan laporan yang dibutuhkan oleh pengguna.
4.2 Pemilihan Proses Bisnis
Berdasarkan hasil analisis dan survei yang dilakukan terhadap kegiatan bisnis
yang sedang berjalan pada Bank DKI maka dapat ditemukan lima proses yang sangat
penting dalam perancangan data warehouse ini diantaranya proses pembukaan
rekening, pengajuan kredit, analisis kelayakan kredit, realisasi kredit dan
69
pembayaran angsuran. Kelima proses ini merupakan kegiatan inti yang terjadi pada
bagian - bagian yang menangani masalah perkreditan di Bank DKI.
Bisnis Proses Deskripsi Fungsi yang
Terlibat
Pembukaan rekening Merupakan proses bisnis debitur
membuka rekening untuk dapat
mengajukan kredit.
Asisten pelayanan
Pengajuan Kredit Merupakan proses bisnis debitur
mengajukan kredit kepada bank.
Analis pemasaran
Analisis Kelayakan
Kredit
Merupakan proses bisnis dimana
pihak bank akan menentukan
layak atau tidaknya pemberian
kredit kepada debitur.
Analis pemasaran,
Pimpinan cabang dan
Perwakilan dari pusat
Realisasi Kredit Merupakan proses bisnis bank
mencairkan dana kredit kepada
debitur.
Analis kredit
Pembayaran Angsuran Merupakan proses bisnis dimana
debitur membayar angsuran
kredit
Teller dan Kolektor
Tabel 4.1 Proses Bisnis
4.3 Pemilihan Grain
Setelah menentukan proses bisnis yang dibutuhkan dalam data warehouse, maka
ditentukan grain yang menjelaskan tiap fakta. Berikut grain – grain yang terpilih,
yaitu :
Grain Deskripsi Proses Bisnis Aggregat
NPL NPL terdiri dari total baki
debet, tingkat coll, nilai
Pembayaran
angsuran
Average NPL, Max
coll dan Min coll
70
NPL dan total kredit
Total angsuran Total angsuran terdiri dari
bunga, plafond dan jumlah
angsuran
Pengajuan kredit
dan Pembayaran
angsuran
Sum angsuran, Max
angsuran dan Min
angsuran
Total tunggakan Total tunggakan terdiri dari
tingkat coll, angsuran,
bunga dan jumlah
tunggakan
Pembayaran
angsuran
Sum Tunggakan
Count tunggakan,
Max tunggakan dan
Min tunggakan
Nilai kredit Nilai kredit terdiri dari
bunga, plafond, baki debet,
jumlah angsuran dan
jumlah tunggakan
Pengajuan kredit Count Baki debet,
Sum Baki debet dan
Total Kredit
Tabel 4.2 Pemilihan Grain
4.4 Identifikasi dan Konfirmasi Dimensi
Dari keterangan langkah – langkah diatas, dapat ditentukan dimensi – dimensi
yang digunakan dalam data warehouse, yaitu :
Dimensi Keterangan Grain
Waktu Waktu transaksi dilaksanakan
dengan hirarki tahun, bulan, minggu
dan hari
NPL, Total angsuran,
Nilai kredit dan Total
tunggakan
Waktu2 Waktu transaksi dilaksanakan
dengan hirarki tahun, bulan, minggu
dan hari dan berisi keterangan
waktu-waktu yang tidak terdapat
dalam dimensi waktu1 seprti tanggal
jatuh tempo pembayaran debitur
Nilai kredit
Cabang Cabang tempat operasi NPL, Total angsuran dan
Nilai kredit
71
Jenis Kredit Jenis kredit yang diberikan oleh
bank
NPL, Total angsuran,
Nilai kredit dan Total
tunggakan
Debitur Nasabah yang menerima kredit Total Angsuran dan Total
Tunggakan dan Nilai
kredit
Instansi Tempat nasabah bekerja Total Angsuran dan Total
Tunggakan dan Nilai
kredit
Jaminan Barang atau dokumen berharga yang
diajukan sebagai jaminan
Total Angsuran dan Total
Tunggakan dan Nilai
kredit
TingkatColl Kriteria kolektibiltas debitur dalam
tunggakan
Total tunggakan
Tabel 4.3 Identifkasi dan Konfirmasi Dimensi
4.5 Pemilihan Fakta
Berikut keterangan fakta yang terpilih, sesuai dengan pertimbangan kebutuhan
data dan informasi dari perusahaan :
4.5.1 Fakta
Fakta Keterangan Dimensi
NPL Fakta NPL meliputi TotalBakiDebet
(Coll 3, 4 dan 5) dibandingkan dengan
TotalKredit yang didapat dari jumlah
keseluruhan BakiDebet (Coll 1, 2, 3, 4
dan 5) dan NPL yang merupakan
persentase NPL itu sendiri.
DimWaktu,
DimCabang dan
DimJenisKredit
Angsuran Fakta angsuran meliputi DimWaktu,
72
SumAngsuran yang merupakan hasil
perhitungan dari AngsuranPokok
debitur
DimCabang,
DimJenisKredit,
DimDebitur,
DimInstansi dan
DimJaminan
Tunggakan Fakta tunggakan meliputi TingkatColl
yang merupakan kriteria kolektibilitas
debitur dalam tunggakannya dan
SumTunggakan yang merupakan
jumlah dari nilai tunggakan debitur
yang didapat dari perhitungan antara
bunga dan sum angsuran
DimWaktu,
DimJenisKredit,
DimDebitur,
DimInstansi,
DimJaminan dan
DimTingkatColl
Kredit Fakta kredit meliputi tanggalMulai,
tanggal JatuhTempo, SumAngsuran
yang merupakan hasil perhitungan
dari AngsuranPokok debitur dan
SumTunggakan yang merupakan
jumlah dari nilai tunggakan debitur
yang didapat dari perhitungan antara
bunga dan sum angsuran
DimCabang,
DimWaktu,
DimWaktu2,
DimJenisKredit,
DimDebitur,
DimInstansi dan
DimJaminan
Tabel 4.4 Keterangan Fakta
4.5.2 Star Schema
Rancangan skema bintang merupakan struktur dari tabel-tabel yang
saling berhubungan melalui jalur-jalur tertentu. Secara garis besar skema
bintang terdiri atas dua jenis tabel yaitu tabel fakta dan dimensi
a. Fakta NPL
73
Skema bintang ini menunjukkan relasi antara tabel-tabel dimensi
dengan Fakta NPL. Dimensi yang digunakan adalah DimWaktu,
DimCabang dan DimJenisKredit.
