BAB 2 LANDASAN TEORI 2.1. Data dan Informasi W.H. Inmon pada

BAB 2
LANDAS AN TEORI
2.1.
Data dan Informasi
W.H. Inmon pada bukunya “Building the Data warehouse” (2005,p.493)
mendefinisikan data sebagai kumpulan fakta, konsep, dan instruksi yang
disimpan pada media penyimpanan untuk komunikasi, pengambilan, dan
pemrosesan dengan cara otomatis dan dipresentasikan sebagai informasi yang
dapat dimengerti oleh manusia. Contoh dari data, yaitu : saldo tabungan, jumlah
penduduk, nilai kuliah.
Sedangkan informasi didefinisikan sebagai data yang digabungkan dan
dievaluasi untuk menyelesaikan masalah atau membuat keputusan. Contoh dari
informasi, yaitu : laporan saldo tabungan bulanan dari setiap nasabah,
pertumbuhan penduduk pada setiap provinsi.
2.2.
Database
M enurut Connoly(2005. p.14), Database adalah kumpulan dari data – data
yang terhubung secara logika yang dibuat untuk memenuhi kebutuhan informasi
dari sebuah organisasi. Database merupakan penyimpanan data dalam skala
besar dengan jumlah duplikasi minimum yang dapat digunakan secara
bersamaan oleh beberapa pengguna. Database mewakili entitas, atribut, dan
hubungan logika antara beberapa entitas.
6 7 2.3.
Database Management System (DBMS )
M enurut A.Silberschatz (2006, p.1), Database M anagement System
(DBM S) adalah kumpulan dari data yang saling berhubungan dan program –
program untuk mengakses data tersebut. Tujuan utama dari DBM S adalah
menyediakan sarana untuk menyimpan dan mendapatkan informasi database
secara efisien. Dalam DBM S terdapat Data Definition Language (DDL), Data
M anipulation Language (DM L) dan pengaturan akses ke database sebagai
fasilitasnya.
2.3.1. Data Definiton Language (DDL)
Data Definiton Language (DDL) M emungkinkan user untuk
memilih tipe dan struktur data serta constraint pada data yang akan
disimpan di dalam database.
2.3.2. Data Manipulation Language (DML)
Data M anipulation Language (DM L) memungkinkan user untuk
melakukan insert, update, delete, dan mengambil data dari database.
2.4.
OLTP (Online Transaction Processing)
M enurut Conolly (2005, p.1149) OLTP adalah system yang dirancan g
untuk menangani jumlah transaksi yang tinggi, dengan transaksi yang secara
khusus melakukan perubahan kecil terhadap data operasional organisasi, yaitu
data yang dibutuhkan oleh organisasi untuk menangani operasi harian.
8 2.5.
OLAP (Online Analytical Processing)
M enurut
Connolly(2005,
p.1204),
OLAP
adalah
teknologi yang
menggunakan multi-dimensional view dari aggregate data untuk menyediakan
akses yang cepat ke informasi strategis untuk mendukung proses pengambilan
keputusan.
OLAP memungkinkan user untuk mendapatkan pemahaman dan informas i
yang mendalam mengenai berbagai aspek dari data perusahaan mereka melalui
akses yang cepat, konsisten, dan iteraktif ke berbagai macam data view.
2.6.
Data Mart
Data mart adalah fasilitas penyimpanan data yang berorientasi pada subject
tertentu atau berorientasi pada departemen tertentu seperti sales, marketing,
operation atau collection. Sehingga suatu organisasi bisa mempunyai lebih dari
satu data mart.
Data mart pada umumnya diorganisasikan sebagai suatu dimensional
model, seperti star schema yang tersusun dari sebuah tabel fakta dan tabel
dimensi.
2.7.
Extract, Transform, Loading (ETL)
Data operasional yang belum terintegrasi bersifat kompleks dan sulit
ditangani. Untuk itu diperlukan sebuah metode untuk mengintegrasikan data dari
9 level operasional ke data warehouse. M etode tersebut memiliki tiga proses,
yaitu:
1. Extraction
M enurut Kimball(2002, p8), extraction adalah langkah awal dalam
proses pengambilan data ke data warehouse. Extracting artinya membaca
dan memahami sumber data dan menyalin data yang dibutuhkan oleh data
warehouse ke staging area untuk dimanipulasi lebih mendalam.
