bab ii landasan teori -...
TRANSCRIPT
BAB II
LANDASAN TEORI
2.1 Teori Umum
2.1.1 Pengertian Data
Data adalah fakta-fakta atau observasi tentang fenomena yang
bersifat fisik atau transaksi bisnis (O’Brien, 2003:13).
Data adalah fakta-fakta mentah tentang manusia, tempat, kejadian,
dan benda yang sangat penting dalam sebuah organisasi (Whitten, Bentley &
Dittman, 2004:27).
Dataadalah deskripsi yang mendasar dari suatu benda, kejadian,
aktivitas, dan transaksi yang direkam, diklasifikasikan, dan disimpan tetapi
tidak terorganisir untuk menyampaikan suatu arti khusus (Turban et al,
2005:38).
Kesimpulannya data adalah suatu fakta mentah mengenai manusia,
tempat, kejadian, atau pada proses transaksi bisnis yang di tangkap, direkam,
disimpan dan diklasifikasikan namun tidak terorganisir untuk menyampaikan
suatu arti khusus.
2.1.2 Pengertian Database
Database adalah kumpulan yang tersebar dari data yang secara logis
berhubungan, dan sebuah deskripsi dari data yang di rancang untuk
menemukan kebutuhan informasi dari sebuah organisasi (Connolly dan Begg
2005:14).
Database adalah kumpulan dari file-file yang menyimpan data yang
saling terhubung dan berasosiasi satu dengan yang lainnya (Turban et al,
2005:446).
Database adalah sebuah kumpulan yang terintegrasi dari elemen-
elemen data yang berelasi secara logis (O’Brien, 2003:145).
Kesimpulannya database adalah sekumpulan data dan deskripsi dari
data yang saling berhubungan secara logical antara satu dengan yang lainnya.
2.1.3 Online Transaction Preprocessing (OLTP)
Online Transaction Processing (OLTP)adalah sistem yang dirancang
untuk menangani high transaction throughput, dengan transaksi yang
umumnya dapat membuat perubahan kecil terhadap data operasional
organisasi yang diperlukan organisasi untuk menangani kegiatan operasional
sehari-hari (Connolly and Begg, 2005:1149).
Online Transaction Processing (OLTP)adalah deskripsi awal untuk
semua aktivitas dan sistem yang berasosiasi dengan memasukkan data yang
dapat diandalkan ke dalam database (Kimball and Ross, 2002:408).
Online Transaction Processing (OLTP)adalah sebuah areaterjadinya
transaksi dengan performa tinggi.PadaOLTP,
setiaptransaksiyangmasukkedalam sistemharusdapatdiakses (Inmon, 2005:500).
Online Transaction Processing (OLTP)adalah sebuah sistem
pengolahan transaksi secara real time (O’brien, 2003:224).
Kesimpulannya Online Transaction Processing (OLTP) adalah
sebuah sistem yang dirancang untuk menangani hightransaction dengan
memasukan data yang terbaik ke dalam databasesecara Real Time.
2.1.4 Online Analytical Preprocessing (OLAP)
Online Analytical Preprocessing (OLAP) adalah penggunaan
sekumpulan alat grafikal yang menyediakan user dengansebuah tampilan
multidimensional dari data merekadan memungkinkan user untuk
menganalisa data menggunakan teknik penyajian secara sederhana(Hoffer et
al, 2005:480).
Online Analytical Preprocessing(OLAP)adalah istilah yang
menggambarkan suatu teknologi yang menggunakan tampilan multi-
dimensional dari agregasi data untuk menyediakan akses yang cepat ke
informasi yang strategis untuk tujuan analisa lebih lanjut (Connoly dan Begg,
2005:1205).
Kesimpulannya Online Analytical Preprocessing (OLAP)adalah
teknologi software yang berguna untuk melakukan penyediaan data berupa
grafikal kepada user bertujuan untuk dapat melakukan analisa lebih lanjut.
2.1.5 Pengertian Data Warehouse
Data warehouseadalah kumpulan data yang berorientasi subyek,
terintegrasi, bervariasi waktu, dan non-volatile, yang mendukung manajemen
pengambilan keputusan (Inmon, 2005:29).
Data warehouseadalah suatu kumpulan data yang bersifat subject-
oriented, integrated, timevariant, dan non-volatile dalam mendukung proses
pengambilan keputusan (Connolly dan Begg, 2005:1047).
Kesimpulannya datawarehouse adalah kumpulan data yang
berorientasi subyek, terintegrasi satu dengan yang lain, variasi waktu dannon-
volatile sehingga mendukung proses pengambilan keputusan terhadap suatu
analisis masalah.