Gambar 4.2 Skema Bintang FaktaNPL
b. Fakta Angsuran
Skema bintang ini menunjukkan relasi antara tabel-tabel dimensi
dengan Fakta Angsuran. Dimensi yang digunakan adalah DimWaktu,
DimCabang, DimJenisKredit, DimDebitur, DimInstansi dan DimJaminan
Gambar 4.3 Skema Bintang FaktaAngsuran
74
c. Fakta Tunggakan
Skema bintang ini menunjukkan relasi antara tabel-tabel dimensi
dengan Fakta Tunggakan. Dimensi yang digunakan adalah DimWaktu,
DimDebitur, DimJenisKredit, DimJaminan, DimInstansi dan
DimTingkatColl.
Gambar 4.4 Skema Bintang FaktaTunggakan
d. Kredit
Skema bintang ini menunjukkan relasi antara tabel-tabel dimensi
dengan Fakta Kredit. Dimensi yang digunakan adalah DimCabang,
DimWaktu, DimWaktu2, DimJenisKredit, DimDebitur, DimInstansi dan
DimJaminan.
75
Gambar 4.5 Skema Bintang FaktaKredit
4.6 Penyimpanan Pre-Calculation di Tabel Fakta
Ketika fakta telah dipilih, maka setiap fakta tersebut harus diuji apakah ada fakta
yang dapat menggunakan kalkulasi awal, setelah itu dilakukan penyimpanan pada
tabel fakta.berikut ini adalah kalkulasi awal yang dapat diakukan untuk selanjutnya
disimpan dalam tabel fakta yaitu:
• Fakta NPL
Perbandingan NPL sekarang dengan NPL sebelumnya
76
4.7 Melengkapi Tabel Dimensi
Berikut atribut yang digunakan dalam masing-masing dimensi, sesuai dengan
pertimbangan kebutuhan data dan informasi dari perusahaan, yaitu :
a. DimWaktu
Atribut Tipe Data Panjang
WaktuID Int 4
Tahun Int 4
Bulan Int 4
Minggu Int 4
Hari Int 4
Tabel 4.5 DimWaktu
b. DimWaktu2
Atribut Tipe Data Panjang
WaktuID2 Int 4
Tahun Int 4
Bulan Int 4
Minggu Int 4
Hari Int 4
Tabel 4.6 DimWaktu2
c. Dimensi Cabang
Atribut Tipe Data Panjang
CabangID Int 4
KodeCabang Char 3
NamaCabang Varchar 30
Tabel 4.7 DimCabang
77
d. Dimensi Jenis Kredit
Atribut Tipe Data Panjang
JenisKreditID Int 4
KodeJenisKredit Char 2
JenisKredit Varchar 30
Tabel 4.8 DimJenisKredit
e. Dimensi Debitur
Atribut Tipe Data Panjang
DebiturID Int 4
KodeDebitur Char 10
NamaDebitur Varchar 30
AlamatDebitur Varchar 50
Tabel 4.9 DimDebitur
f. Dimensi Instansi
Atribut Tipe Data Panjang
InstansiID Int 4
KodeInstansi Char 5
NamaInstansi Varchar 30
AlamatInstansi Varchar 50
Tabel 4.10 DimInstansi
g. Dimensi Jaminan
Atribut Tipe Data Panjang
JaminanID Int 4
KodeJaminan Char 8
JenisJaminan Varchar 30
NilaiJaminan Money 8
Tabel 4.11 DimJaminan
78
h. Dimensi Tingkat Coll
Atribut Tipe Data Panjang
TingkatCollID Int 4
TingkatColl Int 4
Keterangan Char 15
Tabel 4.12 DimTingkatColl
4.8 Pemilihan Durasi Database
Pada tahap ini menentukan lamanya sumber data yang akan digunakan pada data
warehouse. Untuk data warehouse pada Bank DKI data dari database OLTP yang
disimpan adalah data tiga tahun terakhir yaitu tahun 2005. Setelah data warehouse
diterapkan, data yang akan disimpan adalah data lima tahun terakhir. Hal ini
bertujuan untuk memperoleh tingkat keakuratan dari suatu data, jika data yang
disimpan terlalu lama maka akan semakin besar kemungkinan terdapat masalah pada
data tersebut baik pada pembacaan data maupun tingkat keakuratannya.
4.9 Melacak SCD (Slowly Changing Dimensions)
Untuk memantau perubahan yang terjadi dalam dimensi, digunakan tipe-tipe
Slowly Changing Dimensions (SCD) yang dikemukakan oleh Kimball. Pada SCD
tipe 1 apabila ada data yang berubah, maka data yang sebelumnya juga akan dirubah
sesuai dengan yang baru. Hal ini diterapkan pada :
Dimensi Atribut Tipe SCD
Cabang CabangID -
KodeID -
NamaCabang Tipe 1
79
Debitur DebiturID -
KodeDebitur -
NamaDebitur -
AlamatDebitur Tipe 1
Instansi InstansiID -
KodeInstansi -
NamaInstansi -
AlamatInstansi Tipe 1
Tabel 4.13 Tipe SCD
80
4.10 Memutuskan Prioritas Query dan Mode Query
Pada tahap ini, rancangan desain fisikal yang dianjurkan hanya urutan fisikal dari tabel fakta, di mana urutan data
pada sebuah tabel fakta telah terurut berdasarkan waktu transakasi masing-masing.
