6

BAB 2

LANDASAN TEORI

2.1 Teori Umum

Penjelasan tentang teori umum yang berhubungan dengan data dan

informasi, database, dan data warehouse adalah sebagai berikut :

2.1.1 Pengertian Data dan Informasi

Menurut Inmon (2002, p388), data adalah sebuah rekaman fakta, konsep,

atau instruksi pada sebuah media penyimpanan untuk komunikasi, pencarian,

dan pemrosesan secara otomatis dan dapat memberikan informasi yang dapat

dimengerti oleh pemiliknya atau pihak yang bersangkutan.

Menurut McLeod dan George (2001, p12), data terdiri dari fakta dan

angka yang secara relatif tidak berarti bagi pemakai.

Menurut Devlin (1997, p11), informasi adalah sebuah representasi bisnis

yang dipahami dan digunakan oleh pengguna akhir.

Sehingga dapat disimpulkan bahwa data merupakan fakta yang memuat

kejadian, tempat, dan subjek yang terjadi. Sedangkan informasi adalah data

yang telah diolah dan menjadi berguna bagi perusahaan.

2.1.2 Pengertian Database

Menurut OBrien (2005, p211), database adalah suatu koleksi

terintegrasi dimana secara logika berhubungan dengan record dari file.

7

Menurut El Masri dan Navathe (2004, p4), database adalah kumpulan

data yang terkait.

Menurut Connolly dan Begg (2002, p14), database adalah suatu

kumpulan data yang terkait secara logis dan disertai dengan deskripsi dari data

tersebut yang dirancang untuk memenuhi kebutuhan informasi dari sebuah

organisasi.

Menurut Inmon (2002, p388), database adalah sekumpulan penyimpanan

data yang berhubungan (sering dengan pengontrolan, redudansi yang terbatas)

yang berdasarkan suatu skema.

Jadi database adalah tempat penyimpanan data yang saling berhubungan

dan terintegrasi secara logika, sehingga dapat digunakan untuk mendapatkan

suatu informasi yang diperlukan oleh suatu organisasi atau perusahaan.

2.1.3 Entity Relationship Modelling

Menurut Connolly dan Begg (2002, p330), salah satu aspek yang sulit

dalam perancangan database adalah kenyataan bahwa perancang, programmer

dan pemakai akhir cenderung melihat data dengan cara yang berbeda. Untuk

memastikan pemahaman secara alamiah dari data dan bagaimana data

digunakan oleh perusahaan dibutuhkan sebuah bentuk komunikasi non-teknis

dan bebas dari kebingungan.

Berikut ini merupakan bagian dari entity relationship modelling :

8

2.1.3.1 Entity Type

Menurut Connolly dan Begg (2002, p331), entity type adalah kumpulan

objek yang berproperti sama, di mana properti tersebut diidentifikasikan

memiliki keberadaan yang bebas.

2.1.3.2 Attribute

Menurut Connolly dan Begg (2002, p338), attribute adalah properti dari

sebuah entity atau sebuah tipe relationship.

2.1.3.3 Relationship Type

Menurut Connolly dan Begg (2002, p334), relationship type adalah

sekumpulan hubungan antara satu atau lebih tipe entity.

2.1.3.4 Kunci (Key)

Pada setiap entitas, kita perlu mengidentifikasi secara unik berdasarkan

nilai data pada satu atribut atau lebih. Maka tiap entitas harus memiliki key.

Menurut Whitten et.al. (2004, p282) key adalah atribut atau kelompok

atribut yang mengasumsikan nilai unik untuk setiap contoh entitas.

Menurut Whitten et.al. (2004, p284) ada beberapa macam key yaitu :

1. Candidate key adalah satu dari sekian banyak key yang berlaku sebagai

primary key suatu entitas.

2. Primary key adalah candidate key yang paling umum untuk

mengidentifikasi contoh entitas tunggal.

9

3. Alternate key adalah candidate key yang tidak terpilih menjadi primary

key.

Sedangkan menurut Connolly dan Begg (2002, p340), key terdiri dari :

1. Candidate key adalah set minimal atribut yang secara unik

mengidentifikasi setiap terjadinya suatu tipe entitas.

2. Primary key adalah candidate key yang dipilih untuk mengidentifikasi

secara unik setiap kejadian atau sebuah tipe entitas.

3. Composite key adalah candidate key yang terdiri dari dua atribut atau

lebih.

