bab 2 fix banget

35
BAB 2 LANDASAN TEORI 2.1 Teori-teori Umum 2.1.1 Data Warehouse Menurut Connolly dan Begg (2005, p1047), data warehouse adalah suatu kumpulan data yang bersifat subject-oriented, integrated, time- variant, dan non-volatile dalam mendukung proses pengambilan keputusan. Menurut Laudon (2006, p233), Data warehouse adalah databaseyang menyimpan data penting saat ini dan historis dari kebutuhaninformasi untuk manajer dalam perusahaan. Menurut Golfarelli (2009, p1), Data warehouse merupakandatabase operasional yang menyimpan data detail, terintegrasi, bersih,dan konsisten yang di ekstrak melalui data source dan diproses secarabenar oleh ETL tool. 9

Upload: bayu-samudra

Post on 05-Jul-2015

338 views

Category:

Documents


6 download

TRANSCRIPT

Page 1: BAB 2 Fix Banget

BAB 2

LANDASAN TEORI

2.1 Teori-teori Umum

2.1.1 Data Warehouse

Menurut Connolly dan Begg (2005, p1047), data warehouse

adalah suatu kumpulan data yang bersifat subject-oriented, integrated,

time-variant, dan non-volatile dalam mendukung proses pengambilan

keputusan.

Menurut Laudon (2006, p233), Data warehouse adalah

databaseyang menyimpan data penting saat ini dan historis dari

kebutuhaninformasi untuk manajer dalam perusahaan.

Menurut Golfarelli (2009, p1), Data warehouse

merupakandatabase operasional yang menyimpan data detail, terintegrasi,

bersih,dan konsisten yang di ekstrak melalui data source dan diproses

secarabenar oleh ETL tool.

2.1.2 OLTP (Online Transaction Processing)

Menurut Connolly (2005, p1149), OLTP systems adalah sistem

yang dirancang untuk menangani high transaction, dengan transaksi yang

secara khusus membuat perubahan kecil terhadap data operasional

organisasi, yaitu data yang diperlukan organisasi untuk menangani day-

to-day operation.

9

Page 2: BAB 2 Fix Banget

10

2.1.3 Data Mart

Menurut Inmon (2005, p494), adalah struktur data yang terbagi-bagi

yang diperoleh dari data warehouse dimana data tersebut telah

didenormalisasi berdasarkan kebutuhan informasi manajemen.

Jadi, data mart merupakan suatu bagian dari data warehouse yang

dapat mendukung pembuatan laporan dan analis data pada suatu unit,

bagian atau operasi perusahaan.

Perbedaan antara data mart dan data warehouse adalah :

Data mart hanya berdokus pada kebutuhan user yang berkaitan

dengan suatu depatemen atau fungsi bisnis.

Data mart tidak mengandung data operasional secara detil,

tidak seperti data warehouse.

Data yang ada dalam data mart lebih sedikit dari pada yang

ada dalam data warehouse, data mart juga lebih mudah

dimengerti karena lebih sederhana.

2.1.4 Perbedaan OLTP dan Data Warehouse

Menurut Connolly dan Begg (2005, p1153), Perbedaan antara

sistem OLTP dan sistem data warehouse :

Page 3: BAB 2 Fix Banget

11

Tabel 2.1 Perbedaan sistem OLTP dengan sistem data warehouse

Sistem OLTP Sistem Datawarehouse

Menangani data-data yang sekarang Menangani data-data historis

Menyimpan data detilMenyimpan data detil, sedikit ringkas

dan sangat ringkas

Datanya dinamis Datanya statis

Pemrosesan berulang kaliPemrosesan Ad Hoc, tidak terstruktur

dan heuristic

High level of transaction throughputMedium to low level of transaction

troughput

Pola penggunaan yang dapat

diperkirakan

Pola penggunaan tidak dapat

diperkirakan

Transaction-driven Analysis-driven

Berorientasi pada aplikasi Berorientasi pada subyek

Mendukung pengambilan keputusan

sehari-hari

Mendukung pengambilan keputusan

strategis

Digunakan oleh banyak user

operasional

Digunakan oleh sejumlah kecil user

manajerial

2.1.5 Keuntungan Data Warehouse

Menurut Connolly dan Begg (2005, p1152), Data warehouse yang

telah diimplementasikan dengan baik dapat memberikan keuntungan yang

besar bagi organisasi, yaitu :