4.10.1 Prestore Calculation
4.10.1.1 NPL
JenisKredit Bulan NamaCabang TotalBakiDebet TotalKredit NPL
Gambar 4.6 Prestore Calculation NPL
4.10.1.2 Angsuran
Tahun : Bulan : Cabang : Jenis Kredit : NamaInstansi NamaDebitur JenisJaminan SumAngsuran
Gambar 4.7 Prestore Calculation Angsuran
81
4.10.1.3 Tunggakan
Tahun : Bulan : JenisKredit : Tanggal NamaInstansi NamaDebitur JenisJaminan SumTunggakan TingkatColl
Gambar 4.8 Prestore Calculation Tunggakan
4.10.1.4 Kredit
Tahun : Cabang : JenisKredit : Tanggal NamaInstansi NamaDebitur JenisJaminan tanggalMulai tanggalJatuhTempo SumAngsuran SumTunggakan
Gambar 4.9 Prestore Calculation Kredit
82
4.10.2 Pemilihan Index
Di dalam perancangan data warehouse, index yang digunakan didalam
tabel dimensi dan fakta adalah index clustered.
Nama Tabel Nama Index Key Index Clustered/Non
Clustered
DimCabang ix_DimCabang CabangID Clustered
DimWaktu ix_DimWaktu WaktuID Clustered
DimKaryawan ix_DimKaryawan KaryawanID Clustered
DimJenisKredit ix_DimJenisKredit JenisKreditID Clustered
DimDebitur ix_DimDebitur DebiturID Clustered
DimInstansi ix_DimInstansi InstansiID Clustered
DimJaminan ix_DimJaminan JaminanID Clustered
DimTingkatColl Ix_DimTingkatColl TingkatCollID Clustered
FaktaNPL ix_FaktaNPL DimWaktu,
DimCabang dan
DimJenisKredit
Clustered
FaktaAngsuran ix_FaktaAngsuran DimWaktu,
DimCabang,
DimJenisKredit,
DimDebitur,
DimInstansi dan
DimJaminan
Clustered
FaktaTunggakan ix_FaktaTunggakan DimWaktu,
DimJenisKredit,
DimDebitur,
DimInstansi dan
DimJaminan
Clustered
FaktaKredit ix_FaktaKredit DimCabang, Clustered
83
Tabel 4.14 Pemilihan Index
4.10.3 Analisis Kapasitas Media Penyimpanan
Didalam setiap pengolahan data, kapasitas media penyimpanan menjadi
salah satu aspek penting dan perlu untuk dipertimbangkan. Guna mengetahui
banyaknya kapasitas penyimpanan yang diperlukan, maka dilakukan analisis
kapasitas media penyimpanan yang akan menunjukkan berapa besar tempat
penyimpanan yang dibutuhkan. Ada beberapa langkah yang perlu diikuti
dalam menghitung kapasitas disk:
1. Menentukan jumlah baris didalam tabel (num_rows)
2. Ukuran tergantung pada tipe data dan panjangnya
- Jumlah kolom (num_cols)
- Jumlah fixed length column (byte) (fixed_datasize)
- Jumlah variable length column (Num_variable_cols)
- Ukuran maksimal variable length column (max_var_size)
3. Menghitung null bitmap jika dalam tabel terdapat fixed length column
Null bitmap (null_bitmap) = 2 + ((Num_cols+7):8)
4. Menghitung kapasitas jika terdapat variable length column dalam tabel
Total size of variable length columns (variable_data_size) =
2+(num_variable_cols x 2) + max_var_size
5. Menghitung ukuran baris
DimWaktu,
DimJenisKredit,
DimDebitur,
DimInstansi dan
DimJaminan
84
Total row size (row_size) = fixed_data_size + variable_data_size + Null
bitmap +4
6. Menghitung jumlah baris per halaman (8096 byte per page)
Numbers of rows per page (Rows_per_page) = 8096 : (row_size + 2)
7. Jika terdapat clustered index didalam tabel, maka menghitung free rows
per page didasarkan pada fill factor. Jika tidak ada clustered index yang
dibuat, maka fill factor diasumsikan sebagai 100.
Number of free row per page(Free_rows_per_page) = 8096 x ((100 – fill
factor) : 100) : (row_size+2)
8. Menghitung jumlah halaman yang dibutuhkan untuk menyimpan semua
baris
Number of pages (num_pages)= num_rows : (rows_per_page –
free_rows_per_page)
9. Menghitung kapasitas yang dibutuhkan untuk menyimpan data dalam
tabel (8192 byte per pages)
Tabel size (bytes) = 8192 x num_pages
Menghitung ukuran tabel dengan index
Berikut ini cara yang digunakan untuk menghitung tabel yang didalamnya
terdapat index:
1. Menghitung kapasitas yang digunakan untuk menyimpan data
2. Menghitung kapasitas yang digunakan untuk menyimpan index clustered
3. Menghitung kapasitas yang digunakan untuk menyimpan index non-
clustered
4. Menghitung nilai-nilai yang telah dihitung diatas
85
Pada setiap perhitungan selalu mencantumkan jumlah baris yang akan
ada didalam tabel.
Number of rows in the table = num_rows
Menghitung kapasitas yang digunakan untuk menyimpan index:
1. Definisi dari index dapat berupa fixed length dan variable length column
Jumlah kolom dalam index key (num_key_cols)
Jumlah semua fixed length column key (byte) (fixed_key_size)
Jumlah variable length column dalam index key (num_variable_key_cols)
Ukuran maksimum dari variable length column key (max_var_key_size)
2. Index Null Bitmap (Index_Null_bitmap) = 2+((Num_key_cols + 7): 8)
3. Jika terdapat variable length column dalam index, maka dihitung berapa
kapasitas yang digunakan untuk menyimpan kolom dalam baris index.