2.1.4 Entity Relationship Diagram (ERD)

Menurut Whitten et.al. (2004, p295), ERD adalah model data yang

menggunakan beberapa notasi untuk menggambarkan data dalam konteks

entitas dan hubungan yang dideskripsikan oleh data tersebut.

2.1.5 Pengertian Database Management System (DBMS)

Menurut Connolly dan Begg (2002, p16), DBMS adalah sebuah sistem

perangkat lunak yang memungkinkan pengguna untuk mendefinisikan,

membuat, mempertahankan, dan mengontrol akses ke database.

10

2.1.6 Pengertian On-Line Transaction Processing (OLTP)

Menurut Kimball dan Ross (2002, p408), OLTP adalah deskripsi awal

dari setiap aktivitas dan sistem yang berhubungan dengan proses memasukkan

data kedalam sebuah database.

Sehingga dapat disimpulkan OLTP merupakan suatu pemrosesan yang

menyimpan data mengenai kegiatan operasional transaksi sehari-hari. OLTP

memungkinkan banyak user untuk mengakses secara bersamaan terhadap

sumber database yang sama, di mana database-nya bersifat rasional dan sudah

ternormalisasi.

2.1.7 On-Line Analytical Processing (OLAP)

Menurut Connolly dan Begg (2002, p1101), OLAP adalah suatu

perangkat yang menggunakan gambaran multidimensi sejumlah data untuk

menyediakan akses yang lebih cepat bagi strategi informasi dengan tujuan

mempercepat analisis.

OLAP memperbolehkan user untuk menganalisis database yang besar

untuk mendapatkan informasi yang lebih spesifik. Database untuk sistem

OLAP disusun teratur agar lebih efisien dalam penyimpanan data statis. Karena

penyimpanan OLAP adalah multidimensi, biasanya disebut cube.

Menurut Connolly dan Begg (2002, p1104), manfaat OLAP antara lain :

1. Meningkatkan produktivitas pengguna akhir, pengembang TI, dan

akibatnya ke seluruh organisasi.

11

2. Mengurangi backlog pengembangan aplikasi untuk staf TI dengan

membuat pengguna akhir cukup mandiri untuk membuat perubahan

skema mereka sendiri dan membangun model mereka sendiri.

3. Penyimpanan kontrol organisasi atas integritas data perusahaan sebagai

aplikasi OLAP yang tergantung pada data warehouse dan sistem OLTP

untuk memperbarui tingkat sumber data.

4. Mengurangi keraguan dan lalu lintas jaringan pada sistem OLTP atau

pada data warehouse.

5. Meningkatkan potensi pendapatan dan profitabilitas dengan

memungkinkan organisasi untuk merespon lebih cepat terhadap

permintaan pasar.

2.1.8 Konsep Data Warehouse

Beberapa konsep tentang data warehouse adalah sebagai berikut :

2.1.8.1 Pengertian Data Warehouse

Menurut Devlin (1997, p20), data warehouse adalah menyimpanan data

secara tunggal, lengkap, dan konsisten yang diperoleh dari berbagai sumber

dan tersedia untuk pengguna akhir dengan cara yang mereka pahami dan

digunakan dalam konteks bisnis.

Menurut Inmon (2002, p389), data warehouse merupakan sebuah koleksi

yang terintegrasi, database yang berorientasi subjek yang didesain untuk

12

mendukung fungsi Decission Support System (DSS), yang mana setiap unit

data saling berkaitan dalam suatu keadaan.

Jadi, data warehouse merupakan kumpulan data yang mendukung proses

pengambilan keputusan dalam suatu perusahaan . Secara fisik data warehouse

adalah database, tapi perancangan data warehouse dan database sangat

berbeda. Dalam perancangan database tradisional menggunakan normalisasi,

sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik.

2.1.8.2 Karakteristik Data Warehouse

Karakteristik data warehouse yaitu :

1. Berorientasi Subjek (Subject-Oriented)

Menurut Inmon (2002, p31), subject-oriented Artinya data warehouse

diorganisasikan di sekitar subjek utama dari suatu perusahaan seperti

pelanggan, produk, dan penjualan bukan diorganisasikan pada area

aplikasi utama seperti faktur pelanggan, pengendalian stok, dan

penjualan produk. Ini tercermin dari kebutuhan untuk menyimpan data

yang bersifat mendukung keputusan dari pada aplikasi yang berorientasi

pada data.

