7

BAB 2

LANDASAN TEORI

2.1 Database

Sebelum dikenal database, penyimpanan data menggunakan pendekatan

berbasis file. Namun pendekatan ini memiliki kelemahan dalam pengaksesan data

dari dua atau lebih file karena data dari masing-masing file terpisah dan terisolasi.

Kelemahan lain dari pendekatan ini yaitu duplikasi data yang tidak terkontrol,

data dependence, misalnya diperlukannya suatu program baru untuk mengubah

struktur field, format file yang tidak compatible karena struktur file tergantung

aplikasi bahasa pemrograman, misalnya file hasil bahasa pemrograman C sulit

diproses bersama-sama dengan file hasil program COBOL. Selain itu, pendekatan

berbasis file mempunyai query yang tetap karena sangat tergantung pada program

aplikasi sehingga tidak dapat menangani query tambahan (Connoly, 2002, p12).

Dengan munculnya teknologi media penyimpanan data, yaitu Direct

Access Storage Device (DASD), cara penyimpanan dan pengaksesan data

berkembang pesat yang memicu timbulnya database (Inmon, 2002, p4). DASD

sendiri adalah media penyimpanan yang berbeda dengan magnetic type, di mana

pengaksesan ke sebuah data yang diinginkan dapat dilakukan secara langsung

begitu mengetahui alamat data tersebut dalam media penyimpanan, tanpa harus

melalui data lainnya.

8

2.1.1 Pengertian Data

Menurut Hall (2001, p14), data adalah fakta yang dapat atau tidak dapat

diproses (disuling, dirangkum atau diperbaiki) dan tidak berpengaruh secara

langsung pada user. Sebaliknya, informasi menyebabkan user melakukan suatu

tindakan yang dapat ia lakukan atau tidak dilakukan.

Berdasarkan ini dapat dilihat bahwa data merupakan suatu bentuk

keruangan yang belum diolah atau dimanipulasi. Data yang didapatkan pada suatu

perusahaan umumnya diperoleh dari hasil kegiatan operasi sehari-hari atau hasil

dari transaksi yang dilakukan.

2.1.2 Pengertian Database

Menurut Connolly (2002, p14), database adalah kumpulan data yang

berhubungan secara logikal, dan penjelasan dari data ini, dirancang untuk

menemukan informasi yang dibutuhkan oleh perusahaan. Sedangkan menurut

Wikipedia (http://en.wikipedia.org/wiki/Database), database merupakan

kumpulan elemen data atau fakta yang disimpan di komputer secara sistematis.

Berdasarkan pengertian database di atas, dapat disimpulkan bahwa

database merupakan kumpulan data yang berhubungan secara sistematis untuk

memenuhi kebutuhan informasi perusahaan. Dengan database, data bukan hanya

dapat digunakan oleh satu bagian perusahaan saja tapi dapat juga digunakan

secara bersama-sama oleh bagian lainnya.

9

2.1.3 Pengertian DBMS (Database Management System)

DBMS adalah sistem perangkat lunak yang memungkinkan user untuk

mendefinisikan, membuat, memelihara, dan mengontrol akses ke database

(Connoly, 2002, p16). Sedangkan menurut Wikipedia

(http://en.wikipedia.org/wiki/Database), DBMS adalah program komputer yang

digunakan untuk mengatur sebuah database.

Dari definisi DBMS di atas dapat disimpulkan bahwa DBMS merupakan

perangkat lunak yang digunakan untuk membuat struktur, memasukkan,

memelihara, mengatur dan mengakses data. Dibandingkan dengan pendekatan

berbasis file yang struktur fisikal dan penyimpanan datanya sangat tergantung

pada program aplikasi, pada pendekatan database, struktur fisikal dan

penyimpanan data diatur oleh DBMS.

2.2 Pengertian Data Mart dan Data Warehouse

2.2.1 Pengertian Data Mart

Data warehouse dan data mart didefinisikan dan digunakan secara

terpisah di dalam sistem data warehouse. Menurut Alex Berson (2000, p27), data

mart adalah kumpulan data yang lebih kecil dari data warehouse yang digunakan

untuk melakukan analisis bisnis di satu divisi. Data mart menurut Connoly (2002,

p1067) adalah bagian dari data warehouse yang mendukung kebutuhan dari

departemen atau fungsi bisnis tertentu.

Data mart dapat didefinisikan sebagai bagian yang lebih kecil dari data

warehouse yang berfokus dalam departemen atau fungsi bisnis tertentu. Dengan

10

demikian, jumlah data pada data mart lebih sedikit dari jumlah data pada data

warehouse.