Total size of variable lenght columns (variable_key_size) =
2+(num_variable_key_cols x 2) + max_var_key_size
4. Menghitung ukuran baris index
Total index row size (Index_row_size) = fixed_key_size +
variable_key_size + index_null_bitmap + 1 + 8
5. Menghitung jumlah baris per halaman (8096 byte per page)
Number of index rows per page (Index_rows_per_page) = 8096 :
(index_row_size + 2)
6. Menghitung jumlah halaman yang dibutuhkan untuk menyimpan semua
baris index pada setiap level dari index
Number of pages (level 0) (num_pages_level_0) = (data_space_used :
8192) : index_rows_per_page
86
Number of pages (level 1) (num_pages_level_0) = num_pages_level_0 :
index_rows_per_page
Perhitungan terus dilakukan sampai level n (num_pages_level_n) sama
dengan satu (index root page)
Menghitung jumlah halaman yang dibutuhkan untuk menyimpan setiap
level dari index
Total number of pages (num_index_pages) = num_pages_level_0 +
num_pages_level_1 + .... + num_pages_level_n
7. Menghitung ukuran index (8192 byte per page) index size (bytes) = 8192
x num_index_pages
Menghitung ukuran tabel
Total tabel size (bytes) = data_space_used + clustered_index_size + non-
clustered_index_size + .....n
Menghitung pertumbuhan setiap tahun selama lima tahun
1. Menghitung dimensi
Rn = R(n-1) * (1 + i )n
R = Jumlah record
n = Tahun
i = Persentase Pertumbuhan data, sebesar 10%
2. Menghitung fakta
Rn = R(n-1) + R(n-1) * (1 + i )
R = Jumlah record
n = Tahun
87
i = Persentase Pertumbuhan data, sebesar 10%
Tabel Jumlah
Record Saat Ini
Pertumbuhan Per Tahun
Estimasi lima tahun ke depan
DimWaktu 450 10% 4937
DimWaktu2 450 10% 4937
DimCabang 50 2% 288
DimJenisKredit 4 - 4
DimDebitur 500 10% 5488
DimInstansi 30 10% 330
DimJaminan 10 10% 106
DimTingkatColl 5 - 5
FaktaNPL 33000 10% 2509983
FaktaAngsuran 25000 10% 1901504
FaktaTunggakan 22000 10% 1673322
FaktaKredit 33000 10% 2509983
Tabel 4.15 Perkiraan Pertumbuhan Data Selama 5 Tahun (Dalam Byte)
Tabel Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5
DimWaktu 495 599 797 1167 1879
DimWaktu2 495 599 797 1167 1879
DimCabang 51 53 56 61 67
DimJenisKredit 4 4 4 4 4
DimDebitur 550 666 886 1297 2089
DimInstansi 33 40 53 70 126
DimJaminan 11 13 17 25 40
DimTingkatColl 5 5 5 5 5
FaktaNPL 69300 145530 305613 641787 1347753
FaktaAngsuran 52500 110250 231525 486203 1021026
FaktaTunggakan 46200 97020 203742 427858 898502
FaktaKredit 69300 145530 305613 641787 1347753
Tabel 4.16 Perkiraan Pertumbuhan Dalam 5 Tahun (Dalam Byte)
88
Tabel 4.17 Tabel Perkiraan Disk (Dalam Byte)
Tabel
Num Ckey Cols
FixedCkey Size
Num Variable
CkeyCols
MaxVarCkey Size
CindexNull
Bitmap
Variable Ckey Size
CindexRow Size
Cindex Row
PerPage
Num Pages
Clevel 0
Num Pages
Clevel 1
Num Cindex Pages
Clustered Index Size
DimWaktu 1 4 0 0 3 2 18 405 1 0 1 8192 DimWaktu2 1 4 0 0 3 2 18 405 1 0 1 8192 DimCabang 1 4 0 0 3 2 18 405 1 0 1 8192 DimJenisKredit 1 4 0 0 3 2 18 405 1 0 1 8192 DimDebitur 1 4 0 0 3 2 18 405 1 0 1 8192 DimInstansi 1 4 0 0 3 2 18 405 1 0 1 8192 DimJaminan 1 4 0 0 3 2 18 405 1 0 1 8192 DimTingkatColl 1 4 0 0 3 2 18 405 1 0 1 8192 FaktaNPL 3 12 0 0 3 2 24 311 1 0 1 8192
Tabel Num Rows
NumCols
Fixed DataSize
Num VarCols
Max VarSize
Null Bitmap
Variable DataSize
Row Size
Rows PerPage
FreeRowsPerPage
Num Pages
Table Size
DimWaktu 4937 5 20 - - 4 2 30 253 0 20 163840 DimWaktu2 4937 5 20 - - 3 2 30 253 0 20 163840 DimCabang 288 1 4 2 33 3 39 50 156 0 2 16384 DimJenisKredit 4 1 4 2 32 3 38 49 159 0 0 0 DimDebitur 5488 1 4 3 90 3 98 109 73 0 75 614400 DimInstansi 330 1 4 3 85 3 93 104 76 0 4 32768 DimJaminan 106 1 4 3 46 4 54 65 121 0 1 8192 DimTingkatColl 5 2 8 1 15 3 19 34 225 0 0 0 FaktaNPL 2509983 6 36 - - 4 2 46 169 0 14852 121667584 FaktaAngsuran 1901504 7 32 - - 4 2 42 184 0 10334 84656128 FaktaTunggakan 1673322 7 32 - - 4 2 42 184 0 9094 74498048 FaktaKredit 2509983 9 44 - - 4 2 54 145 0 17310 141803520
42
FaktaAngsuran 6 24 0 0 3 2 38 202 1 0 1 8192 FaktaTunggakan 6 24 0 0 3 2 38 202 1 0 1 8192 FaktaKredit 7 28 0 0 3 2 42 184 1 0 1 8192
Tabel 4.18 Tabel Perkiraan index (Dalam Byte)
90
4.10.4 Metadata
Metadata memuat informasi tabel dalam data warehouse yang mencakup nama database asal tabel tersebut.