2. Terintegrasi (Integrated)

Menurut Inmon (2002, p32), data warehouse bersifat terintegrasi karena

sumber data berasal dari sistem aplikasi yang berbeda pada perusahaan.

Sumber data yang ada sering tidak konsisten contohnya format yang

13

berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk

menyajikan data yang seragam pada pengguna.

3. Time Variant

Menurut Inmon (2002, p34), dalam data warehouse, data harus akurat

dan benar pada rentang waktu tertentu. Setiap unit dalam data warehouse

hanya akurat dan tepat dalam periode tertentu.

4. Non-volatile

Menurut Inmon (2002, p33), non-volatile artinya data dalam data

warehouse tidak dapat di-update secara real time tetapi diperbarui dari

sistem operasional secara reguler. Data baru selalu ditambahkan sebagai

tambahan dalam database, dari pada sebagai sebuah pengganti. Database

secara terus menerus menyerap data baru ini dan mengintegrasikan

dengan data sebelumnya.

2.1.8.3 Struktur Data Warehouse

Ada beberapa struktur yang spesifik terdapat pada bagian warehouse

manager. Bagian tersebut merupakan struktur data warehouse.

14

Sumber : Inmon (2002, p36) The Building Data Warehouse

Gambar 2.1 : Struktur Data Warehouse

Komponen dari struktur data warehouse menurut Inmon (2002, p35)

adalah:

1. Current detail data

Current detail data merupakan data detil yang aktif saat ini,

mencerminkan keadaan yang sedang berjalan dan merupakan level

terendah dalam data warehouse. Jumlah data sangat besar sehingga

memerlukan tempat penyimpanan yang besar pula dan dapat diakses

secara cepat. Dampak negatif yang ditimbulkan adalah kerumitan untuk

Metadata

Highly summarized

Lightly summarized (Data Mart)

Current detail

Operational transformation Old detail

15

mengatur data menjadi meningkat dan biaya yang diperlukan menjadi

mahal.

2. Older detail data

Data ini merupakan data historis dari current detail data, dapat

berupa hasil cadangan atau archive data yang disimpan dalam storage

terpisah. Karena bersifat cadangan (back-up), maka biasanya data

disimpan dalam tempat penyimpanan alternatif seperti tape-desk.

3. Lighlty summarized data

Data ini merupakan ringkasan atau rangkuman dari current detail

data. Data ini dirangkum berdasarkan periode atau dimensi lainnya

sesuai dengan kebutuhan. Ringkasan dari current detail data belum

bersifat total summary.

4. Highly summarized data

Data ini merupakan tingkat lanjutan dari lightly summarized data,

merupakan hasil ringkasan yang bersifat totalitas, dapat diakses misal

untuk melakukan analisis perbandingan data berdasarkan urutan waktu

tertentu dan analisis menggunakan data multidimensi.

2.1.8.4 Metadata

Menurut Devlin (1997, p52), metadata adalah data yang menggambarkan

makna dan struktur data bisnis, seperti bagaimana dibuat, diakses, dan

digunakan.

16

Metadata berisikan data yang menyimpan proses perpindahan data

meliputi struktur database, kontens, data detail dan summary data, matriks,

versioning, aging criteria, versioning, transformation criteria. Metadata

khusus dan memegang peranan yang sangat penting dalam data warehouse.

Metadata sendiri mengandung :

1. Struktur data

Sebuah direktori yang membantu user untuk melakukan analisis DSS

dalam pencarian letak/lokasi dalam data warehouse.

2. Algoritma

Algoritma digunakan untuk summary data. Metadata sendiri merupakan

panduan untuk algoritma dalam melakukan pemrosesan summary data

antara current detail data dengan lightly summarized data dan antara

lightly summarized data dengan hightly summaried data.

3. Mapping

Sebagai panduan pemetaan (mapping) data pada saat data diubah dari

lingkup operasional menjadi lingkup data warehouse.

2.1.8.5 Aliran Data dalam Data Warehouse

Menurut Connolly dan Begg (2002, p1058), aliran data pada data

warehouse adalah sebagai berikut :

1. Inflow

Merupakan proses yang terkait dengan ekstraksi, pembersihan, dan

pemuatan data dari sistem sumber ke data warehouse.

17

2. Upflow

Merupakan proses yang terkait dengan penambahan nilai pada data di

data warehouse seperti peringkasan, pengemasan, dan pendistribusian

data.

3. Downflow

Merupakan proses yang berhubungan dengan pengarsipan dan backing-

up data dalam data warehouse.

