7 

 

BAB 2

LANDASAN TEORI

2.1 Data

Menurut O’Brien (2004, p13) Data adalah fakta mentah atau observasi–

observasi, secara tipe–tipe fenomena–fenomena secara fisik atau transaksi bisnis. Jadi,

data merupakan fakta atau gambaran mentah tentang kejadian, kegiatan dan transaksi

yang disimpan namun belum terorganisir sehingga belum memiliki suatu arti khusus

Menurut William dan Sawyer (2007, p25) data terdiri dari fakta-fakta dan

gambar mentahan yang akan diproses menjadi informasi. Misalnya, suara untuk

kandidat pemilu berbeda-beda.

2.2 Database

Menurut William dan Sawyer (2007,p416) database adalah kumpulan data yang

saling berhubungan, diatur secara logis, yang dirancang dan dibangun untuk tujuan

khusus sebuah teknologi untuk mengumpulkan banyak fakta yang memungkinkan anda

memotong membuang, dan menggabungkan serta memasangkan data dengan beragam

cara.

Menurut Inmon (2005, p493) database adalah kumpulan data yang saling

berhubungan yang disimpan (dikendalikan, redudansi yang terbatas) sesuai dengan

sebuah skema. Sebuah database bisa menyediakan aplikasi tunggal atau ganda.

8 

 

2.3 Dashboard

Menurut Scheps (2008, p95) dashboard merupakan keturunan langsung dari EIS

lama dan sistem DSS, dengan meningkatkan fungsional dan penampilan. Karena mereka

terhubung dengan sistem data yang kuat dan memanfaatkan KPI.

Menurut Scheps (2008,p97) Tiga jenis dashboard yaitu :

• Tactical Dashboard

Mengukur produktivitas jangka pendek dan efektivitas. Hasilnya sering

digunakan oleh contributor individu.

• Operational Dashboard

Mengukur efektivitas jangka pendek dari fungsi bisnis yang spesifik pada

tim atau level unit bisnis. Level dashboard ini dapat secara potensial

dikembangkan untuk seorang knowledge worker atau local team manager.

• Strategic Dashboard

Dibangun untuk level pengaturan kebijakan dari organisasi. Dashboard

menampilkan metric yang menggambarkan strategi dan tujuan korporasi.

2.4 Key Performance Indicator

Menurut Scheps (2008, p303) Key Performance Indicator adalah metric dan

pengukuran yang mengindikasi apakah perusahaan hidup atau mati. Mengukur dan

merawat KPI adalah sasaran utama dari beberapa solusi Business Intelligence.

9 

 

2.5 OLAP (Online Analytical Processing)

Menurut Scheps (2008,p68) Online Analytical Processing adalah sebuah konsep

data multidimensional dengan mengkonseptualisasi data transaksional perusahaan.

Bukan hanya mengagregasi dan meringkas data, OLAP memberikan kemampuan pada

sistem BI untuk melihat data dengan cara baru.

Gambar 2.1 Online Analytical Processing

2.5.1 Arsitektur OLAP

Sistem OLAP mempunyai dua kategori yaitu

• OLAP Cube

Menurut Scheps (2008, p77) Di lingkungan OLAP, cube adalah

penyimpan data terspesialisasi dirancang secara spesifik untuk

menangani data ringkasan multidimensional (multidimensional

10 

 

summary data). Data cube disimpan di cells. Strukturnya seperti 3D

spreadsheet.

Gambar 2.2 Cube

2.5.2 OLAP Access Tools

Lingkungan client yang memungkinkan pengguna untuk mengutak-atik

data cube dan akhirnya menghasilkan Business Intelligence yang berarti dari

berbagai sudut pandang dan dapat lebih dari satu sudut pandang.

2.6 Data Warehouse

Menurut Connoly (2005, p1047) Data warehouse adalah sebuah kumpulan data

yang bersifat subject oriented, integrated, time – variant, non volatile untuk mendukung

proses pengambilan keputusan managemen.