Potensi nilai kembali yang besar pada investasi

Page 4: BAB 2 Fix Banget

12

Sebuah organisasi harus mengeluarkan uang dan sumber daya

dalam jumlah yang cukup besar untuk memastikan kalau data warehouse

telah diimplementasikan dengan baik, biaya yang dikeluarkan tergantung

dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse

digunakan, maka kemungkinan didapatkannya ROI (Return

onInvestment) relatif lebih besar.

Keuntungan kompetitif

Keuntungan kompetitif didapatkan apabila pengambil keputusan

mengakses data yang dapat mengungkapkan informasi yang sebelumnya

tidak diketahui, tidak tersedia, misalnya informasi mengenai konsumen,

trend, dan permintaan.

Meningkatkan produktivitas para pengambil keputusan perusahaan

Data warehouse meningkatkan produktivitas para pengambil

keputusan perusahaan dengan menciptakan sebuah database yang

terintegrasi secara konsisten, berorientasi pada subjek, dan data historis.

Data warehouse mengintegrasikan data dari beberapa sistem yang tidak

compatible ke dalam bentuk yang menyediakan satu pandangan yang

konsisten dari organisasi. Dengan mengubah data menjadi informasi yang

berguna, maka seorang manajer bisnis dapat membuat analisa yang lebih

akurat dan konsisten.

2.1.6 Karakteristik Data Warehouse

Page 5: BAB 2 Fix Banget

13

Karakteristik data warehouse menurut Inmon (2005, p30-p33), yaitu :

1. Subject Oriented (Berorientasi subyek)

Data warehouse berorientasi subject artinya data warehouse

didesain untuk menganalisa data berdasarkan subject-subject

tertentudalam organisasi, bukan pada proses atau fungsi aplikasi tertentu.

Data warehouse diorganisasikan disekitar subject-subject utama

dari perusahaan (customers, products, dan sales) dan tidak

diorganisasikan pada area-area aplikasi utama (customer invoicing,

stockcontrol, dan product sales). Hal ini dikarenakan kebutuhan dari

datawarehouse untuk menyimpan data-data yang bersifat sebagai

penunjangsuatu keputusan daripada aplikasi yang berorientasi terhadap

data.

Jadi, dengan kata lain, data yang disimpan adalah berorientasi

kepada subject bukan terhadap proses. Secara garis besar perbedaan

antara data operasional dan data warehouse yaitu :

Gambar 2.1 Contohsubjectorientation atas data

2. Integrated (Terintegrasi)

Page 6: BAB 2 Fix Banget

14

Data warehouse dapat menyimpan data-data yang berasal dari

sumber-sumber yang terpisah ke dalam suatu format yang konsisten dan

saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa

dipecah-pecah karena data yang ada merupakan suatu kesatuan yang

menunjang keseluruhan konsep data warehouse itu sendiri.

Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara

sepeti konsisten dalam penamaan variabel, konsisten dalam ukuran

variabel, konsisten dalam struktur pengkodean dan konsisten dalam

atribut fisik dari data.

Contoh pada lingkungan operasional terdapat berbagai macam

aplikasi yang mungkin pula dibuat oleh developer yang berbeda. Oleh

karena itu, mungkin dalam aplikasi-aplikasi tersebut ada variabel yang

memiliki tujuan yang sama, tetapi nama dan formatnya berbeda. Variabel

tersebut harus dikonversi menjadi nama yang sama dan format yang

disepakati bersama. Dengan demikian tidak ada lagi kerancuan karena

perbedaan nama, format dan lain sebagainya. Barulah data tersebut bisa

dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.