2. Transformation
Setelah data diekstrak ke dalam staging area, ada beberapa
transformation
yang
mungkin
dilakukan
seperti
:
cleansing
data
(memperbaiki kesalahan pengejaan, memperbaiki konflik domain, mengatasi
elemen
yang hilang,
atau
mengubah
ke dalam format
standar),
menggabungkan data dari beberapa sumber, mengurangi duplikasi data, dan
memberikan warehouse keys.
3. Loading
Pada akhir proses transformasi, data berada dalam bentuk load record
images. Loading data ke dalam data warehouse berarti mengambil replika
dari tabel dimensi dan tabel fakta lalu mempresentasikan tabel – tabel
tersebut ke bulk loading facilities pada data mart.
10 2.8.
Data warehouse
2.8.1. Pengertian Data warehouse
Data warehouse adalah kumpulan data yang bersifat subjectoriented, integrated, nonvolatile, dan time-variant yang mendukung
proses pengambilan keputusan manajemen. Data pada data warehouse
dapat digunakan untuk tujuan yang berbeda termasuk untuk mengetahui
requirements yang akan dibutuhkan di masa yang akan datang. (W.H
Inmon , 2005.p29)
Data warehouse dibangun dari data aplikasi yang didapat dari
operational environment. Data tersebut kemudian diintegrasikan lalu
kemudian dialihkan ke data warehouse. Aliran data berjalan dari data
warehouse ke level department atau disebut juga data mart environment.
Data pada level department atau data mart dibentuk dari hasil pemrosesan
requirements setiap department.
Proses pengambilan keputusan pada data warehouse lebih mudah
karena data diambil dari sumber yang terintegrasi (data warehouse),
granularity dari data warehouse yang mudah diakses, dan karena data
warehouse memiliki fondasi yang reusable dan mudah untuk disusun
kembali.
2.8.2. Karakteristik Data warehouse
Pada pengertian data warehouse yang dijelaskan dalam poin
sebelumnya dikatakan bahwa data warehouse memiliki beberapa
11 karakteristik. M enurut
Conolly
(2005, p.1151)
karakteristik
–
karakteristik data warehouse adalah sebagai berikut :
•
Subject oriented (berorientasi subyek)
Data warehouse berorientasi subyek artinya data warehouse
didesain untuk menganalisa data pada area subyek – subyek utama
dalam organisasi bukan pada area aplikasi.
Data warehouse diorganisasikan pada subjek – subjek utama
seperti pelanggan, produk, dan penjualan bukan pada area aplikasi
seperti invoice, pengontrolan stok, dan penjualan produk. Hal ini
dikarenakan data warehouse dirancang untuk memenuhi kebutuhan
akan penyimpanan data yang mendukung proses pembuatan
keputusan daripada aplikasi yang berorientasi terhadap data.
•
Integrated (terintegrasi)
Data warehouse menyimpan data yang berasal dari berbagai
sumber secara konsisten karena sumber data tersebut terkadang
tidak konsisten seperti format data yang berbeda. Format data pada
data warehouse dibuat konsisten dan terintegrasi untuk memberikan
data yang seragam kepada pengguna. Contoh proses pengintegrasian
ini dapat dilakukan dengan
cara melakukan konversi dan
menyesuaikan format data.
•
Time – variant (variasi waktu)
Seluruh data pada data warehouse dikatakan akurat dan
berlaku pada suatu rentang waktu atau interval tertentu. Variasi
12 waktu dari data warehouse dapat dilihat ketika pada kasus tertentu,
sebuah record memiliki time stamp. Dalam kasus lain, setiap record
memiliki tanggal transaksi. Tetapi pada setiap kasus pasti ada
pemberian waktu untuk menunjukkan rentang waktu dimana data
tersebut berlaku.
•
Non-volatile (tidak mudah berubah)
Dikatakan tidak mudah berubah karena data tidak diupdate
secara realtime tetapi dengan cara di-refresh dari sistem operasional
secara regular. M eskipun diupdate secara reguler dari database
operasional tetapi data
warehouse berbeda
dari
database
operasional karena pada data warehouse hanya ada dua kegiatan
yaitu loading data dan pengaksesan data secara massal tetapi tidak
ada proses updating data seperti pada database operasional.