Menurut William dan Sawyer (2007,p432) data warehouse adalah database

khusus untuk data dan meta data yang sudah dibersihkan. Data warehouse adalah

salinan atau reproduksi data yang mirip dengan data yang ada pada mainframe.

11 

 

2.6.1 Karakteristik Data Warehouse

Menurut Inmon (2002, p32) Data Warehouse memiliki empat

karakteristik utama yaitu :

• Subject Oriented

Data warehouse yang bersifat subject oriented artinya data warehouse

dirancang untuk menganalisa data berdasarkan subject-subject tertentu dalam

organisasi, bukan pada proses atau fungsi aplikasi tertentu. Data warehouse

diorganisasikan di sekitar subjek utama dari perusahaan (customer, product, dan

sales) dan tidak diorganisasikan pada area aplikasi utama. Hal ini dikarenakan

kebutuhan data warehouse untuk menyimpan data yang bersifat sebagai

penunjang keputusan, daripada aplikasi berorientasi terhadap data.

• Integrated

Data warehouse dapat menyimpan data–data yang berasal dari sumber–

sumber yang terpisah ke dalam suatu format yang konsisten dan saling

terintegrasi satu dengan yang lainnya. Syarat integrasi sumber data dapat

dipenuhi dengan berbagai cara seperti konsisten dalam penamaan variabel,

konsisten dalam ukuran variabel, konsisten dalam struktur pengkodean dan

konsisten dalam atribut fisik dari data.

• Time Variant

Model analisis yang diterapkan pada sebuah data warehouse berfokus pada

perubahan data actual berdasarkan waktu. Dalam hal ini data warehouse harus

mampu menyimpan data untuk suatu objek tertentu dalam kurun waktu yang

12 

 

berbeda-beda. Waktu merupakan bagian data yang sangat penting di dalam data

warehouse.

• Non–Volatile

Karakteristik non-volatile dari data warehouse berarti data pada data

warehouse tidak dapat di update secara real time tetapi di refresh dari sistem

oprasional secara regular. Data yang baru selalu ditambahkan sebagai suplemen

bagi database itu sendiri dari pada sebagai perubahan. Database tersebut secara

kontinu menyerap data baru ini, kemudian secara incremental disatukan dengan

data sebelumnya.

2.6.2 Struktur Data Warehouse

Menurut Inmon (2002,p35) Data warehouse memiliki level kedetailan

data dalam struktur data warehouse yaitu :

• Old Detail Data

Merupakan data historis dari current detail data, dapat berupa hasil

cadangan atau archive data yang di simpan dalam storage terpisah. Karena

bersifat back up, maka biasanya data disimpan dalam storage alternatif

seperti tape – desk.

• Current Detail Data

Merupakan data rinci yang aktif saat ini, mencerminkan keadaan yang

sedang berjalan dan merupakan level terendah dalam data warehouse. Di

dalam area ini warehouse menyimpan seluruh rincian data yang terdapat

pada skema basis data.

13 

 

• Lightly Summarized Data

Data ini merupakan ringkasan atau rangkuman dari current detailed data.

data ini dirangkum berdasarkan periode atau dimensi lainnya sesuai dengan

kebutuhan. Ringkasan dari current detail data belum bersifat total summary.

Data–data ini memiliki rincian tingkatan yang lebih tinggi dan mendukung

warehouse pada tingkat departemen. Tingkatan data ini disebut juga dengan

datamart. Akses terhadap data jenis ini banyak digunakan untuk view suatu

kondisi yang sedang atau sudah berjalan.

• Highly Summarized Data

Merupakan tingkat lanjutan dari lightly summarized data, hasil ringkasan

bersifat totalitas, dapat diakses untuk melakukan analisa perbandingan data

berdasarkan urutan waktu tertentu dan analisis menggunakan multidimensi.