Page 7: BAB 2 Fix Banget

15

Gambar 2.2 Contohintegration

3. Non-Volatile (Tidak mudah berubah)

Karakteristik keempat dari data warehouse adalah non-volatile,

maksudnya data pada data warehouse tidak di-update secara real time

tetapi di refresh dari sistem operasional secara reguler.

Berbeda dengan database operasional yang dapat melakukan

update, insert dan delete terhadap data yang mengubah isi dari database

sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi

data yaitu loading data (mengambil data) dan akses data (mengakses

datawarehouse seperti melakukan query atau menampilkan laporan yang

dibutuhkan, tidak ada kegiatan updating data).

Page 8: BAB 2 Fix Banget

16

Gambar 2.3 Contohnon-volativity

4. Time Variant (Variansi waktu)

Seluruh data pada data warehouse dapat dikatakan akurat atau

valid pada rentang waktu tertentu. Untuk melihat interval waktu yang

digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat

menggunakan cara antara lain :

Cara yang paling sederhana adalah menyajikan data warehouse pada

rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.

Cara yang kedua, dengan menggunakan variasi atau perbedaan waktu

yang disajikan dalam data warehouse baik implicit maupun explicit.

Secara explicit dengan unsur waktu dalam hari, minggu, bulan, dan

sebagainya. Secara implicit misalnya pada saat data tersebut

diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu

akan tetap ada secara implicit di dalam data tersebut.

Cara yang ketiga, variasi waktu yang disajikan data warehouse melalui

serangkaian snapshot yang panjang. Snapshot merupakan tampilan

dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan

data yang ada bersifat read-only.

Page 9: BAB 2 Fix Banget

17

Gambar 2.4 Time variance

2.1.7 Arsitektur Data Warehouse

Arsitektur data warehouse menurut Conolly dan Begg (2005,

p1156-1160), adalah sebagai berikut :

Gambar 2.5 Arsitektur data warehouse

Page 10: BAB 2 Fix Banget

18

a. Operational Data Source

Sumber data dari data warehouse dapat diambil langsung dari :

Mainframe data operasional yang terdiri menangani generasi pertama

secara hirarkis dan database jaringan.

Data masing-masing departemen yang disimpan dalam system

filekepemilikan seperti VSAM, RMS, dan relational DBMSseperti

Informix dan Oracle.

Data internal yang tersimpan di dalam workstation dan server pribadi.

Sistem eksternal seperti internet, database komersial, atau database

yang berhubungan dengan supplier dan customer.

b. Operational Data Store

Suatu operational data store adalah suatu media penyimpanan dan

pengintegrasian data operasional yang digunakan untuk analisis. ODS

menyediakan data dengan cara yang sama seperti data warehouse, tetapi

sesungguhnya bertindak secara sederhana sebagai tempat penampungan

sementara data dipindahkan ke warehouse.

Membangun ODS dapat membantu dalam pembuatan data

warehouse sebab suatu ODS dapat menyediakan data yang telah di-

extract dan di-cleansing dari sistem sumber. Ini berarti bahwa proses

integrasi dan restrukturisasi data untuk data warehouse menjadi lebih

sederhana.

Page 11: BAB 2 Fix Banget

19

c. Load manager

Load manager melaksanakan semua operasi yang berhubungan

dengan pengambilan dan load data ke dalam data warehouse. Data di-

extract secara langsung dari sumber data atau dari penyimpanan data

operasional. Operasi yang dilakukan oleh load manager dapat meliputi

perubahan bentuk yang sederhana untuk mempersiapkan data tersebut

agar dapat dimasukkan ke dalam warehouse.

d. Warehouse Manager

Warehouse manager melakukan seluruh operasi-operasi yang

berhubungan dengan kegiatan manajemen data di dalam

warehouse.Operasi-operasi tersebut meliputi :

Analisis terhadap data untuk memastikan konsistensi.