2.2.2 Pengertian Data Warehouse

Terdapat bermacam-macam pengertian dari data warehouse, akan tetapi

pada dasarnya mempunyai inti yang sama. Minnesota Historical Society

(www.mnhs.org/preserve/records/dwintro.html) mengemukakan “Data

warehouses are computer based information systems that are home for

‘secondhand’ data that originated from either another application or from an

external system or source. Warehouses optimize database query and reporting

tools because of their ability to analyze data, often from disparate databases and

in interesting ways” yang mana artinya suatu sistem informasi berbasiskan

komputer yang merupakan tempat untuk data “secondhand” yang berasal baik itu

dari aplikasi lain ataupun dari sebuah sumber atau sistem eksternal.

Sedangkan Creative Data (www.credata.com/research/terminology.html)

mengartikan “A database built to support information access. Typically a data

warehouse is fed from one or more transaction databases. The data needs to be

cleaned and restructured to support queries, summaries, and analyses” yang

mana data warehouse dibangun untuk mendukung akses informasi. Data

warehouse menurut Peterson (2000, p54) adalah kumpulan dari seluruh data

perusahaan yang digunakan untuk melakukan analisis bisnis secara keseluruhan.

Jadi data warehouse merupakan kumpulan data baik yang berasal dari internal

ataupun eksternal perusahaan yang mendukung analisis bisnis secara keseluruhan.

11

2.3 Kegunaan Data Warehouse

Menurut Wikipedia (http://en.wikipedia.org/wiki/Data_warehouse),

berikut kegunaan data warehouse :

Pembuatan laporan

Pembuatan laporan adalah salah satu kegunaan data warehouse

yang paling umum. Dengan menggunakan query-query sederhana dalam

data warehouse, dapat dihasilkan informasi per tahun, per kuartal, per

bulan, atau bahkan per hari. Query-query tersebut digunakan dengan

tujuan memperoleh jawaban atas pertanyaan-pertanyaan khusus, seperti

kapan, siapa, di mana, dan sebagainya.

OLAP (Online Analytical Processing)

OLAP adalah proses per bagian untuk lingkungan data mart. Data

warehouse digunakan dalam melakukan analisa bisnis untuk menyelidiki

kecenderungan pasar dan faktor-faktor penyebabnya karena dengan

adanya data warehouse, semua informasi baik rincian maupun ringkasan

yang dibutuhkan dalam proses analisa mudah didapat. Dalam hal ini, data

warehouse merupakan tool yang handal untuk analisa data yang kompleks.

Data mining

Penggunaan data warehouse dalam pencarian pola dan hubungan

data, dengan tujuan membuat keputusan bisnis bagi para pihak manajemen.

Dalam hal ini, software dirancang untuk pola statistik dalam data untuk

mengetahui kecenderungan yang ada, misalnya kecenderungan pasar akan

suatu produk tertentu.

12

Proses informasi eksekutif

Data warehouse untuk mencari ringkasan informasi yang penting

dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi

keseluruhan data. Dengan menggunakan data warehouse, segala laporan

telah diringkas, dan dapat pula diketahui rinciannya secara lengkap,

sehingga mempermudah proses pengambilan keputusan, dan data pada

laporan data warehouse menjadi sangat informatif bagi user, dalam hal ini

pihak eksekutif.

2.4 Bentuk Data Warehouse

Menurut Prabowo (1996), terdapat 3 (tiga) bentuk data warehouse yaitu

functional data warehouse, centralized data warehouse, dan distributed data

warehouse. Berikut akan dijelaskan masing-masing bentuk data warehouse

tersebut.

2.4.1 Functional Data Warehouse

Functional data warehouse ini merupakan bentuk database yang mana

data warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masing-

masing fungsi yang ada dalam perusahaan, seperti fungsi financial / keuangan,

fungsi marketing/ pemasaran, fungsi kinerja personalia, dan lain-lain. Keuntungan

dari bentuk ini adalah sistem akan mudah dibangun dengan biaya yang relatif

murah. Kerugian dari penggunaan bentuk ini adalah resiko kehilangan konsistensi

data dan terbatasnya kemampuan user dalam hal pengumpulan data.

13

2.4.2 Centralized Data Warehouse

Centralized data warehouse ini merupakan database fisikal tunggal yang

memuat semua data untuk area fungsional yang khusus, departemen, divisi, atau

perusahaan. Data warehouse ini digunakan ketika terdapat kebutuhan akan data

informasional dan terdapat banyak end-user yang sudah terhubung ke komputer

pusat atau jaringan.