Metadata juga memuat informasi yang mencakup rincian dari tabel tersebut, mengenai nama field, tipe field ,field
yang menjadi field kunci, panjang field, deskripsi singkat dan masing-masing field. Selain itu metadata juga
dilengkapi dengan informasi tentang nama tabel dan field sumber serta proses transformasinya, berikut ini adalah
metadata dari data warehouse Bank DKI yang diusulkan:
DBMS : SQL Server
Nama Tabel : DimWaktu
Keterangan : Tabel dimensi waktu
Tabel Field Tipe Data Panjang Sumber Data Transformasi
Tabel Field Tipe Data Panjang
DimWaktu WaktuID Int 4 Autonumber
DimWaktu Tahun Int 4 Create
DimWaktu Bulan Int 4 Create
DimWaktu Minggu Int 4 Create
DimWaktu Hari Int 4 Create
Tabel 4.19 Metadata DimWaktu
91
DBMS : SQL Server
Nama Tabel : DimCabang
Keterangan : Tabel dimensi cabang
Tabel Field Tipe Data Panjang Sumber Data Transformasi
Tabel Field Tipe Data Panjang
DimCabang CabangID Int 4 Autonumber
DimCabang KodeCabang Char 3 MsCabang KdCabang Char 3 Copy
DimCabang NamaCabang Varchar 30 MsCabang NamaCabang Varchar 30 Copy
Tabel 4.20 Metadata DimCabang
DBMS : SQL Server
Nama Tabel : DimJenisKredit
Keterangan : Tabel jenis kredit
Tabel Field Tipe
Data
Panjang Sumber Data Transformasi
Tabel Field Tipe
Data
Panjang
92
DimJenisKredit JenisKreditID Int 4 Autonumber
DimJenisKredit KodeJenisKredit Char 2 MsJenisKredit KdJenisKredit Char 2 Copy
DimJenisKredit JenisKredit Varchar 30 MsJenisKredit JenisKredit Varchar 30 Copy
Tabel 4.21 Metadata DimJenisKredit
DBMS : SQL Server
Nama Tabel : DimDebitur
Keterangan : Tabel debitur
Tabel Field Tipe
Data
Panjang Sumber Data Transformasi
Tabel Field Tipe Data Panjang
DimDebitur DebiturID Int 4 Autonumber
DimDebitur KodeDebitur Char 10 MsNasabah KdNasabah Char 10 Copy
DimDebitur NamaDebitur Varchar 30 MsNasabah NamaNasabah Varchar 30 Copy
DimDebitur AlamatDebitur Varchar 50 MsNasabah AlamatNasabah Varchar 50 Copy
Tabel 4.22 Metadata DimDebitur
93
DBMS : SQL Server
Nama Tabel : DimInstansi
Keterangan : Tabel instansi
Tabel Field Tipe
Data
Panjang Sumber Data Transformasi
Tabel Field Tipe
Data
Panjang
DimInstansi InstansiID Int 4 Autonumber
DimInstansi KodeInstansi Char 5 MsInstansi KdInstansi Char 5 Copy
DimInstansi NamaInstansi Varchar 30 MsInstansi NamaInstansi Varchar 30 Copy
DimInstansi AlamatInstansi Varchar 50 MsInstansi AlamatInstansi Varchar 50 Copy
Tabel 4.23 Metadata DimInstansi
DBMS : SQL Server
Nama Tabel : DimJaminan
Keterangan : Tabel Jaminan
94
Tabel Field Tipe Data Panjang Sumber Data Transformasi
Tabel Field Tipe Data Panjang
DimJaminan JaminanID Int 4 Autonumber
DimJaminan KodeJaminan Char 8 MsJaminan KdJaminan Char 8 Copy
DimJaminan NamaJaminan Varchar 30 MsJaminan JenisJaminan Varchar 30 Copy
DimJaminan NilaiJaminan Money 8 MsJaminan NilaiJaminan Money 8 Copy
Tabel 4.24 Metadata DimJaminan
DBMS : SQL Server
Nama Tabel : DimTingkatColl
Keterangan : Tabel Tingkat Coll
Tabel Field Tipe
Data
Panjang Sumber Data Transformasi
Tabel Field Tipe
Data
Panjang
DimTingkat
Coll
TingkatCollID Int 4 Autonumber
95
DimTingkat
Coll
TingkatColl Int 4 MsTingkatColl TingkatColl Int 4 Copy
DimTingkat
Coll
Keterangan Char 15 MsTingkatColl Keterangan Char 15 Copy
Tabel 4.25 Metadata DimTingkatColl
DBMS : SQL Server
Nama Tabel : FaktaNPL
Keterangan : Tabel fakta NPL
Tabel Field Tipe Data Panjang
Sumber Data Transformasi Tabel Field Tipe
Data Panjang
FaktaNPL WaktuID Int 4 DimWaktu WaktuID Int 4 LookUp WaktuID pada
tabel DimWaktu
FaktaNPL CabangID Int 4 DimCabang CabangID Int 4 LookUp CabangID
pada tabel DimCabang
FaktaNPL JenisKreditID Int 4 DimJenisKredit JenisKreditID Int 4 LookUp JenisKreditID
pada tabel
96
DimJenisKredit
FaktaNPL TotalBakiDebet Money 8 TrKredit dan TrTunggakan
BakiDebet Money 8 Sum(BakiDebet) where coll= ‘3,4,5’
FaktaNPL TotalKredit Money 8 TrKredit dan TrTunggakan
BakiDebet Money 8 Sum(BakiDebet) where coll= ‘1,2,3,4,5’
FaktaNPL NPL Float 8 TrKredit dan TrTunggakan
TotalBakiDebet dan TotalKredit
Money 8 Sum(TotalBakiDebet/ TotalKredit)
Tabel 4.26 Metadata FaktaNPL
DBMS : SQL Server
Nama Tabel : FaktaAngsuran
Keterangan : Tabel fakta angsuran
Tabel Field Tipe Data Panjang
Sumber Data Transformasi Tabel Field Tipe
Data Panjang
FaktaAngsuran WaktuID Int 4 DimWaktu WaktuID Int 4 LookUp WaktuID
pada tabel DimWaktu
FaktaAngsuran CabangID Int 4 DimCabang CabangID Int 4 LookUp CabangID
pada tabel DimCabang