2.1.6 Karakteristik dan Sifat Data Warehouse
Menurut Inmon (2005:29)sebuah data warehouse memiliki beberapa
karakteristik sebagai berikut:
1. Subject Oriented
2. Integrated
3. Non-Volatile
4. Time Variant
2.1.6.1 Subject Oriented
Orientasi subyek dari datawarehouse dapat dilihat pada
gambar 2.1 Operasi sistem yang bersifat klasik diorganisir disekitar
aplikasi fungsional dari perusahaan. Contohnya adalah untuk
perusahaan asuransi subjeknya adalah pelanggan, kebijakan, premi,
dan keluhan. Contoh lainnya bila di dalam sebuah pabrik atau
manufaktur, maka subjeknya adalah produk, pesanan, vendor, tagihan,
dan
bahan baku.
Gambar 2.1 Contoh data yang berorientasi pada subyek (Inmon, 2005:30)
2.1.6.2 Integrated
Dari semua aspek dari data warehouse,
karakteristikintegrasiadalahyangpalingpenting. Data disuplai dari
banyak sumber yang berbeda kedalam data warehouse. Data yang
diambil itu akan diubah,diformat, disusun kembali, diringkas, dan
seterusnya. Setelah data itu masuk kedalam data warehouse, data
tersebut memiliki gambaran tunggal fisikal dari perusahaan. Gambar
2.2 di bawah ini akanmengilustrasikan integrasi yang muncul ketika
data melewatilingkungan operasional berbasiskan aplikasi ke
lingkungan data warehouse.Data yangmasuk ke dalam data
warehouseharuskonsisten pada tingkat aplikasi. Contoh konsistensi
data antara lain adalahaturan pengentrian data, aturan penamaan
atribut, dankarakteristik fisikal data lainnya. Hasilnya adalah data
dalam
data
warehouse
yangmempunyai satu bentuk.
Gambar 2.2 Contoh Integrasi Data (Inmon, 2005:31)
2.1.6.3 Non Volatile
Karakteristik ini memiliki arti bahwa data warehouse tidak
dapatdimodifikasi, Gambar 2.3 bagian kiri menunjukkan bahwa data
pada lingkungan operasional dapat diakses dan dimanipulasi pada satu
record pada saat bersamaan. Tetapi pada gambar bagian kanan
menunjukkan data di dalam datawarehouse dapat di isi dan di akses,
tetapi tidak dapat di update karena data dalam data warehouse
bersifat statis. Hal iniuntuk mencegah terjadinya tidak terintegrasinya
data dalamsistem. Sebagai gantinya, ketika data dalam datawarehouse
dimasukkan, data itu dimuat dalam format snapshot statik. Jadi, ketika
perubahan terjadi berikutnya, recordsnapshot yang baru ditulis.
Dengan demikian, suatu catatan historis data disimpan dalam data
warehouse.
Gambar 2.3 Non-Volatile Data (Inmon, 2005:32)
2.1.6.4 Time Variant
Karakteristik yang terakhir dari data warehouse adalah
TimeVariant. Variasi waktu menyiratkan bahwa setiap unit data dalam
datawarehouse akurat pada beberapa saat dalam satu waktu. Dalam
beberapa kasus, sebuah record memiliki waktu yang dicap atau
timestamped. Dalam kasus lain, record memiliki tanggal transaksi.
Tapi dalam setiap kasus, ada beberapa bentuk dari penanda waktu
untuk menunjukkan bahwa suatu momen waktu di mana record
adalah akurat.
Tabel 2.1 mengilustrasikan bagaimana variasi waktu data dari
data warehouse dapat ditampilkan dalam beberapa cara.
Tabel 2.1 Perbandingan Time Variant antara Data Operasional
danData Warehouse (Inmon, 2005:32)
Data Operasional Data Warehouse
Mempunyai Time Horizon 60 – 90
hari
Mempunyai Time Horizon 5 – 10
tahun
Record dapat di-update Data atau Record tidak dapat di-
update
Key Structure dapat termasuk atau
tidak termasuk elemen waktu.
Key Structure termasuk elemen
Waktu
2.1.7 Struktur Data Warehouse
Berdasarkan Inmon (2005:33-34), struktur data warehouse
menunjukkan level detil yang berbeda dalam lingkungan data warehouse.
Terdapat older level of detail, current level of detail, level of lightly
summarized data (level data mart), dan level of highly summarized data. Data
mengalir ke dalam data warehouse dari lingkungan operasional. Biasanya
transformasi penting dari data terjadi pada jalur dari level operasional ke level
data warehouse.