Transformasi dan penggabungan sumber data dari tempat

penyimpanan sementara menjadi tabel-tabel data warehouse.

Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar.

Melakukan denormalisasi dan agregasi jika diperlukan.

Backing-Up dan mengarsipkan data.

e. Query Manager

Query manager melaksanakan semua operasi yang berhubungan

dengan manajemen user query. Komponen ini secara khusus dibangun

menggunakan peralatan akses data enduser, peralatan pengontrol data

warehouse, fasilitas database, dan pembangunan program. Operasi yang

dilakukan komponen ini meliputi pengarahan query pada tabel yang

sesuai dan penjadwalan pelaksanaan query.

Page 12: BAB 2 Fix Banget

20

f. Detailed Data

Area ini menyimpan semua data yang terperinci di dalam skema

database. Dalam banyak kasus data yang terperinci tidaklah disimpan

secara online tetapi tetap disediakan melalui agregasi data pada tingkatan

detail berikutnya. Bagaimana pun, secara reguler, data yang terperinci

ditambahkan untuk melengkapi data yang dibutuhkan.

g. Lightly and Highly Summarized Data

Area ini menyimpan semua data lightly dan highly summarized

yang dihasilkan oleh warehouse manager. Area ini adalah tempat

penampungan sementara sebelum dilakukan perubahan secara

berkelanjutan untuk merespon perubahan profil query.Tujuan dari

ringkasan ini adalah untuk mempercepat pencapaian query.Data

ringkasan diperbaharui secara terusmenerus ketika ada data baru yang

terisi ke dalam warehouse.

h. Archive or Backup Data

Area ini meyimpan semua detail dan ringkasan data untuk

kepentingan archiving dan backup. Walaupun ringkasan data dibangun

dari detil data, akan memungkinkan untuk membuat cadangan ringkasan

data secara online jika data ini ditunjukkan melebihi penyimpanan waktu

untuk detil data. Data ditransfer kegudang atau penyimpanan seperti

magnetic tape atau optical disk.

Page 13: BAB 2 Fix Banget

21

i. Metadata

Area ini menyimpan semua definisi metadata yang digunakan

oleh semua proses di dalam warehouse. Metadata digunakan untuk

berbagai tujuan termasuk:

Proses extract dan loading - metadata digunakan untuk memetakan

sumber data ke dalam pandangan umum sebagai warehouse.

Proses manajemen warehouse - metadata digunakan untuk meng-

otomatisasi pembuatan tabel ringkasan.

Sebagai bagian proses manajemen query - metadata digunakan untuk

menghubungkan suatu query dengan sumber yang tepat.

j. End-user Access Tools

Prinsip atau tujuan utama dari dibangunnya data warehouse

adalah untuk menyediakan informasi bisnis kepadauser-user untuk dapat

melakukan pengambilan keputusan secaracepat dan tepat. User ini

berinteraksi dengan warehouse melaluiend-user access tools. Data

warehouse harus secara efisienmendukung secara khusus kebutuhan user

serta secara rutin melakukan analisis.

Berdasarkan kategori yang dikemukakan oleh Berson dan Smith

terdapat lima grup utama dari tools tersebut, antara lain :

1. Sebagai alat untuk laporan dan query.

2. Perangkat pengembangan aplikasi.

3. Perangkat Executive Infornation System (EIS).

4. Perangkat Online Analytical Processing.

5. Perangkat data mining.

Page 14: BAB 2 Fix Banget

22

2.1.8 Data Warehouse Data Flows

Menurut Connolly dan Begg (2005, p1162), Data warehouse

fokus pada manajemen lima arus data primer yaitu :

1. Inflow adalah proses yang berhubungan dengan pengekstrakan

(extraction), pembersihan (cleansing), dan pemuatan (loading) data

dari sumber data ke dalam data warehouse.