4. Outflow

Merupakan proses yang terkait dengan pembuatan data yang dapat

digunakan oleh pengguna akhir.

2.1.8.6 Anatomi Data Warehouse

Penerapan awal dari arsitektur data warehouse dibuat berdasarkan

konsep bahwa data warehouse mengambil data dari berbagai sumber dan

memindahkannya ke dalam pusat pengumpulan data yang besar. Konsep ini

sebenarnya lebih cenderung kepada sebuah lingkungan mainframe yang

terpusat.

Berikut ini adalah tiga jenis dasar sistem Data Warehouse :

1. Data Warehouse Fungsional (Functional Data Warehouse)

Kata operasional disini merupakan database yang diperoleh dari

kegiatan sehari-hari. Data warehouse dibuat lebih dari satu dan

dikelompokkan berdasarkan fungsi yang ada di dalam perusahaan seperti

fungsi keuangan (financial), marketing, dan personalia.

18

Keuntungan dari bentuk data warehouse seperti ini adalah sistem

mudah dibangun dengan biaya relatif murah, sedangkan kerugiannya

adalah resiko kehilangan konsistensi data dan terbatasnya kemampuan

dalam pengumpulan data bagi pengguna.

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.2 : Functional Data Warehouse

2. Data Warehouse Terpusat (Centralized Data Warehouse)

Bentuk ini terlihat seperti bentuk data warehouse fungsional,

namun terlebih dahulu sumber data dikumpulkan dalam satu tempat

terpusat, kemudian data disebar ke dalam fungsinya, sesuai kebutuhan

perusahaan. Data warehouse terpusat ini, biasa digunakan oleh

perusahaan yang belum memiliki jaringan eksternal.

19

Keuntungan dari bentuk ini adalah data menjadi terpadu karena

konsistensinya yang tinggi, sedangkan kerugiannya adalah biaya yang

mahal serta memerlukan waktu yang cukup lama untuk membangunnya.

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.3 : Centralized Data Warehouse

3. Data Warehouse Distribusi (Distributed Data Warehouse)

Pada data warehouse terdistribusi ini, digunakan gateway yang

berfungsi sebagai jembatan penghubung antara data warehouse dengan

workstation yang menggunakan sistem beraneka ragam. Dengan sistem

terdistribusi seperti ini memungkinkan perusahaan dapat mengakses

sumber data yang berada diluar lokasi perusahaan (eksternal).

Keuntungannya adalah data tetap konsisten karena sebelum data

digunakan data terlebih dahulu disesuaikan atau mengalami proses

sinkronisasi. Sedangkan kerugiannya adalah lebih kompleks untuk

diterapkan karena sistem operasi dikelola secara terpisah juga biayanya

20

yang paling mahal dibandingkan dengan dua bentuk data warehouse

lainnya.

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.4 : Distributed Data Warehouse

2.1.8.7 Keuntungan Data Warehouse

Menurut Connolly dan Begg (2002, p1048), keuntungan data warehouse antara

lain :

1. Potensi laba atas investasi yang tinggi

Sebuah organisasi harus mengeluarkan sejumlah besar sumber daya

untuk menjamin keberhasilan pelaksanaan data warehouse dan biayanya

sesuai dengan variasi solusi teknis yang ada.

2. Keuntungan kompetitif

Besar laba atas investasi bagi perusahaan yang telah berhasil menerapkan

data warehouse adalah bukti dari keuntungan kompetitif yang sangat

besar yang menyertai teknologi ini. Keuntungan kompetitif diperoleh

21

dengan memungkinkan para pengambil keputusan mengakses data yang

sebelumnya tidak tersedia, tidak diketahui, dan belum dimanfaatkan

seperti pelanggan, tren, dan permintaan.

3. Peningkatan produktivitas para pembuat keputusan dalam perusahaan

Data warehouse meningkatkan produktivitas pembuat keputusan dengan

menciptakan database terintegrasi yang konsisten, berorientasi subjek,

dan data historis. Data warehouse mengintegrasikan data dari beberapa

sistem yang tidak kompatibel ke dalam bentuk yang menyediakan satu

tampilan konsisten dalam suatu organisasi. Dengan mengubah data

menjadi informasi yang bermakna, data warehouse memungkinkan

manajer bisnis untuk melakukan analisis yang lebih substantif, akurat,

dan konsisten.