FaktaAngsuran JenisKreditID Int 4 DimJenisKredit JenisKreditID Int 4 LookUp JenisKreditID
pada tabel
DimJenisKredit
97
FaktaAngsuran DebiturID Int 4 DimDebitur DebiturID Int 4 LookUp DebiturID
pada tabel DimDebitur
FaktaAngsuran InstansiID Int 4 DimInstansi InstansiID Int 4 LookUp InstansiID
pada tabel
DimInstansi
FaktaAngsuran JaminanID Int 4 DimJaminan JaminanID Int 4 LookUp JaminanID
pada tabel
DimJaminan
FaktaAngsuran SumAngsuran Money 8 TrAngsuran AngsuranPokok Money 8 Sum (AngsuranPokok)
Tabel 4.27 Metadata FaktaAngsuran
DBMS : SQL Server
Nama Tabel : FaktaTunggakan
Keterangan : Tabel fakta tunggakan
Tabel Field Tipe Data Panjang
Sumber Data Transformasi Tabel Field Tipe
Data Panjang
FaktaTunggakan WaktuID Int 4 DimWaktu WaktuID Int 4 LookUp WaktuID
98
pada tabel
DimWaktu
FaktaTunggakan JenisKreditID Int 4 DimJenisKredit JenisKreditID Int 4 LookUp
JenisKreditID pada
tabel
DimJenisKredit
FaktaTunggakan DebiturID Int 4 DimDebitur DebiturID Int 4 LookUp DebiturID
pada tabel
DimDebitur
FaktaTunggakan InstansiID Int 4 DimInstansi InstansiID Int 4 LookUp InstansiID
pada tabel
DimInstansi
FaktaTunggakan JaminanID Int 4 DimJaminan JaminanID Int 4 LookUp JaminanID
pada tabel
DimJaminan
FaktaTunggakan TingkatColl Int 4 DimTingkatColl TingkatColl Int 4 Copy
99
FaktaTunggakan SumTunggakan Money 8 TrTunggakan SumTunggakan Money 8 Copy
Tabel 4.28 Metadata FaktaTunggakan
DBMS : SQL Server
Nama Tabel : FaktaKredit
Keterangan : Tabel fakta kredit
Tabel Field Tipe Data Panjang
Sumber Data Transformasi Tabel Field Tipe
Data Panjang
FaktaKredit WaktuID Int 4 DimWaktu WaktuID Int 4 LookUp WaktuID
pada tabel
DimWaktu
FaktaKredit WaktuID2 Int 4 DimWaktu2 WaktuID2 Int 4 LookUp
WaktuID2 pada
tabel DimWaktu2
FaktaKredit CabangID Int 4 DimCabang CabangID Int 4 LookUp CabangID
pada tabel
DimCabang
100
FaktaKredit JenisKreditID Int 4 DimJenisKredit JenisKreditID Int 4 LookUp
JenisKreditID
pada tabel
DimJenisKredit
FaktaKredit DebiturID Int 4 DimDebitur DebiturID Int 4 LookUp DebiturID
pada tabel
DimDebitur
FaktaKredit InstansiID Int 4 DimInstansi InstansiID Int 4 LookUp
InstansiID pada
tabel DimInstansi
FaktaKredit JaminanID Int 4 DimJaminan JaminanID Int 4 LookUp
JaminanID pada
tabel DimJaminan
FaktaKredit SumAngsuran Money 8 TrAngsuran AngsuranPokok Money 8 Sum
(AngsuranPokok)
FaktaKredit SumTunggakan Money 8 TrTunggakan SumTunggakan Money 8 Copy
Tabel 4.29 Metadata FaktaKredit
101
4.10.5 Proses ETL
Laporan yang dihasilkan dari data warehouse nantinya akan dipakai oleh
para eksekutif perusahaan. Untuk mendapatkan laporan yang paling terkini,
maka akan dilakukan proses ETL (Extraction Transformation Loading).
Tabel Periode ETL Proses Sebelumnya
DimWaktu Setiap hari jumat jam 12 malam -
DimWaktu2 Setiap hari jumat jam 12 malam -
DimCabang Setiap akhir bulan jam 12 malam -
DimJenisKredit Setiap akhir bulan jam 12 malam -
DimDebitur Setiap hari jumat jam 12 malam -
DimInstansi Setiap hari jumat jam 12 malam -
DimJaminan Setiap hari jumat jam 12 malam -
FaktaTunggakan Setiap hari jumat jam 12 malam DimWaktu,
DimJenisKredit,
DimDebitur, DimInstansi,
DimJaminan dan
DimTingkatColl
FaktaAngsuran Setiap hari jumat jam 12 malam DimWaktu, DimCabang,
DimJenisKredit,
DimDebitur, DimInstansi,
DimJaminan
FaktaKredit Setiap hari jumat jam 12 malam DimWaktu, DimWaktu2,
DimCabang,
DimJenisKredit,
DimDebitur, DimInstansi,
DimJaminan
FaktaNPL Setiap hari jumat jam 12 malam DimWaktu, DimCabang,
DimJenisKredit
Tabel 4.30 Proses ETL
102
4.10.6 Backup
Untuk melakukan implementasi sistem data warehouse yang telah
direncanakan maka akan dilakukan berbagai kegiatan yang akan menunjang
terlaksananya implementasi sistem dengan baik dan salah satu kegiatan itu
adalah backup. Proses backup perlu dilakukan sebagai tindakan pencegahan
terhadap kerusakan atau kehilangan data yang mungkin terjadi. Sehingga
data tidak akan hilang total jika seandainya terjadi hal-hal yang tidak
diinginkan seperti kebakaran ataupun bencan alam. Backup dilakukan dengan
cara membackup database DKI_OLAP yang dilakukan dalam program
Microsoft SQL server 2000 yaitu Enterprise Manager dengan pilihan backup
database yang dilakukan setiap minggu. Selain itu database DKI_OLTP juga
akan dibackup setiap minggu. Backup yang pertama kali dilakukan dengan
menggunakan tipe complete dimana dilakukan backup secara keseluruhan.