2. Upflow adalah proses yang berhubungan dengan penambahan nilai ke

dalam data di dalam data warehouse melalui peringkasan, pemadatan,

dan pendistribusian data.

3. Downflow adalah proses mengarsip dan membuat back-up data dalam

data warehouse.

4. Outflow adalah proses membuat data agar tersedia bagi end-user.

5. Metaflow adalah proses yang berhubungan dengan manajemen

metadata.

2.1.9 Metodologi Perancangan Data Warehouse

Terdapat 9 metodologi dalam perancangan data warehouse

menurut Kimball (1996) yang dikutip oleh Connolly dan Begg

(2005,p1187) yang dikenal dengan nine-step methodology yaitu :

1. Memilih Proses (Choossing the Process)

Proses (fungsi) merujuk pada subyek masalah dari data mart

tertentu.Data mart yang akan dibangun harus sesuai anggaran dandapat

menjawab masalah-masalah bisnis yang penting.

Page 15: BAB 2 Fix Banget

23

2. Memilih Grain (Choosing the Grain)

Memilih grain berarti menentukan hal yang sebenarnya

dihadirkan oleh tabel fakta, dimensi-dimensi untuk setiap tabel fakta

dapat diidentifikasi.

3. Identifikasi dan membuat dimensi yang sesuai (Identifying and

Conforming the Dimensions)

Mengidentifikasi dimensi disertai deskripsi detil yang secukupnya.

Ketika tabel dimensi berada pada dua atau lebih datamart, maka tabel

dimensi tersebut harus mempunyai dimensi yang sama atau salah satu

merupakan subset dari yang lainnya. Jika suatu tabel dimensi digunakan

oleh lebih dari satu data mart, maka dimensinya harus disesuaikan.

4. Memilih Fakta (Choosing the Fact)

Memilih fakta yang akan digunakan dalam data mart. Semuafakta

harus ditampilkan pada tingkat yang diterapkan oleh grain dan fakta juga

harus numerik dan aditif.

5. Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-

calculations in the Fact Table )

Ketika fakta telah dipilih, maka setiap fakta tersebut harus diuji

apakah ada fakta yang dapat menggunakan pre-kalkulasi, setelah itu

lakukan penyimpanan pada tabel fakta.

Page 16: BAB 2 Fix Banget

24

6. Melengkapi Tabel Dimensi (Rounding Out the Dimensions Table)

Menambahkan sebanyak mungkin deskripsi teks pada

tabeldimensi.Deskripsi tersebut harus intuitif dan dapat dimengerti oleh

user.

7. Memilih Durasi dari Database (Choosing the Duration of the

Database)

Menentukan batas waktu dari umur data yang diambil dan

akandipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua

tahun lalu atau lebih diambil dan dimasukkan dalam tabel fakta.

8. Melacak Perubahan dari Dimensi Secara Perlahan (Tracking

Slowly Changing Dimensions)

Perubahan dimensi yang lambat menjadi sebuah masalah. Ada 3

tipe dasar dari perubahan dimensi yang lambat, yakni:

a. Perubahan atribut dimensi yang ditulis (overwrite).

b. Perubahan atribut dimensi yang mengakibatkan pembuatan suatu

record dimensi baru.

c. Perubahan atribut dimensi yang mengakibatkan sebuah alternative

dibuat, sehingga kedua atribut tersebut yakni atribut yang lama dan

yang baru dapat diakses secara bersamaan dalam sebuah dimensi yang

sama.

Page 17: BAB 2 Fix Banget

25

9. Memutuskan Pioritas dan Cara Query (Deciding the Query

Priorities and the Query Modes)

Mempertimbangkan pengaruh dari perancangan fiskal yang

akanmempengaruhi persepsi user terhadap data mart. Selain itu,

perancangan fiskal akan mempengaruhi masalah administrasi, backup,

kinerja, pengindeksan, dan keamanan.