Gambar2.4 Struktur Data Warehouse (Inmon, 2005:34)
2.1.7.1 Current Detail Data
Current detail data adalah data detail yang sedang aktif saat
ini dan menggambarkan keadaan yang sedang berjalan saat ini.
Current detail data merupakan tingkat terendah dalam data
warehouse.Data jenis ini memerlukan media penyimpanan data yang
cukup besar dan merupakan data yang sering diakses.Hampir selalu
disimpan di media penyimpanan karena Current detail data ini cepat
diakses tetapi mahal dan kompleks dalam pemeliharaannya.
2.1.7.2 Old Detail Data
Old detail data adalah data-data lama atau data historis yang
di hasilkan dari back-up data yang disimpan di tempat yang terpisah
dan dapat diakses kembali. Data di simpan di tempat yang terpisah
karena data ini memiliki frekuensi akses yang rendah.Data ini
kategorikan berdasarkan umurnya agar mempermudah untuk
pengaksesan.
2.1.7.3 Lightly Summarized data
Lightly Summarized data dihasilkan dari current detail data
yang diringkas berdasarkan dimensi yang sesuai kebutuhan. Data ini
memiliki tingkat detail yang lebih tinggi dibandingkan dengan current
detail data.Lightly Summarized data bisa disebut juga sebagai data
mart.
2.1.7.4 Highly Summarized Data
Highly summarized data merupakan lightly summarized data
tingkat lanjut yang memiliki tingkat detail lebih tinggi dan lebih
bersifat totalitas.
2.1.7.5 Metadata
Metadata merupakan bagian penting dari lingkungan
datawarehouse yang telah menjadi bagian dari lingkungan
pengolahan informasi selama ada program dan data. Tapi di dunia
data warehouse, metadata mempunyai tingkat kepentingan yang baru,
yaitu mengupayakan penggunaan yang paling efektif dari
datawarehouse. Metadata memungkinkan pengguna akhir atau analis
DSS untuk menavigasi melalui kemungkinan (Inmon, 2005:102-103).
Menurut Inmon (2005:500), ada dua pengertian metadata yang
pertama metadata adalah data tentang data. Dan yang kedua
merupakan gambaran dari sebuah struktur, isi, kunci, indeks dari
data.Metadata itu sendiri menjelaskan struktur dan atribut dari
data.Metadata memiliki peran ganda yang saling bertentangan. Dalam
beberapa kasus, metadata harus di share. Namun di kasus yang lain,
metadata harus di kelola secara mandiri.
Menurut Inmon(2005:103), biasanya, item dari jejak
penyimpanan metadata adalah sebagai berikut:
• Struktur data yang dikenal programmer
• Struktur data yang dikenal analis DSS
• Sumber data yang membantu data warehouse
• Transformasi dari data ketika lewat ke dalam data warehouse
• Model data
• Relasi antara data model dan datawarehouse
• Sejarah ekstraksi
2.1.7.6 Subject Orientation
Data warehouse berorientasi pada bidang subyek utama dari
perusahaan yang sudah ditetapkan dalam model data tingkat tinggi
perusahaan (high-level corporate data model). Bentuk subject
orientation adalah sebagai berikut :
• Pelanggan
• Produk
• Transaksi atau kegiatan
• Kebijakan
• Klaim
• Account
Setiap majorsubject area adalah diimplemetasikan secara fisik
sebagai serangakaian dari tabel yang saling berelasi dalam data
warehouse.Sebuah subject orientation dapat terdiri dari 10, 100, atau
bahkan lebih banyak bentuk tabel yang semuanya saling terkait.
2.1.8Arsitektur DataWarehouse
Dalam melakukan perancangan data warehouse ditentukan terlebuh
dahulu arsitektur yang paling cocok untuk melakukan pengembangan data
warehouse.Dan kami mengadaptasi arsitektur berikut ini dari Inmon
(2010:12).
Berikut ini adalah suatu gambaran tipikal dari arsitektur data warehouse :
Gambar 2.5 Arsitektur Data Warehouse Adaptasi dari Inmon (2010:12)
Komponen-komponen yang ada dalam arsitektur ini dijelaskan lebih lanjut
oleh Inmon (2010:12), sebagai berikut :
1. ETL — extract/transform/load
Teknologi ETL memungkinkan data yang akan ditarik dari legacy system
environmentdan ditransformasikan ke data perusahaan. Komponen ETL
menampilkan banyak fungsi, seperti :
• Konversi logikal dari data;
• Verifikasidomain;
• Konversi dari satu DBMS ke yang lain;
• Pembuatan nilai default bila diperlukan;
• Peringkasan data;
• Penambahan nilai waktu untuk data kunci;
• Restrukturisasi kunci data;
• Penggabungan record;
• Penghapusan data yang asing atau berlebihan.