Backup yang berikutnya dilakukan dengan menggunakan tipe differential
dimana backup dilakukan terhadap data yang mengalami perubahan saja,
kemudian semua data hasil backup disimpan dalam server perusahaan.
Berikut jadwal kegiatan yang dilakukan dalam perencanaan backup sistem
data warehouse yang telah dirancang :
103
Proses Backup Jadwal Media
DKI_OLAP Setiap minggu di hari sabtu Server
DKI_OLTP Setiap minggu di hari sabtu Server
SQL Setiap minggu di hari sabtu Server
Analysis Service Setiap minggu di hari sabtu Server
Tabel 4.31 Proses Backup
4.10.7 Security
Keamanan merupakan salah satu faktor penting dan utama untuk menjaga
kerahasiaan data supaya data tersebut tidak dapat diakses oleh pihak-pihak
yang tidak memiliki hak untuk mengakses data-data tersebut.
4.10.7.1 Authorization
Authorization adalah proses untuk pengecekan apakah
seseorang atau sistem berhak memasuki sistem lainnya. Proses ini
biasanya dilakukan untuk mengamankan sistem dari hal-hal yang
tidak bertanggung jawab. Untuk proses ini, masing-masing user
dapat mengakses baik table maupun report yang ada sesuai
dengan ketentuan database administrator. Namun hanya analis
kredit saja yang dapat mengedit report yanga ada. Selain itu
perubahan pada DTS juga hanya dapat dilakukan oleh database
administrator saja.
Laporan
NPL Angsuran Tunggakan Kredit
Dewan Komisaris x x x x
Direksi x x x x
104
Pimpinan Cabang x x x x
Kontrol Intern Cabang x x
Analis Kredit x x x x
Tabel 4.32 Hak Akses Level Eksekutif
4.10.7.2 Authentication
Authentication atau autentikasi adalah proses verifikasi
identitas dari seorang anggota yang memberikan suatu data, dan
integritas dari data tersebut. Pada aplikasi data warehouse yang
diusulkan dengan menggunakan Visual Basic 2005 dan berbasis
windows ini diberlakukan authentication. Autentikasi juga
dilakukan dari data warehouse ke OLTP dengan autentikasi
windows, begitu juga proses perpindahan data dari OLAP ke data
warehouse. Selain itu, proses akses OLTP yang dilakukan oleh
pengguna juga menggunakan autentikasi windows.
105
4.11 Prototype Aplikasi
4.11.1 State Transition Diagram (STD)
Login
Menu Utama
Login untuk masuk ke halaman Menu Utama
NPL Angsuran
ReportPer Minggu
ReportPer Bulan
Tunggakan Kredit
Pilih Menu “NPL”Tampilkan Menu NPL
Pilih “Per Minggu”
Tampilkan Persentase NPL
Per Minngu
Pilih “Per Bulan”Tampilkan
Persentase NPL Per Bulan
Pilih Menu “Angsuran”Tampilkan Menu angsuran
Report Berdasarkan
Cabang dan Jenis Kredit
Pilih Tampilan Report Berdasarkan Cabang dan
Jenis Kredit Yang Diinginkan
Report Berdasarkan Jenis
Kredit
Pilih Tampilan Report Berdasarkan Jenis Kredit
Yang Diinginkan
Report berdasarkan
Cabang dan Jenis Kredit
Pilih Tampilan Report Berdasarkan Cabang dan
Jenis Kredit Yang Diinginkan
Pilih Menu “Tunggakan”Tampilkan Menu
Tunggakan
Pilih Menu “Kredit”Tampilkan Menu Kredit
File
Tambah User Ubah Password Hapus User Log Out Keluar
Admin dapat menambah user untuk mengakses
aplikasi
Admin dan user dapat mengubah password
Admin dapat menghapus user
Admin dan User dapat melakukan Log Out
sehingga akan kembali ke tampilan login
Admin dan User dapat keluar dari aplikasi
Gambar 4.10 State Transition Diagram (STD)
106
4.11.2 Output serta Workflow dari Sistem
a. Halaman login
Gambar 4.11 Halaman Login
Gambar diatas merupakan halaman login yang harus diisi oleh user
dengan username dan password yang benar. Bila terdapat kesalahan
pengisian maka akan muncul tampilan pesan kesalahan seperti dibawah
ini.
Gambar 4.12 PesanKesalahan
Jika muncul tampilan seperti di atas maka user harus memasukkan
username dan password dengan benar.
107
b. Menu utama
Gambar 4.13 Menu Utama
Jika user telah login dengan username dan password yang benar maka
user akan masuk ke menu utama dimana user dapat memilih tampilan
menu lain sesuai kebutuhan.
c. Menu File
Tampilan di bawah ini akan muncul jika user memilih menu file pada
aplikasi. Pada menu ini admin dapat menambah user, mengubah
password, menghapus user dan keluar dari aplikasi. Namun user hanya
dapat mengubah password dan dan juga keluar dari aplikasi.
108
Gambar 4.14 Menu File
Gambar 4.15 SubMenu Add User
109
Gambar 4.16 SubMenu Ubah Password
Gambar 4.17 SubMenu Hapus User
110
d. NPL berdasarkan jenis kredit
Gambar 4.18 NPL Mingguan Berdasarkan Jenis Kredit
Jika sebelumnya user memilih NPL mingguan berdasarkan jenis kredit
maka akan muncul tampilan seperti diatas. Namun user juga dapat
melihat laporan NPL baik mingguan maupun bulanan berdasarkan jenis
kredit ataupun cabang seperti gambar dibawah ini.