Bentuknya menyerupai functional data warehouse, akan tetapi sumber

datanya lebih dahulu dikumpulkan atau diintegrasikan pada suatu tempat terpusat,

baru kemudian data tersebut dibagi-bagi berdasarkan fungsi-fungsi yang

dibutuhkan oleh perusahaan. Bentuk data warehouse terpusat ini sering

digunakan oleh perusahaan-perusahaan yang belum mempunyai jaringan

eksternal. Keuntungan bentuk centralized data warehouse ini adalah data benar-

benar terpadu karena konsistensi yang tinggi. Namun demikian membutuhkan

waktu yang lama dan biaya yang mahal untuk membangun bentuk data

warehouse yang seperti ini.

2.4.3 Distributed Data Warehouse

Distributed data warehouse adalah data warehouse dimana komponen

tertentu dari data warehouse tersebut didistribusikan melewati sejumlah database

fisikal yang berbeda. Distributed data warehouse biasanya melibatkan data yang

paling teredundansi, dan sebagai akibatnya, menimbulkan proses load dan update

yang sangat kompleks.

14

Distibuted data warehouse ini menggunakan gateway yang berfungsi

sebagai jembatan antara lokasi data warehouse dengan workstation yang

menggunakan sistem yang beranekaragam, sehingga pada bentuk data warehouse

ini memungkinkan kita untuk mengakses sumber data yang terdapat di luar lokasi

perusahaan (eksternal). Bentuk data warehouse ini mempunyai kelebihan dalam

hal pengaksesan data dari luar perusahaan yang telah mengalami sinkronisasi

terlebih dahulu dan tetap terjaga konsistensinya. Tetapi bentuk ini juga

mempunyai kerugian yaitu merupakan bentuk yang paling mahal dan paling

kompleks untuk diterapkan karena sistem operasinya dikelola secara terpisah.

2.5 Karakteristik Data warehouse

Menurut Connoly (2002, p1047), karakteristik data warehouse adalah

nonvolatile, berorientasi subjek, time-variant dan terintegrasi. Dengan

karakteristik tersebut, data warehouse dapat mendukung proses pengambilan

keputusan oleh pihak manajemen.

Adapun karakteristik-karakteristik tersebut akan dijelaskan lebih rinci

pada uraian berikut.

2.5.1 Berorientasi Subjek

Data warehouse disusun berdasarkan subjek-subjek yang ada dalam

sebuah perusahaan, dan bukannya berorientasi pada proses atau fungsi aplikasi

tertentu. Dalam pengaksesan data user pun beorientasi pada subjek tertentu.

15

Informasi pada data warehouse ditampilkan berdasarkan subjek-subjek

atau area peminatan yang spesifik. Data dimanipulasi sedemikian rupa sehingga

menyediakan informasi mengenai sebuah subjek secara khusus.

2.5.2 Terintegrasi

Data warehouse harus terintegrasi karena sumber data yang digunakan

secara bersama-sama dalam data warehouse berasal dari sistem aplikasi

perusahaan yang berbeda-beda. Hal ini menyebabkan format data yang digunakan

berbeda-beda atau tidak konsisten.

Data dalam data warehouse disimpan dalam suatu format yang konsisten

(penamaan variable, ukuran-ukuran, atribut fisik). Sumber data yang terintegrasi

harus konsisten untuk menampilkan view data yang seragam bagi user.

2.5.3 Time Variant

Data yang terdapat dalam data warehouse hanya akurat dan valid pada

titik dalam periode atau interval waktu tertentu (semester, tahun fiskal, atau

kuartal). Hal ini membantu dalam membentuk pengertian bisnis, sebagai contoh,

data hasil penjualan produk X pada kuartal pertama tahun 2001 di kota B.

Dengan data warehouse dapat dihasilkan data historical. Data historical

tersebut dapat digunakan untuk perbandingan trend dan forecasting di masa yang

akan datang.

16

2.5.4 Non – volatile

Data warehouse bersifat read-only, tidak dapat di-update secara real time

tetapi dapat di-refresh dari sistem operasional. User tidak bisa mengubah data

yang terdapat di dalamnya. Data baru selalu ditambahkan sebagai suplemen ke

dalam database, bukan me-replace data yang sudah ada.

Pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu

loading data (mengambil data yang dibutuhkan dari data warehouse) dan akses

data (proses mengakses data warehouse), seperti melakukan Query atau

menampilkan laporan yang dibutuhkan. Dalam data warehouse tidak ada kegiatan

update data.

2.6 Struktur Data warehouse

Menurut Inmon (2002, p35) terdapat tingkat detil data yang berbeda dalam

data warehouse mulai dari current detail data, old detail data, lightly summarized

data dan highly summarized data. Tingkat detil data tersebut merupakan hasil

transformasi data yang terjadi pada jalur dari tingkat operasional menuju tingkat

data warehouse.

Perbedaan tingkat detil data ini dikenal dengan struktur data warehouse.

Di bawah ini akan dijelaskan lebih lanjut mengenai struktur data warehouse.