Inti dari ETL adalah data yang masuk proses ETL sebagai data aplikasi dan
keluar dari proses ETL sebagai data perusahaan.
2. ODS - operational data store
Suatu Operational data store (ODS) adalah suatu media penyimpanan
dari data operasional yang terbaru dan terintegrasi yang digunakan untuk
analisis. ODS menstrukturkan dan menyediakan data dengan cara yang sama
seperti data warehouse, tapi mungkin sebenarnya bertindak hanya sebagai
tempat penampungan sementara sebelum data dipindahkan ke warehouse.
ODS diciptakan ketika sistem operasional ditemukan tidak mampu
mencapai keberhasilan pelaporan. ODSmenyediakan pengguna dengan
kemudahan penggunaan database relasionalnamun tetap jauh dari fungsi
pendukung keputusan dari datawarehouse.
• Online analytical processing (OLAP) tools.
Online analytical processing tools berbasis pada konsep basis
data multidimensional dan memperbolehkan user untuk menganalisis
data menggunakan view multidimensional yang kompleks Tipikal
Aplikasi bisnis untuk alat-alat termasuk mengevaluasi efektivitas
perencanaan kampanye pemasaran, prediksi penjualan produk, dan
kapasitas. Tool ini mengasumsikan bahwa data tersebut diatur dalam
suatu model multi-dimensi yang didukung oleh special
multidimensional database (MDDB) atau oleh basis data relasional
yang dirancang untuk memungkinkan multidimensional queries.
3. Data mart
Data mart adalah tempat di mana pengguna akhir memiliki akses langsung
dan kontrol data analitis. Data mart dibentuk oleh satu set pengguna dengan harapan
seluruh ketersediaan data dapat di lihat dan di pahami contohnya membuat
pengelompokan pengguna dibagisesuai dengan departemen masing-masing.
Pemasaran memiliki data mart.Penjualan memiliki data mart, dan sebagainya.Sumber
data untuk setiap data mart adalah data warehouse.
Datamart biasanya diimplementasikan dengan menggunakan teknologi yang
berbeda dari yangdata warehouse.Setiap data mart biasanya menyimpan data lebih
sedikitdari data warehouse.Data mart juga umumnya mengandung data yang lebih
signifikan.
4. Exploration warehouse
Exploration warehouseadalah sebuah fasilitas di mana pengguna akhir yang
ingin melakukan pencarian data, pada fasilitas ini juga dijadikan tempat untuk
melakukan analisis statistik. Sebagian besar pengolahan di gudang eksplorasi berasal
dari sumber yang sama. Gudang eksplorasi kebanyakan dijadikan tempat menyimpan
data berdasarkan proyek yang ada.
Setelah proyek selesai maka gudang eksplorasi akan hilang. Ini menyerap
dari persyaratan pengolahan tugas tingkat tinggi dari analis statistik, sehingga
melindungi data warehouse dari menguras kinerja yang dapat terjadi ketika
menggunakan banyak data statistik yang terbuat dari gudang eksplorasi.
2.1.9Keuntungan DataWarehouse
Implementasi yang sukses dari data warehouse dapat membawa
keuntungan yang besar bagi sebuah organisasi, (Connolly dan Begg,
2005:1152), antara lain :
a. Potensi untuk pengembalian investasi yang besar (Potential high
returns on investment) .
Sebuah organisasi harus mengeluarkan sumber daya yang
besar untuk memastikan keberhasilan implementasi dari data
warehouse dan harganya dapat berkisar antara $50.000 -
$10.000.000 sesuai dengan variasi solusi teknikal tersedia.
Menurut studi dari International Data Corporation (IDC) pada
tahun 1996 dilaporkan bahwa pengembalian investasi rata-rata
selama tiga tahun dalam datawarehousing mencapai 401%.
b. Keuntungan kompetitif (Competitive advantage)
Pengembalian investasi yang besar bagi perusahaan yang
mengimplementasikan data warehouse dengan suksesmerupakan
bukti keuntungan kompetitif dengan menggunakan teknologi ini.
Keuntungan kompetitif diperoleh dengan memungkinkan para
pembuat keputusan untuk mengakses ke dalam data yang belum
digunakan sebelumnya,tidak diketahui, dan informasi yang belum
dimanfaatkan, contohnya, pelanggan, tren, dan permintaan.
c. Meningkatkan produktivitas bagi pembuat keputusan (Increased
productivity of corporate decision-makers)
Data warehouse meningkatkan produktivitas dari
pembuat keputusan dengan menciptakan database yang
terintegrasi, konsisten, berorientasi subyek, dan data historikal.