2.1.8.8 Istilah Istilah Dalam Data Warehouse

Istilah-istilah yang berkaitan dengan data warehouse :

1. Data Mart

Menurut Connolly dan Begg (2002, p1067), data mart adalah

subset dari data warehouse yang mendukung kebutuhan suatu

departemen atau fungsi bisnis.

Menurut Turban et.al. (2008, p40), data mart adalah bagian dari

data warehouse, biasanya terdiri dari subjek wilayah tunggal. Data mart

dapat berupa bergantung (dependent) atau tidak bergantung

(independent).

22

Data dependent adalah bagian yang diciptakan secara langsung dari

data warehouse. Data dependent memiliki keuntungan dengan

menggunakan model data yang konsisten dan menyediakan data

berkualitas. Data mart dependent mendukung konsep tunggal enterprise-

wide data model, tetapi data warehouse harus dibangun terlebih dahulu.

Sebagai alternatif, banyak perusahaan menggunakan biaya yang

lebih rendah, skala-down versi data warehouse disebut sebagai data mart

independent. Data mart independent adalah gudang kecil yang dirancang

untuk unit bisnis strategis atau departemen, tetapi sumbernya bukan data

warehouse perusahaan.

2. Tabel Dimensi (Dimension Table)

Menurut Inmon (2002, p389), tabel dimensi adalah tabel di mana data

tambahan berhubungan dengan tabel fakta yang di tempatkan pada tabel

multidimensi.

3. Tabel Fakta (Fact Table)

Menurut Inmon (2002, p391), tabel fakta merupakan pusat dari tabel star

join di mana data dengan banyak kepentingan tersimpan.

4. Decision Support System (DSS)

Menurut Inmon (2002, p389), DSS merupakan sistem yang digunakan

untuk mendukung keputusan manajerial.

23

2.1.8.9 Extract, Transform, Loading (ETL)

Menurut Inmon (2002, p390), ETL adalah proses mengambil data yang

sudah ada dan mengintegrasikan ke data warehouse.

Data Warehouse dibangun dengan mengintegrasikan data yang berasal

dari berbagai sumber data, yaitu database operasional. Dalam suatu

perusahaan, data operasional biasanya berada pada daerah kekuasaan

departemen dalam bentuk database OLTP. Untuk melakukan proses integrasi

ini arsitektur data warehouse menggunakan suatu aplikasi yang disebut ETL.

Sesuai dengan namanya, aplikasi ETL melakukan fungsi extract,

transform dan load. Proses extract adalah proses pengambilan data dari sumber

data. Disebut extract, karena proses pengambilan data ini tidak mengambil

keseluruhan data yang ada di database operasional, melainkan hanya

mengambil data matang saja. Proses extract ini harus mengakomodir berbagai

macam teknologi yang digunakan oleh sumber data dan diintegrasikan ke

dalam database tunggal.

Kemudian data hasil extract ini menjalani proses transformasi yang pada

prinsipnya adalah mengubah kode yang ada menjadi kode standar, misalnya

kode propinsi. Hal ini perlu dilakukan mengingat data yang diambil berasal

dari sumber yang berbeda yang kemungkinan memiliki standarisasi yang

berbeda pula. Standarisasi diperlukan untuk nantinya memudahkan pembuatan

laporan.

Arsitektur data warehouse yang umum biasanya menempatkan satu

server database terpisah yang disebut staging yang berfungsi untuk menangani

24

proses extract dan transform ini sebelum dilakukan proses load ke tujuan akhir

data warehouse.

Proses load dalam ETL adalah suatu proses mengirimkan data yang telah

menjalani proses transformasi ke data warehouse akhir di mana aplikasi

reporting dan business warehouse siap mengakses.

2.1.8.10 Perancangan Data Warehouse dengan Skema Bintang (Star Schema)

Menurut Connolly dan Begg (2002, p1079), skema bintang adalah

struktur logis fakta yang memiliki tabel yang berisi data faktual di tengah dan

dikelilingi oleh tabel dimensi yang berisi data referensi (yang dapat

didenormalisasikan).

Keuntungan dari penggunaan skema bintang:

1. Respon data lebih cepat daripada perancangan database operasional.

2. Mempermudah dalam hal modifikasi atau pengembangan data

warehouse yang terus menerus.

3. End-user dapat menyesuaikan cara berfikir dan menggunakan data.

4. Menyederhanakan pemahaman dan penelusuran metadata bagi pemakai

dan pengembang.