17

Gambar 2.1 Gambar Struktur Data warehouse

(Sumber : Inmon, 2002, p36)

2.6.1 Current Detail Data

Current detail data berisi data yang mencerminkan keadaan yang sedang

berjalan saat ini. Bagian ini sangat penting karena merefleksikan kejadian yang

sedang berlangsung dalam sebuah perusahaan. Berukuran sangat besar karena

merupakan tingkat terendah dan menyimpan semua informasi dan data yang ada

dalam perusahaan.

Current detail data menjadi perhatian utama, hal ini disebabkan karena:

merefleksikan kejadian yang sedang berlangsung dalam sebuah

perusahaan.

jumlah datanya sangat banyak dan disimpan pada tingkat penyimpanan

terendah.

biasanya disimpan dalam media penyimpanan agar cepat diakses tapi

mahal dan pengaturannya kompleks.

18

digunakan untuk merekapitulasi data sehingga current detail data harus

akurat.

2.6.2 Old Detail Data

Merupakan data histori dari perusahaan yang merupakan hasil back up

yang disimpan dalam media penyimpanan yang terpisah dan dapat diakses

kembali pada saat tertentu. Old detail data biasanya disimpan pada media

penyimpanan seperti tape disk karena pengaksesannya relatif jarang.

2.6.3 Lightly Summarized Data

Merupakan data detil yang di-summary dengan tingkat summary yang

sangat kecil. Misalnya informasi panggilan telepon di-summary menurut jam

panggilan telepon (Inmon, 2002, p50).

Fungsi summary dari informasi yaitu untuk mempercepat kerja query.

Biaya operasional dengan men-summary data memang meningkat namun hal ini

seimbang dengan hasilnya yang menghilangkan kebutuhan operasi summary

secara terus menerus (seperti sorting atau grouping) dalam query sehingga proses

menjadi lebih cepat. Data summary di-update secara terus menerus sebagai data

baru yang ditambahkan ke dalam data warehouse (Connolly, 2002, p1055).

2.6.4 Highly Summarized Data

Highly summarized data merupakan kumpulan data historis yang

dibutuhkan untuk mendukung keputusan strategis, sebagaimana halnya dengan

19

lightly summarized data. Highly summarized data bersama-sama dengan lightly

summarized data terlibat dalam data mart (Imhoff, 2003, p8).

Merupakan ringkasan yang bersifat totalitas, solid dan mudah diakses.

Highly summarized data digunakan untuk melakukan analisa perbandingan data

berdasarkan waktu dan analisis yang menggunakan multi dimensi.

2.6.5 Metadata

Metadata adalah data mengenai data, atau deskripsi struktur, isi, kunci,

indeks, dan deskripsi-deskripsi lainnya dari data (Inmon, 2002, p393). Metadata

memberikan definisi bagi data, perhitungan yang digunakan, informasi mengenai

dari mana data berasal (sistem sumber), apa yang dilakukan terhadap data

(transformasi, cleansing, algoritma integrasi), siapa yang menggunakan data,

kapan data digunakan, dan berbagai informasi lainnya mengenai data (Imhoff,

2003, p403).

Metadata menurut Connolly (2002, p1055) digunakan untuk berbagai

tujuan yaitu :

Proses ekstraksi dan loading – metadata digunakan untuk memetakan

sumber data ke view data dalam warehouse

Proses managemen warehouse – metadata digunakan untuk

mengotomatisasi produksi dari tabel summary

Sebagai bagian dari proses manajemen query – metadata digunakan untuk

mengarahkan query secara langsung ke sumber data yang paling tepat

20

Manajemen metadata dalam warehouse merupakan tugas yang sangat

kompleks dan sulit. Manajemen metadata merupakan permasalahan penting

dalam mencapai data warehouse yang terintegrasi. Tujuan utama dari metadata

adalah untuk menunjukkan jalur dari mana data berasal sehingga administrator

warehouse mengetahui historis data dalam warehouse (Connolly, 2002, p1065).

2.7 Arsitektur dan Infrastruktur Data Warehouse

2.7.1 Arsitektur Data Warehouse

Menurut Poe (1996, p24), arsitektur adalah sekumpulan aturan atau

struktur yang memberikan keterangan untuk keseluruhan rancangan suatu sistem

atau produk. Arsitektur data menyediakan kerangka ini dengan cara

mengidentifikasikan bagaimana data berpindah melalui sistem dan digunakan

dalam perusahaan. Komponen utama arsitektur data untuk data warehouse adalah

read-only database yang digunakan untuk mendukung pengambilan keputusan.

Menurut Connolly (2002, p1053), komponen-komponen yang terdapat

dalam arsitektur data warehouse yaitu

Data operasional, merupakan sumber data bagi data warehouse

Operational Data Store (ODS), merupakan tempat penyimpanan data

operasional yang terintegrasi, yang digunakan untuk analisis.