2.7 Metadata

Menurut Inmon (2002, p113) Metadata telah menjadi bagian dari lingkungan

pengolahan informasi selama telah ada program dan data. Tetapi di dunia data

warehouse, meta data memungkinkan pengguna/analis DSS untuk menavigasi melalui

kemungkinan. Dengan kata lain, ketika pengguna mendekati data warehouse yang tidak

mempunyai metadata, pengguna tidak tahu darimana memulai untuk menganalisa.

Pengguna harus membongkar dan menyelidiki data warehouse untuk menemukan data

apa yang ada disana dan data apa yang tidak ada, membuat banyak waktu yang terbuang.

14 

 

Menurut Kimball (2002, p14) Metadata adalah semua informasi dalam

lingkungan data warehouse yang bukan merupakan data itu sendiri. Metadata ini hampir

sama dengan sebuah ensiklopedia untuk data warehouse.

2.8 Data Mart

Menurut Connoly (2005, p1067) Data mart adalah sebuah subset dari sebuah

data warehouse yang mendukung kebutuhan–kebutuhan dari sebuah departemen khusus

atau fungsi bisnis.

Menurut Scheps (2008, p208) Data mart dapat menerima data dari data

warehouse, atau secara langsung dari sistem transaksional. Datamart dapat

menampilkan transformasi dan kalkulasi pada data yang sama dengan data warehouse.

Tapi datamart selalu terbatas pada ruang lingkupnya dan tujuan bisnis.

Menurut English (1999, p469) Data mart adalah sebuah subset data

perusahaan beserta perangkat lunak untuk mengambil data dari sebuah gudang data

atau tempat penyimpanan data operasional, meringkas, menyimpan, untuk menganalisa

dan menyajikan informasi yang mendukung analisa kecenderungan dan keputusan taktis.

2.9 Activity Diagram

Menurut Satzinger (2005,p144) Activity diagram adalah tipe dari workflow

diagram yang mendeskripsikan aktivitas user dan aliran sequensial. Yang memiliki

symbol Synscronization bar adalah symbol yang digunakan pada activity diagram untuk

mengkontrol pembagian dari bagian suquensial. Swimlane adalah daerah kotak

pada activity diagram yang meggambarkan aktivitas yang dilakukan oleh single agent

15 

 

2.10 Snowflake Schema

Menurut Scheps (2008, p277) Snowflake Schema terkait erat dengan star schema

yang model data terpusat pada tabel fakta pusat. Tapi skema ini menangani dimensinya

sedikit berbeda, beberapa dimensi dinormalisasi untuk menyimpan tempat dan

mengurangi redundancy.

Gambar 2.3 Snowflake Schema (Scheps, 2008, p277)

2.11 Data Mining

Menurut Hoffer,Prescott,&Topi  (2009, p545) Data Mining adalah sebuah

penemuan pengetahuan menggunakan sebuah paduan teknik yang kompleks dari

traditional statistik, kecerdasan buatan (artificial intelligence), dan grafis dari komputer. 

16 

 

Menurut Vercellis (2009, p77) Data Mining adalah Sebuah proses berulang

bertujuan untuk menganalisa database yang besar dengan tujuan penggalian informasi

dan pengetahuan yang berkaitan dengan pengambilan keputusan dan pemecahan

masalah.

2.12 Online Transactional Processing

Menurut Kimball (2002, p408) OLTP adalah semua kegiatan dan sistem yang

terkait dengan memasukkan data yang dapat dipercaya ke dalam sebuah

database. OLTP paling sering digunakan mengacu pada database relasional,

meskipun OLTP dapat digunakan secara umum untuk menggambarkan setoap proses

transaksi.

Menurut Stair & Reynolds (2010) OLTP suatu bentuk pengolahan data dimana

setiap transaksi diproses dengan segera, tanpa penundaan mengumpulkan transaksi ke

dalam batch. Memiliki karateristik dengan jumlah data yang besar namun transaksi yang

dilakukan cukup sederhana seperti insert, update, dan delete. Hal utama yang menjadi

perhatian dari sistem yang dilakukan OLTP adalah melakukan query secara cepat dan

dat mudah untuk diperbaiki dan dapat diakses.