2.8.3. Keuntungan Data warehouse
Pengimplementasian data
warehouse
yang baik
akan
memberikan keuntungan bagi sebuah organisasi. Keuntungan –
keuntungan tersebut menurut Connolly (2002, p.1048) adalah :
•
Potensi nilai return of investment (ROI) yang tinggi.
•
Keuntungan yang kompetitif
•
M eningkatkan produktifitas para pengambil perusahaan pada
sebuah perusahaan.
13 2.8.4. Arsitektur Data warehouse
Penjelaskan mengenai proses, tools, dan teknologi yang
berhubungan dengan data warehouse akan diuraikan pada poin ini.
Arsitektur data
warehouse menurut
Connolly
(2002,
p.1052)
digambarkan seperti berikut ini :
2.8.4.1.
Operational Data
Sumber dari operational data dapat diperoleh dari :
• M ainframe data operational yang terdapat pada generasi
pertama dari database jaringan dan hierarkikis. Dapat
diestimasikan
bahwa
mayoritas
data
operasional
perusahaan tersimpan pada sistem ini.
• Data dari masing – masing departemen yang tersimpan
pada file system seperti VSAM , RM S, dan file sistem
dari relational DBM S seperti Informix dan Oracle.
• Private data yang tersimpan di workstation dan private
server.
• Sistem eksternal seperti internet, database komersial, atau
database yang berhubungan dengan perusahaan supplier
atau customer.
14 2.8.4.2.
Operational Datastore
Operational
Datastore
penyimpanan data operasional
(ODS)
yang
adalah
tempat
terintegrasi yang
digunakan untuk analisis. ODS memiliki struktur dan cara
penyediaan data yang sama dengan data warehouse tetapi
sesungguhnya bertindak secara sederhana sebagai tempat
penyimpanan sementara sebelum dipindahkan ke data
warehouse.
2.8.4.3.
Load Manager
Load manager melakukan semua operasi yang
berhubungan dengan ekstraksi dan loading data ke data
warehouse. Data dapat diekstrak secara langsung dari
sumber data atau biasanya diambil dari operational
datastore.
2.8.4.4.
Warehouse Manager
Warehouse manager melakukan semua operasi yang
berhubungan dengan kegiatan
manajemen data pada
warehouse. Operasi – operasi tersebut meliputi :
• Analisis untuk memastikan konsistensi data.
15 • Transformasi dan penggabungan sumber data dari tempat
penyimpanan sementara ke tabel data warehouse.
• Pembuatan index dan view dari tabel - tabel dasar.
• M elakukan denormalisasi dan aggregrasi bila diperlukan.
• M em-back up dan mengarsipkan data.
2.8.4.5.
Query Manager
Query manager melakukan semua operasi yang
berhubungan dengan kegiatan manajemen query yang
dilakukan oleh user. Operasi – operasi yang dilakukan oleh
komponen ini meliputi pengarahan query ke tabel yang
sesuai dan menjadwalkan waktu eksekusi dari query. Pada
beberapa kasus, query manager juga membuat query profiles
untuk mengizinkan data warehouse agar bisa menentukan
index dan fungsi aggregate mana yang sesuai.
2.8.4.6.
Detailed Data
Area data warehouse ini menyimpan semua data
detail dari database schema. Pada banyak kasus, data detail
tidak disimpan secara online melainkan disimpan pada level
berikutnya dengan melakukan proses aggregating.
16 2.8.4.7.
Lightly and Highly S ummarized Data
Area ini menyimpan 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 informasi ini
adalah untuk meningkatkan kecepatan query. Data diupdate
secara terus menerus setiap data baru di-load ke data
warehouse.
2.8.4.8.
Archived / Backup Data
Area ini menyimpan data detail dan ringkasan data
untuk tujuan pengarsipan dan back up. Walaupun ringkasan
data dihasilkan dari data detail, tetapi back up online dari
ringkasan data diperlukan seandainya data disimpan dalam
waktu yang melebihi batas periode penyimpanan data detail.
Data dipindahkan ke media penyimpanan arsip seperti
magnetic tape atau optical disk.
2.8.4.9.