ODS dibuat ketika sistem operasional tidak mampu memenuhi syarat

untuk pembuatan laporan. Dengan membangun ODS, dapat membantu

dalam pembuatan suatu data warehouse karena ODS dapat men-supply

data yang telah diekstrak dari sumber data. Ini berarti bahwa kebutuhan

21

akan integrasi dan restruktur data bagi data warehouse telah

disederhanakan oleh ODS.

Load Manager, yang disebut juga komponen front-end, melakukan semua

operasi yang berhubungan dengan ekstraksi dan loading data ke dalam

warehouse

Warehouse Manager, melakukan semua operasi yang berhubungan

dengan manajemen data dalam warehouse

Query Manager, yang disebut juga komponen back-end, melakukan

semua operasi yang berhubungan dengan manajemen query user

Detailed Data, menyimpan semua data detil dalam skema database

Lightly dan Highly Summarized Data, menyimpan semua lightly

summarized data dan highly summarized data yang dihasilkan oleh

warehouse manager

Archive/Backup Data, menyimpan data detil dan summary untuk tujuan

archiving dan backup

Metadata, menyimpan semua definisi metadata yang digunakan oleh

semua proses dalam warehouse

22

Gambar 2.2 Gambar Arsitektur Data Warehouse

(Sumber : Connolly, 2002, p1053)

2.7.2 Infrastruktur Data Warehouse

Menurut Poe (1996, p54), pengertian infrastruktur adalah perangkat lunak,

perangkat keras, pelatihan dan komponen-komponen lain yang menyediakan

dukungan untuk mengimplementasikan arsitektur data warehouse. Infrastruktur

teknik berupa teknologi, platform, database, gateway dan komponen penting yang

mendukung arsitektur data warehouse yang dipilih.

Warehouse Manager

Metadata

Lightly summarized data

Detailed data

Highly summarized data

DBMS

Warehouse Manager

Query Manager

Load Manager

Data Operasional

sumber n

Data Operasional

sumber 1

Data Operasional

sumber 2

Operational Data Store (ODS)

Archive/ backup data

Reporting, query, application

development, and EIS tools

OLAP tools

Data mining tools

End-user access tools

23

Untuk mengaplikasikan sebuah arsitektur data warehouse dapat

diimplementasikan dengan beberapa cara yaitu menggunakan infrastruktur yang

berbeda. Arsitektur dan infrastruktur saling berkaitan erat dan saling mendukung

satu sama lain. Pengaruh dari lingkungan atau perusahaan juga secara otomatis

mempengaruhi pemilihan suatu infrastruktur yang akan dipilih (Poe, 1996, p51).

Pada data warehouse, biaya pembangunan infrastruktur tidak sebanding

dengan biaya pemeliharaannya. Biaya pemeliharaan data warehouse jauh

melebihi biaya infrastruktur awal (Inmon, 2002, p66). Walaupun infrastruktur

bagi data warehouse mahal dan sulit untuk dibangun, namun infrastruktur ini

hanya perlu dibangun sekali. Setelah selesai dibangun secara tepat, data

warehouse memberikan suatu dasar yang sangat fleksibel dan reusable bagi

perusahaan (Inmon, 2002, p45).

2.8 Teori Perancangan Data Warehouse

Komponen dasar dari data warehouse adalah tabel fakta dan tabel dimensi.

Komponen-komponen tersebut dapat digunakan dalam perancangan-perancangan

yang berbeda seperti perancangan skema bintang atau pun perancangan skema

snowflakes (Whalen, 2001, p236).

Menurut Kimball (2002, p30), urutan tahap-tahap perancangan logikal

data warehouse yaitu :

1. Memilih proses bisnis

User memegang peranan penting dalam pemilihan proses bisnis.

Ukuran performance data warehouse yang diharapkan oleh user

24

merupakan hasil dari proses pengukuran bisnis. Contoh proses bisnis

meliputi, pembelian bahan mentah, pemesanan, pengiriman, invoice, dan

persediaan.

Dengan berfokus pada proses bisnis, dan bukan pada departemen

bisnis, maka dapat dicapai informasi yang konsisten bagi perusahaan

secara keseluruhan. Jika data warehouse dibangun berdasarkan

departemen, maka akan terdapat data duplikat dengan label dan istilah

yang berbeda-beda, yang mengakibatkan data tidak konsisten. Cara terbaik

untuk memastikan konsistensi data adalah dengan mem-publish-kan data

sekali saja. Cara ini juga mengurangi upaya pertambahan extract-

transformation-load (ETL), mengurangi beban penyimpanan disk serta

manajemen data yang terus-menerus.