Jenis skema bintang adalah sebagai berikut :

Dengan penggunaanya terdapat dua jenis skema bintang yang tergantung

dengan kebutuhan, yaitu Skema Bintang Sederhana dan Skema Bintang

Majemuk yang akan terinci lebih lanjut berikut ini:

Skema Bintang Sederhana adalah sebagai berikut :

25

Dalam skema bintang sederhana, setiap tabel mempunyai primary key

yang terdiri dari sebuah kolom atau lebih. Primary key akan membuat setiap

baris menjadi unik. Primary key tersebut pada tabel fakta akan menjadi foreign

key. Primary key pada tabel fakta, terdiri dari satu atau lebih foreign key.

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.5 : Skema Bintang Sederhana

Pada gambar 2.5 menunjukan hubungan antara satu tabel fakta dan tiga

tabel dimensi. Tabel utama terdapat primary key yang terdiri dari tiga foreign

key, yaitu kunci-1, kunci-2 dan kunci-3, yang masing masing merupakan

primary key di tabel masing-masing.

Dalam sebuah skema bintang, dapat juga memiliki lebih dari satu tabel

fakta, karena adanya fakta yang tidak saling berhubungan. Tabel semacam ini

umumnya digunakan untuk jumlah data yang besar dan untuk berbagai macam

tabel data yang teragregasi

26

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.6 : Skema Bintang Dengan Beberapa Tabel Fakta

Pada gambar 2.6 terdapat dua tabel fakta dan tiga tabel dimensi yang

memperlihatkan hubungan many to one antara foreign key pada kedua tabel

fakta tersebut dengan primary key pada masing masing tabel dimensi.

Tabel dimensi mungkin juga mengandung foreign key yang

mereferensikan primary key di tabel dimensi yang lain. Tabel dimensi yang

direferensikan ini dinamakan outboard atau secondary dimension table.

Sumber : Setiawan (2006) Teori Data Warehouse

Gambar 2.7 : Skema Bintang Dengan Tabel Dimensi Tambahan

27

2.1.9 State Transition Diagram (STD)

Menurut Whitten et.al. (2004, p673), STD adalah sebuah perlengkapan

yang digunakan untuk menggambarkan urutan dan variasi dari layar yang

terjadi menurut sesi pengguna.

2.2 Teori Khusus

Penjelasan tentang teori khusus berdasarkan judul skripsi yang diambil

adalah sebagai berikut :

2.2.1 Program Frequent Flyer

Menurut Anonimusb (2009), Program frequent flyer merupakan layanan

apresiasi pelanggan yang diadakan oleh kebanyakan perusahaan penerbangan

terkemuka, dimana pelanggan yang menjadi peserta program akan memperoleh

kesempatan mengumpulkan mileage sesuia jarak penerbangan yang dilakukan,

yang kemudian dapat ditukarkan dengan penerbangan secara cuma-cuma.

2.2.2 Business Warehouse

Menurut Turban et.al. (2008, p9), Business Warehouse (BW) adalah

istilah yang mencakup arsitektur, peralatan, database, aplikasi, dan

metodologi. Proses dari BW adalah berdasarkan transformasi data ke

informasi, lalu keputusan, dan akhirnya ke tindakan (informasi pada waktu

yang tepat di tempat yang tepat).

28

Selain itu, BW merupakan pengembangan dari Executive Information

System (EIS) yang di dalamnya terdapat data warehouse dan dilengkapi bukan

hanya kemampuan yang diberikan oleh EIS tetapi juga terdapat kemampuan

Decision Support System (DSS), Customer Relationship Management (CRM),

dan kemampuan analisis lainnya yang berguna untuk kepentingan bisnis dari

perusahaan tersebut.

EIS adalah suatu sistem interaktif yang memungkinkan manajer dan

eksekutif mengakses kepada informasi secara fleksibel untuk memonitor hasil

dan kondisi bisnis secara umum.

Menurut Liautaud dan Hammond (2001, p292), CRM adalah istilah yang

digunakan untuk menggambarkan baik proses bisnis dan aplikasi perangkat

lunak terkait keluarga. proses berhubungan dengan perusahaan memanfaatkan

informasi pelanggan untuk melayani pelanggan dengan lebih baik. Tumpukan

perangkat lunak terkait telah muncul dalam beberapa tahun terakhir ini

bertujuan untuk memfasilitasi proses bisnis. Business Warehouse adalah

komponen kunci dari solusi perangkat lunak CRM.