Meta Data
Area ini menyimpan semua definisi meta-data (data
tentang data) yang digunakan oleh semua proses di dalam
17 data warehouse. M eta-data digunakan untuk berbagai
macam tujuan seperti :
• Proses loading dan ekstraksi : meta-data digunakan untuk
memetakan sumber data ke view yang terdapat pada data
warehouse.
• Proses manajemen warehouse : meta-data digunakan
untuk meng-otomatisasi pembuatan tabel ringkasan dari
data yang ada di dalam data warehouse.
• Sebagai bagian dari query management process : metadata digunakan untuk mengarahkan query ke sumber
data yang paling sesuai.
2.8.4.10.
End-User Access Tools
Tujuan utama dari data warehouse adalah untuk
menyediakan informasi kepada bisnis user untuk membuat
keputusan
strategis.
User
berinteraksi
dengan
data
warehouse menggunakan end-user access tools. Tools ini
dibagi kedalam 5 kategori , yaitu :
• Reporting and query tools.
• Application development tools.
• Executive information system (EIS) tools.
• Online analytical processing (OLAP) tools.
• Data mining tools.
18 2.9.
Data warehouse Data Flows
M enurut Connolly (2005, p.1162)
data warehouse fokus pada
management lima data flows primer, yaitu :
1. Inflows
adalah
proses
yang
berhubungan
dengan
pengekstrasian,
pembersihan dan pemuatan data dari source system ke dalam data
warehouse.
2. Upflow adalah proses yang berhubungan dengan penambahan nilai pada data
yang ada di dalam data warehouse melalui peringkasan, packaging, dan
pendistribusian data.
3. Downflow adalah proses yang berhubungan dengan pengarsipan dan back up
data pada data warehouse. Downflow memastikan agar data warehouse
dapat dibangun kembali jika terjadi kehilangan data atau kerusakan pada
software/hardware.
4. Outflow adalah proses yang terkait dengan penyediaan data sehingga data
selalu ada untuk end-users. Ada 2 kunci kegiatan yang terlibat dalam
outflow, yaitu:
a. Accessing, artinya mampu memenuhi permintaan end-users akan data
yang mereka butuhkan.
b. Delivering, secara proaktif mengirim informasi ke lingkungan kerja endusers.
5. Meta-flow adalah proses yang terkait dengan manajemen meta-data.
19 2.10.
Metodologi Perancangan Data warehouse
M enurut Conolly (2005, p.1187) ada sembilan langkah dalam merancan g
data warehouse yang dikenal dengan “Nine-step method”, yaitu :
1. M emilih proses (Choosing the process)
Yang dimaksud dengan proses adalah subjek masalah dari data mart. Data
mart yang dibuat harus bisa menjawab pertanyaan – pertanyaan penting dari
bisnis dan mudah diakses dari sudut pandang ekstraksi data.
2. M emilih Grain (Choosing the grain)
M emilih
grain
berarti
menentukan
apa
yang
sebenarnya
direpresntasikan oleh record – record yang ada pada tabel fakta.
3. M engidentifikasi dan menyesuaikan dimensi (Identifying and conforming the
dimensions)
M engidentifikasi dimensi – dimensi yang ada dengan detail secukupnya agar
data mart menjadi mudah dimengerti dan mudah digunakan.
4. Choosing the facts
M emilih fakta yang akan digunakan oleh data mart. Semua fakta harus
ditampilkan pada level yang sama dengan grain. Fakta harus berupa numerik
dan aditif.
5. Storing precalculations in the fact table
Setelah fakta dipilih, maka setiap fakta harus diuji kembali untuk mengetahui
apakah ada kemungkinan untuk dilakukan pre-kalkulasi.
6. Rounding out the dimension tables
20 M enambahkan sebanyak mungkin teks deskripsi kepada tabel dimensi. Teks
deskripsi harus intuitif dan mudah dimengerti oleh user.
7. Choosing the duration of the database
M enentukan durasi atau umur dari tabel fakta.
8. The need to track slowly changing dimensions
Ada 3 tipe dasar dari perubahan dimensi yang lambat, yaitu :
•
Type 1, dimana atribut yang mengalami perubahan di-overwrite.
•
Type 2, ketika atribut dimensi yang mengalami perubahan menyebabkan
terbentuknya record dimensi baru.