Data warehouse mengintegrasikan data dari berbagai sistem yang
tidak kompatibel ke dalam bentuk yang menyediakan satu
tampilan yang konsisten bagi perusahaan. Dengan
mentransformasikan data menjadi informasi yang berarti, data
warehouse memungkinkan pembuat keputusan untuk melakukan
analisis dengan lebih substantif, akurat, dan cepat.
2.1.10Perbandingan DataWarehouse dengan OLTP
Sebuah DBMS yang dibangun untuk OnlineTransactionProcessing
(OLTP) umumnya dianggap tidak sesuai untuk data warehousing karena
setiap sistem dirancang dengan membedakan serangkaian dari kebutuhan-
kebutuhan.
Sebuah organisasi umumnya mempunyai beberapa sistem Online
Transaction Processing (OLTP) yang berbeda untuk setiap proses bisnis,
seperti inventory control, invoicing customer dan point-of-sale. Sistem ini
menghasilkan data operasional yang detil, terbaru, dan dapat berubah. Sistem
OLTP dioptimalkan untuk sejumlah besar transaksi yang dapat diramalkan
(predictable), berulang (repetitive), dan sering diperbaharui (update
intensive).Data OLTP diorganisasikan berdasarkan kebutuhan-kebutuhan dari
transaksi yang dihubungkan dengan aplikasi bisnis dan mendukung
keputusan per hari dari sejumlah besar penggunaoperasionalyang konkruen.
Umumnya, organisasi hanya mempunyai satu data warehouse yang
menyimpan data secara historis, detil, dan ringkas dengan beberapa tingkatan
dan sangat jarang berubah. Data warehouse didesain untuk mendukung
transaksi yang relative rendah yang tidak dapat diramalkan (unpredictable),
dan memerlukan jawaban untuk query khusus (ad hoc), tidak terstruktur ,dan
heuristic. Data warehouse diorganisasikan pada kebutuhan-kebutuhan query
yang potensial dan mendukung keputusan strategis jangka panjang dari user
tingkat manajerial yang relatif berjumlah sedikit.
Di bawah ini adalah tabel yang menunjukkan karakteristik utama dari
sistem OLTP dan sistem data warehouse (Connolly dan Begg, 2005:1153) :
Sistem OLTP Sistem Data Warehouse
Mengandung data terkini Mengandung data historis (data
lama)
Tabel 2.2 Perbandingan Sistem OLTP dan Sistem Data Warehouse
2.1.11 Metodologi Perancangan Data Warehouse
Metode perancangan data warehouse yang akan digunakan
adalah Steps of Development dari (Inmon, 2000:17-18)yaitu :
• Data modelling,
• Memilih perangkat lunak dan perangkat keras sebagai acuan.
• Menentukan kapasitas data warehouse -
• Mengumpulkan informasi yang dibutuhkan,
• Menentukan data yang diperlukan bagi data warehouse.
• Menentukan dan mengidentifikasi subyek area.
Menyimpan data yang rinci Menyimpan data yang rinci,
sedang, dan ringkas
Data bersifat dinamis Data bersifat statis
Prosesnya berulang Prosesnya tidak terstruktur,
ditujukan untuk maksud tertentu
Digunakan untuk transaksi Digunakan untuk analisis transaksi
tingkat menengah sampai rendah
Berorientasi pada aplikasi Berorientasi pada subyek
Penggunaannya dapat diprediksi Penggunaannya tidak dapat
diprediksi
Mendukung pengambilan
keputusan per hari
Mendukung pengambilan
keputusan strategis
• Mengidentifikasi waktu untuk pengumpulan data bagi data
warehouse.
• Mengidentifikasi recorddari data warehouse,
• Menentukan apakah delta data dibutuhkan dalam sistem data
warehouse,
• Melakukan spesifikasi dari transformasi data,
• Melakukan eksekusi DDL (Data Definition Language), eksekusi
ini dilakukan hanya jika diperlukan,
• Membuat kode untuk transformasi data .
• Mengalokasikan penempatan ruang untuk kapasitas data,
• Mengelompokkan data pada data warehouse.
Menurut Inmon (2005:371)metodologi perancangan data
warehouse terdiri dari:
• Menentukan Major Subject, yaitu menentukan apa saja
subyek yang terlibat dalam sistem proses bisnis yang
berlangsung.
• Melakukan Definisi Subyek, yaitu memilih detil dari
sebuah objek yang nantinya akan dijadikan tabel fakta
pada suatu proses bisnis.
• Melakukan Hubungan Antar Objek yaitu membuat skema
bintang yang terdiri dari tabel fakta dan tabel dimensi di
dalamnya.