2.1.10 Extract, Transform, Loading (ETL)

Menurut Dyche (2000, p157) ada tiga proses pemindahan data dari

lingkungan operasional ke data warehouse, yaitu :

1. Extraction

Menurut Kimball dan Ross (2002, p8), extraction adalah langkah

pertama dalam proses mendapatkan data ke dalam lingkungan data

warehouse.

Menurut Dyche (2000, p157), data ditemukan dan dipindahkan

dari sistem operasional ke data warehouse atau platform transformasi.

2. Transformation

Menurut Kimball dan Ross (2002, p8), setelah data di-extract, ada

sejumlah transformation yang mungkin dilakukan, seperti melakukan

cleansing data (memperbaiki kesalahan pengejaan kata, mengatasi

masalah elemen yang hilang, atau mengubah ke bentuk standar),

mengkombinasikan data dari berbagai sumber, dan memberikan

warehousekeys.

Page 18: BAB 2 Fix Banget

26

3. Loading

Menurut Kimball dan Ross (2002, p8), setelah melakukan

transformasi, maka data dapat dimuat ke dalam data warehouse.

Menurut Tod Saunders (2009, p19), Dalam data warehouse, salah

satu bagian terbesar dalam pengembangan adalah proses ETL

(extract,transform dan loading) yang berarti mengambil data dari titik A

(sourcesystem), kemudian mentransformasi data (contohnya mengubah

euro menjadi US dollar) dan loading ke titik B (tabel yang benar dalam

datawarehouse).

2.1.11 Konsep Pemodelan Data Warehouse

a. Model Dimensional

Menurut Kimball (2002, p16), Dimensional modeling adalah suatu

metode desain yang merupakan peningkatan darimodel relasional biasa

dan teknik rekayasa realitas data teks danangka.

Menurut Kimball (2002, p18), Dalam membuat desain

dimensional digunakan 4 langkah :

1. Menentukan sumber data.

2. Mendeklarasi grain dari tabel fakta.

3. Masukkan dimensi untuk semua yang diketahui mengenai grain ini.

4. Masukkan fakta ukuran numerik sebenarnya ke grain tersebut.

Page 19: BAB 2 Fix Banget

27

b. Tabel Fakta dan Tabel Dimensi

Menurut Kimball (2008, p10), Tabel fakta merupakan fondasi dari

data warehouse. Tabel fakta mengandung ukuran fundamental dari

perusahaan, dan ia merupakan target utama dari kebanyakan query data

warehouse.

Menurut Connolly dan Begg (2005, p1183), Tabel fakta

merupakan sebuah tabel yang memiliki sebuah compositeprimary key

dimana tabel tersebut akan membentuk sebuah model dimensional.

Menurut Connolly dan Begg (2005, p1183), Tabel dimensi

merupakan sekumpulan dari tabel-tabel yang lebih kecil yang memiliki

sebuah primary key sederhana yang merespon secara benar terhadap salah

satu komponen dari composite key yang ada dari tabel fakta.

c. Skema Bintang (Star Schema)

Menurut Connolly dan Begg (2005, p1183), Skema bintang

merupakan sebuah struktur logikal yang memiliki sebuah tabel fakta yang

terdiri dari data faktual di pusatnya, yang dikelilingi oleh tabel dimensi

yang terdiri data referensi (dimana dapat didenormalisasi).

Menurut Ponniah (2001, p210), Star schema adalah teknik dasar

desain data untuk data warehouse. Struktur star schema adalah suatu

struktur yang dapat dengan mudah dipahami dan digunakan oleh user.

Struktur tersebut mencerminkan bagaimana user biasanya

memandang ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang

ada.

Page 20: BAB 2 Fix Banget

28

Menurut Hoffer et al (2005, p467), Star schema terdiri dari dua

macam tabel, yaitu tabel fakta (fact table) dan tabel dimensi (dimension

table). Tabel fakta mengandung fakta atau data kuantitatif mengenai

sebuah bisnis seperti jumlah unit terjual, jumlah order, dan

sebagainya.Tabel dimensi berisi data deskriptif mengenai subjek bisnis.