2.13 Business Intelligence

Menurut Turban at all (2011, p28) Business Intelligence adalah istilah sebuah

payung yang mengambungkan arsitektur, tools, database, analytical tools, aplikasi dan

metodolagi. Tujuan utama BI adalah dapat mengakses data secara interaktif (kadang –

17 

 

kadang dalam real time), untuk dapat memanipulasi data dan memberikan manager bisni

dan analis kemampuan unttuk mengadakan analisa yang sesuai.

Menurut Moss (2003, p4) Business Intelligence bukanlah merupakan sebuah

produk atau sebuah sistem. BI adalah sebuah arsitektur dan sebuah kumpulan

operasional yang terintegrasi sebaik aplikasi pendukung keputusan dan database yang

menyediakan akses yang mudah bagi komunikasi bisnis ke data bisnis. Business

Intelligence Roadmap secara khusus menunjukkan aplikasi dan database pendukung

keputusan.

Menurut Williams (2007,2) Business Intelligence adalah kombinasi produk,

teknologi dan metodologi untuk mengorganisasi informasi yang dibutuhkan managemen

untuk mengembangkan keuntungan dan peforma.

2.13.1 Langkah-Langkah Pembuatan Business Intelligence

Stage 1. Justification (mengukur kebutuhan bisnis yang menimbulkan proyek

pembangunan baru)

Step 1 : Business Case Assessment

Masalah bisnis atau peluang bisnis di definisikan dan sebuah solusi BI diusulkan.

Setiap aplikasi BI harus disesuaikan dengan biaya dan menjelaskan keuntungan

secara jelas tentang penyelesaian masalah bisnis atau mengambil keuntungan

dari peluang bisnis.

Yang terdiri dari aktivitas yaitu:

• Menentukan kebutuhan bisnis

• Mengukur solusi dari sistem pendukung

• Mengukur sumber operasional dan prosedur-prosedur

18 

 

• Mengukur pesaing BI pendukung keputusan

• Determinasi sasaran aplikasi BI

• Mengajukan solusi BI

• Menampilkan analisis biaya – keuntungan

• Menampilkan pengukuran resiko

Stage 2. Planning (mengembangkan strategi dan rencana taktis, dimana tampilan

engineering project akan diselesaikan dan disebarkan)

Step 2 : Enterprise Infrastructure Evaluation

Sebuah infrastruktur perusahaan harus mendukung aplikasi BI. Beberapa

komponen infrastruktur harus sudah siap sebelum projek BI pertama dimulai.

Komponen infrastruktur yang lain harus dikembangkan sepanjang waktu sebagai

bagian dari projek BI. Sebuah infrastruktur perusahaan mempunyai dua

komponen:

1. Infrastruktur teknikal, dimana termasuk perangkat keras, perangkat lunak,

middleware, database management systems, sistem operasi, komponen–

komponen jaringan, penyimpanan metadata, alat pendukung, dan lainnya.

Terdiri dari aktivitas yaitu:

• Mengukur platform yang ada

• Mengevaluasi dan memilih produk baru

• Menulis laporan pengukuran infrastruktur teknikal

• Memperluas platform sekarang ini

2. Infrastruktur nonteknikal, dimana termasuk standar– standar metadata,

standart penamaan data, model data-data logical perusahaan, metodologi,

19 

 

panduan prosedur pengujian, proses pengawasan perubahan, prosedur untuk

masalah–masalah managemen dan penyelesaian masalah, dan lain–lain.

Terdiri dari aktivitas yaitu:

• Mengukur keefektivitasan komponen infrastruktur non teknikal yang ada

• Menulis laporan pengukuran infrastruktur non teknikal

• Mengembangkan infrastruktur nonteknikal

Step 3 : Project Planning

Projek pengambilan keputusan BI sangat dinamis. Mengubah ruang lingkup,

staff, anggaran, teknologi, gambaran bisnis, dan sponsor–sponsor bisa sangat

berdampak pada kesuksesan sebuah projek. Karena itu perencanaan projek harus

rinci dan perkembangan sesungguhnya harus dengan dekat diawasi dan

dilaporkan.