• Menyesuaikan Dimensi, yaitu memastikan dimensi sesuai
dengan fungsinya.
• Membangun Independent Data Mart, yaitu data mart yang
dibangun langsung dari aplikasi turunannya.
2.1.11.1 Normalization and denormalization
2.1.11.1.1 Normalization
Perancangan data warehouse menentukan yang mana
sebuah normalisasi atau pendekatan relasional merupakan
salah satu yang tepat. Menurut Inmon(2005:126-127), ada
beberapa alasan yang bagus mengapa normalisasi atau
pendekatan relasional menghasilkan perancangan yang
optimal dari data warehouse, yaitu :
• Menghasilkan fleksibilitas
• Sesuai dengan data yang sangat rinci atau granularitas data
• Tidak dioptimalkan untuk setiap set tertentu dari kebutuhan
proses
• Sangat sesuai dengan data model
2.1.11.1.2 Denormalization
MenurutInmon (2005:495), denormalization atau
denormalisasi adalah suatu teknik untuk menempatkan data
yang telah dinormalisasi ke dalam lokasi fisikal yang
mengoptimalkan kinerja sistem.
2.1.12Data Warehouse Data Model
Terdapat tiga level dari pemodelan data,yaitu : High-Level Modeling
(Entity Relationship Diagram atau ERD), Mid-Level Modeling (Data Item Set
atau DIS), Low-Level Modeling (Physical Model) (Inmon 2005:82).
2.1.12.1High-Level Data Model (Entity Relationship Diagram)
High-Level Modeling menyediakan entitas dan relasi.Entitas
yang diperlihatkan dalam level ERD adalah pada level tertinggi dari
abstraksi. Apa yang dimiliki oleh entitas dalam ruang lingkup dari
model dan apa yang entitas tidak tentukan oleh apa yang disebut
dengan “scope integration”.
ERD merepresentasikan kebutuhan yang diketahui dari
komunitasDSS yang dibuat berdasarkan maksud atau kemauan dari
user.
Gambar 2.6 Merepresentasikan entitas dan relasi (Inmon,
2005:82)
2.1.12.2Mid-Level Data Model (Data Item Set atau DIS)
Mid-Level Data Model atau DIS dibuat setelah high-level data
model dibuat(Inmon, 2005:84-85). Ada 4 dasar untuk membangun
model tingkat menengah/ DIS ini, yaitu :
� Pengelompokan data primer
� Pengelompokan data sekunder
� Konektor / penghubung, memberikan relasi pada data
diantara area subyek utama
� Tipe data
Gambar 2.7 Hubungan Antara ERD dan DIS (Inmon, 2005:85)
2.1.12.3 Low-Level Modeling (Physical Model)
Physical Data Model dibuat dari Mid-Level Data Model yang
hanya dengan memperluas Mid-Level Data Model untuk memasukkan
kunci dan karakteristik fisik dari model.Pada bagian ini, data model
fisik terlihat seperti rangkaian tabel, terkadang disebut tabel
relasional.Walau tabel telah siap untuk di masukkan kedalam
kerangka dari desain database fisik, satu langkah terakhir adalah
dengan menentukan granularitas dan partisi dari data. Langkah ini
sangat krusial dan penting(Inmon, 2005:86).
2.1.13 Pemodelan Multidimensional
Pemodelan Multidimensional adalah Sebuah teknik desain logikal
yang bertujuan untuk menyajikan data dalam bentuk standar, intuitif yang
memungkinkan untuk performa akses yang tinggi (Connoly dan Begg,
2005:1183).
2.1.13.1 Fact Table (Tabel Fakta)
Menurut inmon (2005:497), pusat dari tabel star join dimana
data mempunyai banyak kejadian yang akan ditempatkan.
Gambar 2.8 Representasi Entitas dan Relasinya
Fact table merupakan tabel utama yang merupakan inti dari
skema.Pada gambar 2.8 pusat dari skema tersebut adalah order.Fact
table mengandung kumpulan foreign key dan primary key yang ada
pada masing-masing tabel dimensi yang berhubungan.
2.1.13.2 Skema Bintang (Star schema)
Menurut Connolly dan Begg (2005:1183), skema bintang (star
schema) adalah struktur logikal yang mempunyai sebuah tabel fakta
yang berisi data faktual yang ditempatkan di tengah, dikelilingi oleh
tabel dimensi yang berisi data referensi yang dapat didenormalisasi.
Gambar 2.9Skema Bintang (Star Schema) (Connolly dan
Begg,2005:1884)
Menurut Ponniah (2001:220-223), Skema bintang memiliki
beberapa keuntungan diantaranya :
1. Mudah untuk dimengerti
2. Optimasi navigasi
3. Cocok untuk pemrosesan Query
4. Cocok untuk teknik perfoma yang khusus seperti
STARjoin dan STARindex.