2. Menentukan grain dari proses bisnis

Menentukan grain berarti menspesifikasikan secara tepat apa yang

direpresentasikan oleh baris tabel fakta individual. Grain menyampaikan

level detil yang berhubungan dengan tabel fakta. Penentuan grain

merupakan tahap critical dalam perancangan logikal data warehouse.

3. Memilih dimensi-dimensi untuk setiap tabel fakta

Jika grain telah ditentukan dengan benar maka dimensi-dimensi

dapat diidentifikasikan dengan mudah. Pada dimensi, atribut-atribut

berupa teks dapat disertakan guna menyempurnakan tabel dimensi. Contoh

lazim dari dimensi meliputi waktu, produk, pelanggan, tipe transaksi, dan

status.

25

4. Mengidentifikasi fakta-fakta numerik untuk setiap tabel fakta

Fakta dapat diidentifikasi dengan memberikan jawaban atas

pertanyaan “Apa yang ingin diukur?“. Semua candidate fact haruslah

sesuai dengan grain yang telah didefinisikan dalam tahap 2. Fakta bagi

grain yang berbeda ditempatkan dalam tabel fakta terpisah. Nilai fakta

berupa numerik, seperti jumlah pesanan atau total dolar.

2.8.1 Skema Bintang

Menurut Wikipedia (http://en.wikipedia.org/wiki/Star_schema), skema

bintang adalah skema data warehouse yang paling sederhana di mana tabel fakta

tunggal berisi gabungan primary key dari setiap tabel dimensi dan kolom

tambahan yang berupa fakta numerik. Skema ini memungkinkan respon yang

cepat dalam menentukan query dan pemahaman yang mudah bagi analisis dari

end-user, maupun user yang tidak terbiasa dengan struktur database.

Skema bintang menurut Inmon (2002, p395), merupakan struktur data, di

mana data didenormalisasi untuk mengoptimalkan akses data. Skema bintang

merupakan dasar bagi perancangan data mart.

Menurut Connolly (2002, p1079), skema bintang merupakan struktur

logikal yang memiliki sebuah tabel fakta yang berisi data faktual pada bagian

pusat dari skema bintang, dan dikelilingi oleh tabel-tabel dimensi yang berisi data

referensi. Tabel fakta dapat menjadi relatif sangat besar dibanding tabel dimensi.

Menurut Poe (1996, p145), skema bintang terdiri dari 2 (dua) tipe tabel,

tabel fakta dan tabel dimensi.

26

Tabel Fakta

Tabel fakta merupakan tabel dalam data warehouse yang berisi

measure (Imhoff, 2003, p401). Measure sendiri merupakan suatu istilah

dalam data warehouse yang mengacu kepada nilai, biasanya berupa

numerik, yang mengukur beberapa aspek bisnis (Imhoff, 2003, p403).

Tabel Dimensi

Tabel dimensi merupakan sekelompok tabel referensi yang

menyediakan suatu basis dalam constraining dan grouping query bagi

informasi pada tabel fakta dalam data warehouse. Kunci dari tabel

dimensi merupakan bagian dari concatenated key/ composite key dari tabel

fakta (Imhoff, 2003, p400). Sedangkan menurut Inmon (2002, p389), tabel

dimensi merupakan tempat bagi sejumlah data yang berhubungan dengan

tabel fakta. Dimensi yang digunakan dalam skema bintang berhubungan

dengan area subjek, seperti pelanggan, produk, dan waktu (Imhoff, 2003,

p25).

Menurut Poe (1996, p121), beberapa keuntungan dari skema bintang yaitu :

Membentuk rancangan database yang memberikan waktu respon yang

cepat.

Menghasilkan suatu rancangan yang dapat dimodifikasi dengan mudah

sesuai dengan perkembangan data warehouse tersebut.

Dapat menyamakan persepsi antara user dan data warehouse sehingga

data dapat berguna bagi user.

27

Mempermudah pemahaman dan navigasi metadata baik bagi user atau

pengembang

Sedangkan menurut Inmon (2002, p139), keuntungan menggunakan

skema bintang yaitu mengefisienkan data bagi proses Decision Support System

(DSS). Dengan membuat redundancy yang selektif, pengaksesan dan

penganalisaan data disederhanakan dan diefisienkan. Skema bintang mendukung

analisis multidimensional dalam data mart, mendukung pembuatan query yang

dapat diprediksi dengan waktu respon yang sesuai, serta mendukung dalam

pembuatan laporan yang berulang (Imhoff, 2003, p18). Berikut contoh gambaran

skema bintang :

Keterangan :

PK = Primary Key FK = Foreign Key

Gambar 2.3 Gambar Skema Bintang

Pada gambar di atas dijelaskan bahwa terdapat sebuah tabel fakta dan 2

(dua) buah tabel dimensi. Tabel faktanya memiliki 2 (dua) foreign key yaitu

Tabel Dimensi1

Kunci1 (PK) Atribut1 Atribut2

Tabel Dimensi2

Kunci2 (PK) Atribut1 Atribut2

Tabel Fakta

Kunci1 (FK) Kunci2 (FK) Atribut1 Atribut2 Measure1 Measure2

28

kunci1 dan kunci2 yang masing-masing merupakan primary key dari tabel

dimensi1 dan tabel dimensi2.