Terdiri dari aktivitas yaitu:

• Menentukan kebutuhan proyek

• Menentukan kondisi sumber file dan database

• Menentukan atau revisi estimasi biaya

• Revisi pengukuran resiko

• Identifikasi factor sukses utama

• Membuat rencana proyek tingkat tinggi

• Kerjakan proyek

Stage 3. Business Analysis (menampilkan rincian analisis dari masalah bisnis

atau kesempatan bisnis untuk memperoleh sebuah pengertian penuh dari

kebutuhan bisnis untuk sebuah solusi yang potensial (produk)

20 

 

Step 4 : Project Requirements Definition

Mengelola batasan projek adalah salah satu pekerjaan yang paling sulit dalam

projek pengambilan keputusan BI. Keinginan untuk memiliki segalanya dengan

cepat sulit untuk dibatasi, namun membatasi keinginan adalah salah satu aspek

penting dari negosiasi kebutuhan yang dapat disampaikan. Tim–tim proyek

seharusnya mengharapkan kebutuhan– kebutuhan ini mengubah seluruh siklus

pengembangan seperti orang–orang bisnis belajar lebih tentang kemungkinan–

kemungkinan dan batasan–batasan dari teknologi BI selama proyek.

Terdiri dari aktivitas yaitu:

• Mendefinisikan kebutuhan tambahan infrastruktur teknikal

• Mendefinisikan kebutuhan tambahan infrastruktur non teknikal

• Mendefinisikan kebutuhan laporan

• Mendefinisikan kebutuhan sumber data

• Meninjau ruang lingkup proyek

• Memperluas logical data model

• Mendefinisikan persetujuan preliminary service level

• Menulis dokumen kebutuhan aplikasi

Step 5 : Data Analysis

Tantangan terbesar dari keseluruhan projek pengambilan keputusan BI adalah

kualitas dari sumber data. Kebiasaan buruk dikembangkan lebih dari beberapa

dekade sulit untuk dipatahkan dan hasil kerusakan dari kebiasaan buruk itu

sangat mahal, memakan waktu, dan melelahkan untuk ditemukan dan di

betulkan. Sebagai tambahan analisis data di masa lalu dibatasi pada satu

21 

 

pandangan bisnis dan tidak pernah digabungkan atau diselesaikan dengan

pandangan lain pada organisasi. Langkah ini mengambil sebuah presentaasi

signifikan dari waktu yang diberikan untuk seluruh jadwal proyek.

Terdiri dari aktivitas yaitu:

• Menganalisis sumber data eksternal

• Memperbaiki logical data model

• Menganalisis kualitas sumber data

• Memperluas enterprise logical data model

• Menyelesaikan perbedaan data

• Menulis spesifikasi pembersihan data

Step 6 : Application Prototyping

Analisis dari penyampaian fungsional, dimana digunakan untuk bisa disebut

sebagai analisis sistem adalah yang terbaik selama prototyping sehingga bisa

digabungkan dengan perancangan aplikasi. Peralatan baru dan bahasa

pemrograman memungkinkan pengembang membuktikan secara relatif cepat

atau menyanggah sebuah konsep atau ide. Prototyping juga mengijinkan orang–

orang bisnis untuk melihat potensi dan keterbatasan dari teknologi, dimana

memberikan mereka sebuah peluang untuk menyesuaikan kebutuhan proyek

dan harapannya.