2.1.13.3Skema Snowflake (Snowflake Schema)
Menurut Connolly dan Begg (2005:1185), skema snowflake
(snowflake schema) adalah variasi lain dari skema bintangyang
memungkinkan untuk memiliki banyak dimensi. Tabel dimensi dapat
mempunyai tabel dimensi lainnya seperti pada gambar 2.10 dibawah
ini.
Gambar 2.10 Skema Snowflake (Snowflake Schema) (Connolly
dan Begg,2005:1885)
Keuntungan dan kerugian dari skema snowflake (Ponniah,
Poulraj,2001:238) adalah :
Keuntungan
1. Tempat penyimpanan yang kecil
2. Struktur yang telah dinormalisasi akan lebih mudah untuk diupdate
dan dikelola
Kerugian
1. skema kurang intuitif dan user ditempatkan pada kopleksitas
2. Sulit untuk menelusuri melalui konten
3. Penurunan performa query karena penambahan join
2.1.13.4Skema Starflake (Starflake Schema)
Starflake Schema adalah Sebuah struktur hibrida atau
gabungan yang berisi campuran star schema dan snowflake schema.
Beberapa dimensi mungkin ada dalam kedua bentuk untuk memenuhi
kebutuhan query yang berbeda.
struktur yang diturunkan dari penggabungan konsep star
schema dan snowflake schema. Beberapa dimensi memiliki
kemungkinandibentuk dengan kedua konsep Star Schema dan
Snowflake Schema, hal ini disesuaikan dengan kebutuhan akanquery
yangdimiliki (Connolly dan Begg, 2005:1185).
Gambar 2.11Skema Starflake (Starflake Schema)
2.1.13.5ETL (Extract, Transform, Loading)
ETL adalah Serangkaian proses dimana sumber data
operasional dipersiapkan untuk datawarehouse. Merupakan proses
utama dari area backroomdatastaging dari datawarehouse, sebelum
setiap presentasi maupun query. Meliputi ekstraksi data operasional
dari aplikasi sumber, mentransformasikannya, memuat dan
melakukan pengindeksan, kontrol kualitas, dan menerbitkannya.
(Kimball dan Ross, 2002:401).
Gambar 2.12 Proses extraction, transformation, and loading
Proses ETL terdiri dari tiga tahap, yaitu :
1. Extract
Ekstraksi adalah langkah pertama dalam proses untuk
mendapatkan/mengambil data untuk dimasukkan kedalam
lingkungan data warehouse. Ekstrak berarti membaca dan
memahami sumber data dan menyalin data yang diperlukan
untuk datawarehouse kedalam stagingarea untuk manipulasi
lebih lanjut. Data diambil dari satu atau lebih sumber data atau
sistem operasional
2. Transform
Transform adalah proses setelah data diambil pada
proses ekstraksi karena data diambil dari banyak sumber data.
Transform melakukan proses pembersihan data (mengoreksi
kesalahan ejaan, mengatasi konflik domain, berurusan dengan
elemen yang hilang, atau menguraikan ke dalam format
standar), menggabungkan data dari berbagai sumber,
deduplicating data, dan menetapkan kunci dari warehouse
sehingga mendapatkan struktur data yang dikehendaki.
3. Load
Fase load merupakan fase memasukkan data ke target
akhir, yaitu kedalam datawarehouse. Proses ini sangat
bervariasi, tergantung pada kebutuhan organisasi Fase load
berinteraksi dengan database, batasan didefinisikan dalam
skema database sebagai pemicu pada waktu melakukan load
data (contohnya :uniqueness,referential, integrity, mandatory
fields), yang juga berkontribusi terhadap kinerja kualitas data
secara keseluruhan dari proses ETL.
2.1.14 Problem Solving
Problem Solving adalah memberikan pembenaran terhadap pola pikir
apabila terdapat suatu kesalahan, tidak ada keraguan dalam merespon
pengaruh buruk secara cepat.
• Elemen Problem Solving
Beberapa elemen harus tersedia apabila menginginkan suatu
keberhasilan pemecahan suatu masalah, beberapa elemen antara lain
(McLeod, 2001:112).
1. DesireState – Adalah apa yang sistem harus capai.
2. CurrentState – Adalah apa yang telah dicapai oleh sistem
pada saat ini. Apabila kedua state awal tersebut berbeda
maka terdapat beberapa masalah yang bersifat urgent
yang harus segera dipecahkan.