•
Type 3, ketika atribut dimensi yang mengalami perubahan menyebabkan
adanya atribut pengganti sehingga nilai lama dan nilai baru dapat diakses
secara bersamaan pada dimensi record yang sama.
9. Deciding query priorities and query modes.
2.11.
Konsep Pemodelan Data warehouse
2.11.1. Dimensional Modeling
Dimensional modeling adalah metodologi untuk membuat
model logika dari data agar lebih mudah digunakan dan memberikan
query performance yang tinggi. Data ditampilkan pada dimensidimensi yang tidak terpisahkan menggunakan relational model dengan
beberapa batasan tertentu. Setiap dimensional model digabungkan
dalam satu tabel dengan multipart key yang disebut tabel fakta dan
sekumpulan tabel – tabel yang lebih kecil yang disebut tabel dimensi.
21 Setiap tabel dimensi memiliki satu primary key yang berhubungan
dengan salah satu komponen dari multipart key pada tabel fakta.
Struktur yang menyerupai anatomi bintang ini disebut star join atau
star schema. Kimball(data warehouse life cycle toolkit, 2002, p54).
2.11.2. Tabel Fakta dan Tabel Dimensi
Tabel fakta merupakan fondasi utama dari data warehouse.
Tabel ini berisi pengukuran dan informasi fundamental dari sebuah
bisnis yang merupakan target utama dari data warehouse query. Pada
star schema, tabel fakta merupakan tabel sentral yang menyimpan
pengukuran numerik dan memiliki composite key yang setiap elemen
nya merupakan foreign key yang diambil dari tabel dimensi. Relas i
yang dimiliki oleh tabel fakta merupakan many-to-many relationship
dari dimensi – dimensi yang ada pada dimensional model.
Tabel dimensi merupakan tabel pada dimensional model yang
mengelilingi tabel fakta pada star schema. Tabel ini mendeskripsikan
satu aspek penting dari tabel fakta yang ditunjukkan dengan singlepart primary key dan atribut kolom yang deskriptif. Atribut – atribut
dari tabel dimensi memegang peranan penting pada data warehouse
karena mereka merupakan sumber dari constraints dan report label
yang diperlukan untuk membuat data warehouse berguna dan mudah
dimengerti.
22 2.11.3. Skema Bintang (Star Schema)
Star schema merupakan arsitektur data warehouse paling
sederhana yang terdiri dari tabel fakta dan tabel – tabel dimensi. Tabel
fakta menjadi pusat dari star schema yang dikelilingin oleh tab. l –
tabel dimensi yang lebih kecil. Tabel fakta dan tabel dimens i
dihubungkan dengan hubungan many-to-one untuk menjamin hirarki
dari star schema.
Star schema bisa memberikan respon yang cepat dalam
memberikan akses pada database optimizers untuk diimplementasikan
pada struktur database agar menghasilkan execution plan yang lebih
baik.
Gambar 2.1 S kema Bintang
(Sumber : http://datawarehouse4u.info/Data‐warehouse‐schema‐
architecture‐star‐schema.html) 23 2.11.4. Skema Snowflakes (Snowflakes Schema)
Skema snowflakes merupakan variasi yang lebih kompleks dari
model skema bintang dimana semua data pada tabel dimensi disimpan
dalam bentuk 3-NF sehingga memungkinkan adanya tabel dimens i
tambahan sementara struktur tabel fakta nya tetap sama. Untuk
menjaga dari model ini, tabel – tabel dimensi dihubungkan dengan
tabel sub-dimensi menggunakan many-to-one-relationships.
Skema ini bisa mengurangi redundancy dan menghemat media
penyimpanan. Dampak yang kurang baik dari skema ini adalah
berkurang nya efektifitas browsing karena skema yang kompleks dan
menurunnya system performance karena adanya tabel – tabel
tambahan.
Gambar 2.2 S kema Snowflakes
(sumber : http://datawarehouse4u.info/Data-warehouse-schemaarchitecture-snowflake-schema.html )
24 2.12.
Teori Data Flow Diagram (DFD)
M enurut Jeffery L. Whitten (2004, p.344) , data flow diagram adalah alat
yang digunakan untuk menggambarkan aliran data yang melewati sistem serta
pekerjaan atau proses yang terjadi didalam sistem.