Terdiri dari aktivitas yaitu:

• Menganalisis kebutuhan akses

• Menentukan ruang lingkup prototype

• Memilih tools untuk prototype

22 

 

• Menyiapkan prototype charter

• Merancang laporan dan queries

• Membangun prototype

• Menampilkan prototype

Step 7 :Meta Data Repository Analysis

Mempunyai peralatan yang lebih banyak berarti mempunyai teknik meta data

yang lebih banyak sebagai tambahan business meta data, yang mana biasa

ditangkap dalam sebuah perangkat pemodelan computer-aided software

engineering (CASE). Teknik metadata perlu digambarkan pada bisnis metadata

dan semua metadata harus disimpan pada sebuah penyimpanan metadata.

Penyimpanan metadata bisa diijinkan (dibeli) atau dibangun. Dalam kasus

lainnya, kebutuhan–kebutuhan untuk tipe metadata yang diperoleh dan

disimpan seharusnya didokumentasikan didalam sebuah logical meta model.

Saat mengijinkan produk penyimpanan metadata, kebutuhan–kebutuhan

tersebut didokumentasikan pada logical meta model harus dibandingkan dengan

meta model milik vendor, jika vendor menyediakan. Sebagai tambahan

kebutuhan–kebutuhan penyampaian metadata kepada komunitas bisnis harus

dianalisa (contoh, fungsi bantuan online).

Terdiri dari aktivitas yaitu:

• Menganalisis kebutuhan metadata repository

• Menganalisis kebutuhan interface untuk metadata repository

• Menganalisis akses metadata repository kebutuhan laporan

• Membuat logical data model

23 

 

• Membuat meta-meta data

Stage 4. Design (memahami produk yang menyelesaikan masalah bisnis atau

memungkinkan peluang bisnis)

Step 8 : Database Design

Satu atau lebih target database BI akan menyimpan data bisnis dalam bentuk

rinci atau kumpulan, bergantung pada kebutuhan laporan dari komunitas bisnis.

Tidak semua laporan kebutuhan strategis, dan tidak semua multidimensional.

Skema perancangan database harus mencocokkan kebutuhan– kebutuhan

pengaksesan informasi dari komunitas bisnis.

Terdiri dari aktivitas yaitu:

• Meninjau lagi kebutuhan data akses

• Menentukan agregasi dan ringkasan kebutuhan

• Merancang BI target database

• Merancang struktur database physical

• Mengembangkan perawatan prosedur database

• Menyiapkan monitor dan tune rancangan database

Step 9 : Extract/Transform/Load Design

Proses ETL adalah proses paling rumit dari seluruh proyek pendukung

keputusan BI. Itu juga salah satu yang paling tidak menarik. Kualitas yang

buruk dari sumber data biasanya memerlukan banyak waktu untuk menjalankan

transformasi dan program pembersihan. Menyelesaikan proses ETL dengan

sejumlah window yang tersedia adalah sebuah tantangan bagi kebanyakan

organisasi.

24 

 

Terdiri dari aktivitas yaitu:

• Membuat dokumentasi pemetaan sumber ke target

• Mencoba fungsi tool ETL

• Merancang aliran proses ETL

• Merancang program ETL

• Set up ETL staging area

Step 10 : Metadata Repository Design

Jika sebuah penyimpanan meta data diizinkan, mungkin kebanyakan harus

ditingkatkan dengan fitur yang didokumentasikan pada logical meta model tapi

tidak disediakan oleh produk. Jika sebuah penyimpanan meta data dibangun,

keputusan harus dibuat apakah perancangan database penyimpanan metadata

akan berdasarkan entity-relationsip atau object-oriented. Pada kasus lain,

perancangan harus memenuhi kebutuhan-kebutuhan dari logical meta model.

Terdiri dari aktivitas yaitu:

• Merancang meta data repository database

• Install dan test produk meta data repository

• Merancang proses migrasi meta data

• Merancang aplikasi meta data

Stage 5. Construction (membangun produk dimana harus menyediakan sebuah

return of investment dengan kerangka waktu yang sudah ditetapkan)

Step 11 : Extract/Transform/Load Development

Banyak alat tersedia untuk proses ETL, beberapa ada yang canggih dan

beberapa sederhana. Bergantung pada kebutuhan untuk membersihkan data dan

25 

 

menggubah data dibangun selama step 5, analisa data, dan step 9, merancang

ETL, sebuah alat ETL bisa atau tidak bisa menjadi solusi terbaik. Dalam kasus

lainnya, pemrosesan awal data dan penulisan tambahan untuk mendukung

kemampuan dari alat ETL sering dibutuhkan.