111
Gambar 4.19 NPL Bulanan Berdasarkan Cabang
112
e. Laporan Kredit
Gambar dibawah ini merupakan tampilan laporan kredit yang akan
muncul jika pada tampilan menu utama user memilih laporan kredit.
Gambar 4.20 Laporan Kredit
113
f. Laporan angsuran
Gambar dibawah ini merupakan tampilan laporan angsuran yang akan
muncul jika pada tampilan menu utama user memilih laporan
angsuran.
Gambar 4.21 Laporan Angsuran
114
g. Laporan tunggakan
Gambar 4.22 Laporan Angsuran
Gambar diatas merupakan tampilan laporan tunggakan yang akan muncul
jika pada tampilan menu utama user memilih laporan tunggakan.
4.12 Implementasi Sistem
4.12.1 Metode Implementasi
Metode implementasi yang dipilih adalah metode paralel dimana
sistem baru dijalankan bersama-sama dengan sistem lama, jika sistem
baru tidak ada masalah maka sistem lama dihentikan pemakaiannya.
4.12.2 Jadwal Implementasi
Penerapan aplikasi data warehouse terdiri dari beberapa tahapan
yang berkelanjutan, dengan penjadwalan yang dapat dilihat pada tabel
berikut ini :
115
No Deskripsi Jan Feb
1 2 3 4 1 2 3 4
1. Pengadaan hardware dan software
2. Instalasi hardware dan software
3. Instalasi aplikasi
4. Pelatihan
5. Mulai operasi atau implementasi
Tabel 4.33 Jadwal Implementasi
Untuk proses pengadaan hardware dan software akan ada beberapa
pengadaan baru untuk software namun untuk hardware akan menggunakan
hardware yang telah tersedia pada Bank DKI dengan spesifikasi sebagai
berikut :
a. Spesifikasi perangkat keras
Server
• Processor Intel Core 2 Duo 2,66GHz
• HDD 150 GB
• Memory DDRAM 1GB
• DVD RW-Drive
• Mouse
• Keyboard
• Monitor
Client
• Processor Pentium IV 2,6 GHz
• Hard Disk 100 GB
• Memory 1 GB
116
• DVD R-Drive
• Keyboard
• Monitor
b. Spesifikasi perangkat lunak
Server dan Client
• Windows XP Professional Edition
• SQL Server 2000
Selain itu untuk proses pelatihan akan melibatkan Analis Kredit dan
Kontrol Intern Cabang. Sedangkan materi pelatihan adalah
memperkenalkan Visual Basic 2005 serta cara pengoperasian
menggunakan aplikasi yang baru.
4.12.3 Kebutuhan Personil
Untuk menjaga sistem data warehouse agar dapat digunakan
semaksimal mungkin dalam periode tertentu dan dapat dilakukan
pengembangan lebih lanjut, dibutuhkan personil-personil diantaranya :
a. Database Administrator
Tugas dari personil ini berhubungan dengan database, seperti
melakukan backup, recovery, mengatur hak akses pengguna dan
menjaga database. Keahlian yang perlu dikuasai adalah SQL Server
2000, Analysis Service 2000 dan database security.
b. Application Developer
Tanggung jawab personil ini berhubungan dengan aplikasi agar dapat
mengakses data warehouse dan mengembangkan aplikasi sesuai
117
kebutuhan dari pihak eksekutif. Keahlian yang perlu dikuasai yaitu
SQL Server 2000 dan Visual Basic 2005
4.13 Evaluasi
Setelah perancangan dan implementasi aplikasi data warehouse pada Bank
DKI dilaksanakan maka dapat diperoleh hasil evaluasi. Evaluasi dari aplikasi ini
dilakukan secara langsung oleh user, dengan cara memperhatikan bagaimana
aplikasi ini dapat membantu user didalam menyediakan informasi yang mereka
butuhkan seperti pembuatan laporan perkreditan serta mengetahui persentase NPL
dalam kurun waktu yang lebih singkat dibandingkan sebelumnya. Adapun aspek-
aspek aplikasi yang dievaluasi meliputi kemudahan penggunaan aplikasi, sistem
yang diterapkan, kelengkapan data, tampilan laporan dalam aplikasi dan
keakuratan data yang dihasilkan.
Bagian yang melakukan evaluasi terhadap aplikasi ini adalah bagian Analis
Kredit dan Kontrol Intern Cabang yang dilakukan pada minggu keempat bulan
Januari. Setelah melakukan evaluasi terhadap aplikai yang diusulkan, maka dapat
diambil beberapa kesimpulan yang didapat dari komentar selama evaluasi
berlangsung, yaitu :
o Keakuratan data yang dihasilkan dari laporan sudah benar. Hal ini dapat
dibandingkan dengan kurangnya tingkat keakuratan data sebelumnya karena
pengelompokan nilai NPL belum detail.
o Kecepatan penyusunan laporan dengan menerapkan datawarehouse yang baru
meningkat sesuai dengan harapan karena adanya pengelompokan berdasarkan
118
kategori yang diinginkan. Laporan yang sebelumnya diperkirakan perlu waktu
penyusunan 7-10 hari dapat dipercepat menjadi 3-4 hari.
o Tampilan laporan dalam aplikasi cukup memuaskan. Pada laporan yang
disediakan sebelumnya belum terdapat grafik namun hal itu dapat dilihat pada
aplikasi yang diusulkan. Contoh tampilan dapat dilihat pada halaman 109-113
dan L1-L13.
o Dari aspek kemudahan penggunaan aplikasi dirasakan sedikit sulit oleh para
user karena belum terbiasa. Oleh karena itu, untuk mengatasi masalah
kemudahan dalam penggunaan aplikasi akan dilakukan pelatihan pada user
selama dua minggu sesuai dengan jadwal rencana implementasi.
o Karena tidak semua user berhak mengakses laporan perkreditan maka user
tersebut dapat melihat laparan perkreditan dengan mengakses report dari
Microsoft Excel dengan windows authentication.
Top Related