Berikut ini adalah hal yang berhubungan dengan Business Warehouse :

2.2.2.1 Arsitektur dan Komponen BW

Arsitektur dan Komponen BW menurut Turban et.al. (2008, p11) adalah

sebagai berikut :

29

1. Data warehouse (DW)

DW merupakan database khusus atau tempat penyimpanan data yang

telah disiapkan untuk mendukung aplikasi pengambilan keputusan mulai

dari laporan sederhana dan optimasi query yang kompleks. DW dibangun

dengan metodologi, terutama metadata, ETL dan data mart.

2. Analisis Bisnis (Business Analytics)

Ada banyak peralatan software yang memungkinkan pengguna untuk

membuat laporan, query dan permintaan untuk menganalisis data.

Awalnya muncul di bawah nama OLAP. Contohnya, pengguna dapat

menganalisis perbedaan dimensi data, seperti waktu seri dari penjualan di

setiap cabang dan menganalisis tren. Dengan demikian, pengguna bisnis

dapat dengan cepat dan mudah mengidentifikasi kinerja tren dengan

menggunakan waktu analisis infomasi bertahap dan grafik kemampuan

produk yang mendukung analisis data yang lebih canggih dan memiliki

kemampuan bidang hitung penuh yang terintegrasi ke dalam laporan.

3. Automated Decision Systems (ADS)

Pendekatan yang relatif baru untuk mendukung pengambilan keputusan

dikenal sebagai automated decision systems (ADS), juga dikenal sebagai

decision automation systems (DAS). Ada sistem berbasis aturan yang

memberikan solusi biasanya dalam satu area fungsional spesifik masalah

manajerial berulang, biasanya dalam satu industri, misalnya, ada atau

tidak menerima permintaan untuk pinjaman

30

4. Data Mining

Data mining adalah kelas dari analisis informasi berdasarkan database

yang mencari pola tersembunyi di dalam pengumpulan data yang dapat

digunakan untuk memprediksi perilaku masa depan. Contohnya, dapat

membantu perusahaan ritel menemukan pelanggan dengan kepentingan

umum. Namun, istilah ini sering disalahgunakan untuk menggambarkan

perangkat lunak yang menyajikan data dengan cara baru. Sebenarnya

perangkat lunak data mining tidak hanya mengubah presentasi, tetapi

sebenarnya tidak diketahui sebelumnya menemukan hubungan antara

data. pengetahuan ini kemudian diterapkan untuk mencapai tujuan bisnis

tertentu.

5. Business Performance Management (BPM)

Komponen ini didasarkan pada metodologi Balanced Scorecard, yang

merupakan kerangka kerja untuk mendefinisikan, menerapkan, dan

mengelola sebuah strategi bisnis perusahaan dengan menghubungkan

tujuan dengan ukuran faktual. Di lain kata, itu adalah cara untuk

menghubungkan tingkat atas metrik seperti informasi finalsial yang

dibuat oleh CFO, dengan pertunjukan aktual sepanjang perjalanan

menuruni urutan kekuasaan perusahaan. BPM menggunakan laporan

analisis BW dan query.

31

6. Antarmuka Pengguna : Dashboard dan Alat Informasi Penyiaran

Lainnya

Memberikan tampilan visual yang komprehensif dari tolak ukur kinerja

perusahaan, tren, dan pengecualian dari beberapa area bisnis. Grafik

menunjukkan performa yang sebenarnya dibandingkan dengan matrik

yang diinginkan, sehingga memberikan pandangan sekilas dari kesehatan

organisasi.

7. Pelaratan Visualisasi (Visualization Tools)

Banyak peralatan visualisasi, mulai dari persentasi kubus

multidimensional kepada realitas virtual, merupakan bagian integral dari

sistem BW. Ingat bahwa BW muncul dari EIS, begitu banyak sarana

bantuan visual bagi para eksekutif yang tergabung dalam perangkat lunak

BW.

2.2.2.2 Keuntungan dari BW

Keuntungan dari BW menurut beberapa ahli adalah sebagai berikut :

Keuntungan dari BW menurut Eckerson (2003) adalah : 1. Waktu penyimpanan.

2. Single vesion of truth atau versi tunggal yang terpercaya

kebenarannya.

3. Meningkatkan strategi dan rencana.

4. Meningkatkan keputusan dalam bersiasat.

5. Proses yang lebih efisien.

32

6. Penghematan biaya.

Keuntungan BW menurut Thompson (2004) adalah : 1. Lebih cepat, pelaporan yang lebih akurat.