Terdiri dari aktivitas yaitu:

• Membangun dan uji coba unit proses ETL

• Integrasi dan regresi proses ETL

• Menampilkan uji coba proses ETL

• Jaminan kualitas uji coba proses ETL

• Pesetujuan uji coba proses ETL

Step 12 : Application Development

Usaha dari proses Prototyping menguatkan kebutuhan–kebutuhan fungsional,

pengembangan yang benar dari mengakses dan menganalisa aplikasi bisa

dimulai. Mengembangkan aplikasi bisa menjadi sebuah hal yang sederhana dari

menyelesaikan sebuah pemodelan operasional atau itu bisa menjadi sebuah

pengembangan yang lebih rumit dengan usaha yang berbeda, akses dan alat

analisa yang lebih kuat. Pada kasus lain, aktifitas pengembangan aplikasi front-

end ditampilkan paralel dengan aktifitas pengembangan back-end ETL dan

pengembangan penyimpanan meta data.

Terdiri dari aktivitas yaitu

• Menentukan kebutuhan final proyek

• Merancang program aplikasi

• Membangun dan uji coba unit program aplikasi

26 

 

• Uji coba program aplikasi

• Menyediakan akses data dan analysis training

Step 13 : Data mining

Banyak organisasi tidak menggunakan spesifikasi pengambilan keputusan BI

dengan jangkuan terluas. Aplikasi BI seringkali dibatasi dengan laporan –

laporan tertulis, beberapa dari itu bukan merupakan tipe laporan yang baru

melainkan menggantikan laporan lama. Masa pengembalian sebenarnya datang

dari informasi tersembunyi di dalam data–data organisasi, yang bisa diketahui

dengan peralatan data mining.

Terdiri dari aktivitas yaitu :

• Mengelompokan masalah bisnis

• Mengumpulkan data

• Konsolidasi dan membersihkan data

• Menyiapkan data

• Membangun model data analytical

• Menginterpretasikan hasil data mining

• Menampilkan hasil validasi eksternal

• Mengawasi waktu analisis data model

Step 14 : Meta Data Repository Development

Jika keputusan untuk membangun sebuah tempat penyimpanan meta data dari

pada yang berlisensi, sebuah team terpisah biasanya ditugaskan dengan proses

pengembangan. Ini menjadi sebuah sub proyek yang cukup besar dalam

keseluruhan projek BI.

27 

 

Terdiri dari aktivitas yaitu :

• Membangun database meta data repository.

• Membangun dan uji coba unit proses migrasi meta data.

• Membangun dan uji coba unit meta data proses migrasi.

• Membangun dan uji coba unit aplikasi meta data.

• Uji coba program meta data repository atau fungsi produk.

• Menyiapkan meta data repository untuk produksi.

• Menyediakan pelatihan meta data repository.

28 

 

  

 

 

 

 

 

 

 

 

 

Gambar 2.4 Steps of Business Intelligence (Larissa T.Moss, 2003, p26)

Justification

1 Business Case

Assessment

Planning 2 Enterprise

Infrastructure Evaluation

3 Project

Planning

Business Analysis

4 Project

Requirements Definition

5 Data

Analysis

6 Application Prototyping

7 Meta Data Repository Analysis

Design

9 ETL

Design

8 Database

Design 10

Meta Data Repository

Design

Construction

11 ETL

Development

13 Data

Mining

14 Meta Data Repository

Development

12 Application

Development

29 

 

2.14 Kerangka Pikir

 

Gambar 2.5 Tahapan Perancangan Aplikasi Business Intelligence