3. Solution Criterion – Adalah untuk mewujudkan
keberhasilan pada current state maka kita harus menjaga
performa pada desirestate.
4. Internal Constraints – Adalah mengambil bentuk dari
sumber daya yang terbatas yang ada dalam perusahaan.
5. Environmental Constraints – Adalah mengambil bentuk
tekanan dari berbagai lingkungan elemen yang melarang
aliran dari sumber daya ke dalam dan ke luar perusahaan.
2.1.15 Metodologi Loading Data
ETL adalah proses yang sangat memakan waktu. Untuk mengurangi
waktu proses ETL. Setiap langkah dalam ETL, yaitu,ekstraksi, transformasi,
dan loading tergantung pada masing-masingprosesnya.Dalam beberapa jenis
arsitektur data harusdiproses dalam mode real timeseperti harian, mingguan
atau bulanan.Data-data penting yang telah diidentifikasi dengan
menggunakan beberapa faktor sebelumnya pasti diambil dalam tabel yang
bersifat sementara.Tabel sementara ituakandi perbarui secara realtime dan
data yang tersisa akan di perbarui pada waktu yang telah dijadwalkan. Tabel
ini harus di kosongkan sementara,dan replika dari semua tabel dari
datagudang yang pada akhirnya akan diisi oleh data yang baru. (Jain,
Rajasree, Saluja , 2012:18, 27).
Skema tersebut akan dimodifikasi untuk mendukung real-time data
warehouse berdasarkan pendekatan yang ditunjukkan pada gambar berikut :
Gambar 2.13 Contoh modifikasi skema data warehouse
Pemetaan yang berbeda harus dirancang untuk tabel yang bersifat
sementara dan tabel dengan data yang tersisa. Pemetaan untuktabel sementara
yang berisi data penting harus sering dioperasikan dan set pemetaan untuk
tabel yang berisi data non-critical harus dioperasikan pada waktu yang
dijadwalkan, yaitu sekaliminggu, atau setiap hari.
2.1.16Decision Making
Menurut McLeod (2001:112), Decisionmakingadalah suatu
perbuatan untuk menyeleksi suatu strategi atau action yang dipercaya
akan memberikan solusi terbaik terhadap suatu masalah.
2.2 Teori Khusus
2.2.1 Services
Services atau jasa dapat diartikan sebagai suatu perbuatan, upaya atau
performa (Hoffman, Bateson 2006:5)
Service adalah berbagai kegiatan utama atau pelengkap yang secara
tidak langsung menghasilkan berbagai produk fisik (Evans, Collier 2007:11)
• Service quality
sebuah perilaku yang terbentuk dalam jangka panjang,
secara keseluruhan merupakan evaluasi bagi performa perusahaan
(Hoffman, Bateson 2006:333)
Jadi, servis merupakan perbuatan, upaya atau performayang secara
tidak langsung menghasilkan berbagai produk.
2.2.2Marketing
Sebuah perusahaan yang memiliki perencanaan kedepan yang
operasinya berfungsi untuk memenuhi keinginan pasar, kegiatan ini terdiri
dari melakukan desain produk, memberikan harga produk dan melakukan
promosi terhadap produk (Hoffman, Bateson 2006:421).
Marketing adalah sesuatu yang memenuhi permintaan atau paling
tidak akan mengambil pesanan untuk sebuah produk atau jasa, namun tidak
akan terjadi apa – apa apabila tidak terjual (Heizer, Render 2006:4).
2.2.3Interaksi Manusia dan Komputer
Interaksi Manusia dan Komputer adalah suatu ilmu yang mempelajari
cara manusia melakukan interaksi dengan komputer dan pengaruh dari
interaksi tersebut (Shneiderman,1998:10).
Dalam melakukan perancangan antar muka ada 5 faktor yang harus
diperhatikan untuk merancang antar muka yang user-friendly (Shneiderman,
Plaisant,2010:32):
1. Waktu untuk belajar.
2. Kecepatan kinerja.
3. Tingkat kesalahan user.
4. Daya ingat dari waktu ke waktu.
5. Kepuasan Subjektif.
• Delapan Aturan Emas
Ada delapan aturan emas yang digunakan dalam
merancang suatu interface (Shneiderman, Plaisant,2010:88-89),
yaitu:
1. Selalu konsisten.
2. UniversalUsability (shortcut).
3. Memberikan umpan balik yang informatif.
4. Merancang dialog yang menghasilkan penutupan.
5. Pencegahan dan penanganan kesalahan yang
sederhana.
6. Memungkinkan untuk kembali ke tindakan
sebelumnya.
7. Mendukung pusat kendali internal.
8. Mengurangi beban memori jangka pendek bagi
pemakai.