2. Meningkatkan pembuatan keputusan.

3. Meningkatkan pelayanan pelanggan.

4. Meningkatkan pendapatan.

2.2.2.3 SAP BW

SAP Business Information Warehouse (SAP BW) berguna untuk

menganalisis data dari operasional SAP R / 3 aplikasi atau aplikasi bisnis

lainnya, serta dapat mengekstrak dan menganalisis data dari sumber-sumber

eksternal seperti database, layanan online, dan internet.

2.2.2.4 Teori yang Berhubungan dengan SAP BW

1. Info Source

Dalam BW, sebuah info source menggambarkan jumlah semua data yang

tersedia untuk transaksi bisnis atau tipe dari transaksi bisnis. Sebuah info

source adalah jumlah informasi yang logis, diringkas dalam satu unit.

Info source berisi data transaksi atau data master (atribut, teks, dan

hierarki).

2. Data Source

Sebuah data source adalah kumpulan field yang menyediakan data untuk

unit bisnis sehingga dapat mentransfer data ke BW.

33

3. Info Area

Menurut Anonimusa (2004, p8), folder yang dibuat sebagai tempat

penyimpanan info cube.

4. Info Object

Menurut Anonimusa (2004, p7), objek analisis bisnis (seperti :

pelanggan, penjualan, dan lainnya) biasa disebut info object di dalam

SAP BW. Info objek dapat dibagi menjadi karakteristik dan key figures.

5. Characteristic

Menurut Anonimusa (2004, p7), tipe dari info object. Karakteristik

menyediakan klasifikasi kemungkinan untuk dataset. Karakteristik terdiri

dari unit, karakteristik waktu, dan karakteristik teknikal (sepert :

permintaan ID).

6. Key Figure

Menurut Anonimusa (2004, p7), semua data yang digunakan untuk

menyimpan nilai atau kuantitas. Contoh : harga, penjualan, killowat-jam,

dan lain-lain.

7. Info Cube

Menurut Anonimusa (2004, p8), suatu pusat penyimpanan data yang

membentuk dasar untuk laporan dan analisis dalam SAP BW. Info cube

terdiri dari key figures dan menghubungkan ke karakteristik. Sebuah info

cube terdiri dari tabel beberapa database yang terhubung menurut skema

bintang. Info cube merupakan tabel fakta yang berisi key figures info

cube serta beberapa dimensi tabel sekitarnya yang menyimpan hubungan

34

ke karakteristik. Setiap info cube memiliki satu tabel fakta, dan maksimal

16 tabel dimensi. Setiap tabel fakta dapat berisi maksimal 233 key

figures. Setiap dimensi dapat berisi 248 karakteristik bebas.

8. Info Provider

Menurut Anonimusa (2004, p9), info provider adalah istilah sub-ordinat

untuk suatu objek yang dapat digunakan untuk membuat laporan dalam

bisnis explorer (BEx). Selain itu, info provider digunakan sebagai objek

atau pandangan yang relavan dengan pelaporan. Info providers mencakup

berbagai database metaobjects yang memberikan data untuk query

definisi.

9. Info Packages

Info packages adalah suatu alat untuk meng-upload suatu paket data dari

sumber data ke tempat penyimpanan sementara atau Persistance Staging

Area (PSA).

10. Data Transfer Process

Data Transfer Process adalah suatu proses untuk mentransfer data dari

PSA ke info cube atau Operational Data Store (ODS).

11. Transformation

Transformation adalah suatu proses menentukan communication

structure dan transfer rules agar dapat menentukan hubungan antara

tabel sumber data dengan tabel dari master data atau info cube.

35

12. Communication Structure

Struktur komunikasi antara tabel sumber data dengan tabel data target

yang dapat berupa master data/info objek, info cube, dan ODS.

13. Business Explorer (BEx) Analyzer

Menurut Anonimusa (2004, p547), alat untuk menganalisis dan membuat

laporan dalam Bex terdapat pada microsoft excel. Di dalam BEx

analyzer, dapat menganalisis data info provider terpilih melalui navigasi

untuk pembuatan query dalam BEx Query Desainer dan dapat membuat

pandangan query yang berbeda untuk data.

14. BEx Web Application Designer

Menurut Anonimusa (2004, p13), aplikasi desktop untuk membuat

website dengan BW kontenks. Dengan BEx web application designer,

dapat membuat halaman HTML yang berisi spesifikasi BW kontenks,

seperti : tabel yang berbeda, bagan, atau peta.