2.8.2 Skema Snowflakes

Menurut Whalen (2001, p238), skema snowflakes merupakan hasil

normalisasi dari tabel-tabel dimensi, di mana tabel-tabel dimensi tersebut

bergabung dengan tabel-tabel dimensi lainnya sebelum di-join ke tabel fakta.

Skema snowflakes memiliki beberapa kelemahan yaitu hanya mampu

memberikan sedikit perbaikan terhadap performance, mempersulit perancangan

data konseptual, dan menyembunyikan area permasalahan yang potensial.

Connolly (2002, p1080) mengemukakan pendapatnya mengenai skema

snowflakes yaitu skema snowflakes merupakan variasi dari skema bintang di

mana data dalam tabel dimensi belum didenormalisasi. Berikut contoh skema

snowflakes.

Gambar 2.4 Gambar Skema Snowflakes

Cabang

Kd_cabang (PK) Nm_cabang Kota (FK)

Tabel Dimensi

Kota

Kota (PK) Daerah

FactPenjualan No_faktur Kd_pelanggan (FK) Kd_barang (FK) Kd_cabang (FK) Harga

Tabel Fakta

29

Gambar di atas merupakan bagian dari skema snowflakes yang

menunjukkan data dalam tabel dimensi Cabang belum didenormalisasi. Field

Kota yang berfungsi sebagai foreign key pada tabel Cabang merupakan primary

key dari tabel Kota.

2.8.3 Denormalisasi

Menurut Imhoff (2003, p315), denormalisasi merupakan suatu teknik yang

menambahkan kolom redundant ke tabel. Denormalisasi bertujuan mengurangi

jumlah join/ penggabungan yang dibutuhkan dalam query. Denormalisasi

mengacu pada kegiatan mereduksi bentuk ternormalisasi dari suatu model. Jika

diimplementasikan secara tepat dalam model fisikal, model yang terdenormalisasi

dapat meningkatkan performance data karena denormalisasi mengeliminasi join/

penggabungan dari query.

Denormalisasi mengakibatkan biaya yang signifikan untuk proses

updating karena kolom terdenormalisasi yang di-update biasanya meliputi banyak

baris. Oleh karena itu, penting untuk membandingkan biaya penyimpanan dan

biaya updating terhadap keuntungan yang diharapkan untuk menentukan apakah

denormalisasi diperlukan (Imhoff, 2003, p315).

Dari pengertian di atas, dapat disimpulkan bahwa proses denormalisasi

merupakan proses pembalikan dari normalisasi. Suatu database yang telah

dinormalisasi dapat menjadi beberapa tabel yang bebas dan terintegrasi penuh

melalui hubungan antara primary key dan foreign key. Proses denormalisasi

30

dilakukan untuk menghindari query yang terlalu kompleks di dalam sistem data

warehouse.

2.8.4 Agregasi

Vidette Poe (1996, p136) mengemukakan agregasi adalah proses

akumulasi data fakta yang berhubungan dengan atribut yang telah ditentukan.

Agregasi dibuat selama proses transformasi berlangsung dan pada saat pemuatan

data ke dalam data warehouse.

Fungsi agregasi yaitu untuk meningkatkan performance query dari end

user serta mengurangi siklus CPU yang digunakan. Dengan memilih level

agregasi yang tepat, performance query dan disk penyimpanan dalam data

warehouse dapat dioptimalkan.

2.8.5 Granularity

Inmon (2002, p43) mengemukakan granularity mengacu pada tingkat

kedetailan data dalam data warehouse. Semakin detail data, semakin rendah

tingkat granularity-nya. Sebaliknya, semakin ringkas data maka tingkat

granularity-nya semakin tinggi.

Granularity menyebabkan data pada data warehouse dapat dipakai ulang

(reusable) dan fleksibel. Contohnya dalam sebuah perusahaan, data yang sama

dapat memenuhi kebutuhan dari bagian marketing, penjualan dan akunting.

Ketiga bagian tersebut melihat pada data yang sama. Bagian marketing melihat

penjualan per bulan menurut area tertentu, bagian penjualan melihat penjualan per

31

minggu menurut salesperson, dan bagian akunting melihat penghasilan per

kuarter menurut produk tertentu.