2.12.1 Komponen DFD
Ada 4 komponen utama yang membentuk data flow diagram , yaitu : aliran
data , external agent , proses , dan data stores.
M enurut Jeffery L. Whitten (2004, p.357) , data flow merupakan data yang
masuk atau keluar dari sebuah proses.
Data flow merepresentasikan
data/informasi yang masuk ke dalam sistem atau hasil dari sebuah proses. Data
flow hanya memiliki 1 arah antar symbol.
Gambar 2.3 Konsep Data Flow
(Sumber : Jeffery L. Whitten (2004, p. 357))
25 Jeffery L. Whitten (2004, p. 363) , menjelaskan bahwa external agent
merupakan orang, unit organisasi, sistem luar atau organisasi yang berinteraks i
dengan sistem. Disebut juga external entity.
M enurut
Jeffery L. Whitten (2004, p. 366) , data stores merupakan
inventory data atau tempat penyimpanan data. Data Stores dapat berupa file
dokumen dan atau database.
Process M enggambarkan penyelenggaraan kerja atau jawaban, dimana input
ditransformasikan menjadi output. Sehingga setiap proses setidaknya memiliki 1
input dan 1 output. Jika proses hanya memiliki output, maka itu bukanlah proses
melainkan external agent. Jika proses hanya memiliki input, maka itu bukanlah
proses melainkan data stores.
Ada 2 cara untuk menggambarkan DFD , yaitu menggunakan simbol
DeM arco/Yourdan atau menggunakan simbol yang diperkenalkan oleh Gane dan
Sarson.
Komponen DeM arco/Yourdan
Data Flow
External
Agent
Gane dan Sarson
26 Data
Stores
Process
Tabel 2.1 Simbol – Simbol DFD
2.12.1 DFD Level
DFD dapat digambarkan dalam diagram konteks dan Level n. Levelisasi
dimulai dari tingkatan tertinggi (diagram konteks) , lalu diuraikan ke bentuk yang
lebih rinci yang dinamakan dengan diagram level-n.
Tingkatan pada DFD adalah sebagai berikut :
1. Diagram Konteks (context data flow diagram)
M enurut Jeffery L. Whitten (2004, p.372) , diagram konteks
merupakan model proses yang digunakan untuk mendokumentasikan
scope untuk sebuah sistem. Juga disebut environmental model.
Gambar 2.4 Contoh Diagram Konteks
(sumber : http://nyobayoo.blogspot.com/2008/09/diagram‐konteks.html) 27 2. Diagram Nol (context data flow diagram)
M enurut Hoffer (1996, p.318) level-0 diagram meripakan
diagram aliran data yang menggambarkan sebuah major proses , data
flow, dan data stores dari sebuah sistem yang berada pada tingkatan
tertinggi untuk detailnya
Gambar 2.5 Contoh Diagram Nol
(sumber : http://nyobayoo.blogspot.com/2008/09/diagram-nolzerooverview-diagram.html)
3. diagram rinci
Diagram rinci menggambarkan rincian dari proses yang terdapat
dalam diagram nol atau diagram level ditingkat sebelumnya.
28 Gambar 2. 6 Contoh Diagram Rinci (level 1)
(sumber : http://nyobayoo.blogspot.com/2008/09/diagram-rinci-leveldiagram.html) 2.13.
Teori Khusus
2.13.1. Purchase Order
M enurut Romney & Stenbart (2003, p.421) purchase order adalah
dokumen atau formulir elektronik yang secara formal meminta pemasok
untuk menjual dan mengirimkan produk tertentu sesuai dengan harga
yang telah ditetapkan.
Purchase order juga berfungsi sebagai janji
pembayaran sekaligus menjadi kontrak saat purchase order diterima
pemasok.
29 2.13.2. S ales Order
M enurut Romney & Stenbart (2003, p.713) Sales order merupakan
dokumen yang dibuat selama pencatatan pemesanan barang yang akan
dijual, merangkup nomor barang, kuantiti, harga dan syarat penjualan.
2.13.3. Plafon
Berdasarkan KBBI , plafon dalam istilah ekonomi diartikan sebagai
batas tertinggi (biaya, kredit, dsb) yg disediakan.