Tabel dimensi biasanya adalah sebagai sumber attribute yang digunakan

untuk mengkualikasi, mengkategorikan, atau meringkas fakta dalam

query, report, atau grafik.

Gambar 2.6 Contoh star schema

Keuntungan star schema:

1. Mudah dipahami user

Star schema menggambarkan dengan jelas bagaimana user

berpikir dan memerlukan data untuk query dan analisis. Star schema

menggambarkan hubungan antar tabel sama seperti cara user melihat

hubungan tersebut secara normal.

Page 21: BAB 2 Fix Banget

29

2. Mengoptimalkan navigasi

Star schema mengoptimalisasikan navigasi melalui database

sehingga lebih mudah dilihat. Meskipun hasil query terlihat kompleks,

tetapi navigasi itu memudahkan user.

3. Paling cocok untuk pemrosesan query

Star schema paling cocok untuk pemrosesan query karena skema

ini berpusat pada query. Tanpa bergantung pada banyak dimensi dan

kompleksitas query, setiap query akan dengan mudah dijalankan, pertama

dengan memilih baris dari tabel dimensi dan kemudian menemukan baris

yang sama di tabel fakta.

d. Skema Snowflake (Snowflake Schema)

Menurut Ponniah (2001, p235), Snowflake schema merupakan

variasi lain dari skema bintang dimana tabel dimensidari skema bintang

dinormalisasi, seperti yang digambarkanpada gambar 2.12. Prinsip dasar

dari skema ini tidak jauhberbeda dari star schema.Dalam menormalisasi

tabel dimensi,ada beberapa pilihan yang dapat diperhatikan, antara lain :

1. Secara parsial, lakukan normalisasi hanya beberapa tabel dimensi saja,

dan sisakan yang lain tetap utuh.

2. Secara lengkap atau parsial, lakukan normalisasi hanya pada beberapa

tabel dimensi, dan tinggalkan yang tersisa dengan utuh.

3. Secara parsial, lakukan normalisasi pada setiap tabel dimensi.

4. Secara lengkap, lakukan normalisasi pada setiap tabel dimensi.

Page 22: BAB 2 Fix Banget

30

Menurut Connolly dan Begg (2005, p1184), Skema snowflake

merupakan sebuah variasi dari skema bintang dimana tabel dimensi tidak

mengandung data denormalisasi.Tabel dimensi diperbolehkan memiliki

tabel dimensi lainnya.

Keuntungan snowflake schema:

a. Ukuran penyimpanan kecil di dalam tempat penyimpanan.

b. Struktur yang normal lebih mudah untuk di-update dan dijaga.

Kerugian snowflake schema:

a. Skemanya kurang intuitif atau jelas dan end-user terhambat oleh

kompleksitas.

b. Sulit untuk mencari isi skema karena terlalu kompleks.

c. Performa query menurun karena adanya tambahan gabungan tabel.

Gambar 2.7 Contoh snowflake schema

Page 23: BAB 2 Fix Banget

31

e. Skema Starflake (Starflake Schema)

Menurut Connolly dan Begg (2005, p1185), Skema starflake

merupakan sebuah struktur gabungan yang terdiri dari sebuah skema

bintang gabungan dan sebuah skema snowflake.

Gambar 2.7 Contoh starflake schema

2.1.12 Balanced Scorecard

Menurut Mulyadi (2001:1) menyatakan bahwa “Balance

Scorecard” berasal dari dua kata, yaitu kartu skor dan berimbang. Kartu

skor adalah kartu yang digunakan untuk mencatat skor hasil kinerja

seseorang. Kartu skor juga dapat digunakan untuk merencanakan skor

yang hendak diwujudkan untuk personel di masa depan. Kata berimbang

dimaksudkan untuk mewujudkan bahwa kinerja personel diukur secara

berimbang dari dua aspek yaitu keuangan dan ekstern.