2.9 Matriks

Matriks menurut Kimball (2002, p398) adalah tool yang digunakan untuk

membuat, mendokumentasikan, dan mengkomunikasikan arsitektur data, di mana

baris-baris pada matriks mengidentifikasikan proses bisnis perusahaan dan kolom-

kolomnya merepresentasikan dimensi-dimensi yang sesuai dengan proses bisnis

perusahaan. Intersection dari dimensi-dimensi yang relevan dengan masing-

masing proses bisnis diberi tanda untuk menunjukkan ada hubungan antara

dimensi dengan proses bisnis tertentu.

Matriks merupakan suatu device yang membantu penggunanya baik dalam

hal perencanaan maupun proses komunikasi. Meskipun matriks hanya terdiri dari

baris dan kolom, namun mampu mendefinisikan keseluruhan arsitektur data bagi

warehouse. Matriks memperlihatkan keseluruhan rencana yang dirancang dalam

suatu bentuk yang ringkas sehingga dapat digunakan untuk membantu senior IT

dan manajemen bisnis dalam mengkomunikasikan rancangan rencana (Kimball,

2002, p81).

Berikut contoh matriks untuk proses pembelian dan penjualan dengan

dimensi-dimensi yang relevan dengan proses bisnis tersebut. Pada gambar 2.9 di

bawah, proses pembelian yang memiliki relevansi dengan dimensi produk,

supplier dan waktu diberi tanda silang (X) pada intersection-nya, yang

menunjukkan ada relevansi antara proses bisnis dan dimensi. Demikian juga

32

halnya dengan proses penjualan yang memiliki relevansi dengan dimensi

pelanggan, produk, salesman dan waktu maka pada intersection-nya diberi tanda

silang (X).

Dimensi

Proses Bisnis

Gud

ang

Pela

ngga

n

Prod

uk

Sale

sman

Supp

lier

Wak

tu

Pembelian X X X

Penjualan X X X X

Tabel 2.1 Tabel Matriks Data Warehouse

2.10 Pengertian Penjualan dan Persediaan

2.10.1 Pengertian Penjualan

Mulyadi (1997, p204) berpendapat bahwa kegiatan penjualan terdiri dari

transaksi penjualan barang atau jasa, baik secara kredit maupun secara tunai.

Dalam transaksi penjualan kredit, jika order dari pelanggan telah dipenuhi dengan

pengiriman barang atau penyerahan jasa, untuk jangka waktu tertentu perusahaan

memiliki piutang kepada pelanggannya. Dalam transaksi penjualan tunai, barang

atau jasa baru diserahkan oleh perusahaan kepada pembeli jika perusahaan telah

menerima kas dari pembeli.

Jadi dapat dikatakan bahwa penjualan merupakan suatu kegiatan yang

dilakukan oleh penjual (perusahaan) dengan jalan menukarkan barang/ jasanya

kepada pembeli, dengan timbal balik berupa suatu imbalan yang sepadan dengan

besarnya nilai dari barang/ jasa yang diberikan tersebut. Imbalan tersebut dapat

33

diperoleh sebelum penyerahan barang/ jasa dilakukan (penjualan tunai), ataupun

dalam jangka waktu tertentu setelah barang/ jasa diserahkan (penjualan kredit).

2.10.2 Pengertian Persediaan

Dalam perusahaan manufaktur, persediaan terdiri dari persediaan produk

jadi, persediaan produk dalam proses, persediaan bahan baku, persediaan bahan

penolong, persediaan bahan habis pakai pabrik, dan persediaan suku cadang.

Dalam perusahaan dagang, persediaan hanya terdiri dari 1 (satu) golongan, yaitu

persediaan barang dagangan, yang merupakan barang yang dibeli untuk tujuan

dijual kembali. Transaksi yang mengubah persediaan produk jadi, persediaan

bahan baku, persediaan bahan penolong, persediaan bahan habis pakai pabrik, dan

persediaan suku cadang bersangkutan dengan transaksi intern perusahaan dan

transaksi yang menyangkut pihak luar perusahaan (penjualan dan pembelian),

sedangkan transaksi yang mengubah persediaan produk dalam proses seluruhnya

berupa transaksi intern perusahaan (Mulyadi, 1997, p555).

Dari penjelasan singkat di atas, dapat disimpulkan bahwa persediaan

berkaitan erat dengan transaksi penjualan dan pembelian perusahaan. Transaksi

penjualan mengharuskan perusahaan untuk memiliki persediaan atas produk yang

akan dijual ke konsumen, dan jika tuntutan ini telah terpenuhi maka transaksi

penjualan dapat dilakukan. Sedangkan pada transaksi pembelian, pemasokan

barang yang dibeli dari supplier akan menambah stok persediaan.