1 BAB 2 LANDASAN TEORI 2.1 Teori – Teori Umum 2.1.1
advertisement
BAB 2 LANDASAN TEORI 2.1 Teori – Teori Umum 2.1.1 Pengertian Data Menurut Inmon (2005:493), data adalah sebuah rekaman dari fakta - fakta, konsep – konsep, atau instruksi – instruksi pada media penyimpanan untuk komunikasi. Perolehan, dan pemrosesan dengan cara otomatis dan presentasi sebagai informasi yang dapat dimengerti oleh manusia. Sedangkan menurut Whitten, Bentley, & Kevin (2004:23), data adalah fakta mentah mengenai orang, tempat, kejadian, dan hal-hal yang penting dalam organisasi. Tiap fakta, dengan sendirinya, secara relatif tidak ada artinya. Jadi, data merupakan kumpulan dari sebuah rekaman baik itu fakta, konsep atau pun instruksi mentah yang dapat digunakan untuk menghasilkan informasi yang dapat dimengerti dan berguna bagi organisasi. 2.1.2 Pengertian Informasi Menurut Inmon (2005:498), informasi adalah data yang telah diasimilasi dan dievaluasi oleh manusia untuk menyelesaikan sebuah permasalahan atau membuat keputusan. Sedangkan menurut Whitten, Bentley & Kevin (2004:23), informasi adalah data yang telah diproses atau di organisasi ulang menjadi bentuk yang berarti. Informasi dibentuk dari kombinasi data yang diharapkan memiliki arti ke penerima. 8 9 Dapat disimpulkan bahwa informasi merupakan data yang telah diolah, dimana informasi tersebut biasanya digunakan untuk pengambilan keputusan. 2.1.3 Pengertian Database Menurut Connolly & Begg (2010:15), database adalah kumpulan dari data yang saling berhubungan secara logical dan menjelaskan data tersebut, dirancang untuk memenuhi kebutuhan informasi perusahaan. Sedangkan menurut Inmon (2005:493), database adalah kumpulan dari data yang saling berhubungan yang disimpan berdasarkan skema. Dapat disimpulkan bahwa database adalah kumpulan dari data yang berhubungan secara logical dan disimpan berdasarkan skema yang dirancang untuk memenuhi kebutuhan informasi perusahaan. 2.1.4 Pengertian Database Management System Menurut Turban, Aroson, & Liang (2005:228), Database Management System (DBMS) merupakan suatu program software untuk menambahkan memperbarui, informasi menghapus, pada sebuah memanipulasi, database menyimpan, dan serta mendapatkan kembali informasi. DBMS didesain untuk menangani sejumlah besar informasi dan memungkinkan para user untuk melakukan query data. 10 2.1.5 Pengertian Data Warehouse Menurut Inmon (2005:29), data warehouse adalah sekumpulan dari data yang subject-oriented, integrated, time-variant, dan non-volatile untuk mendukung proses pembuatan keputusan manajemen. Sedangkan menurut McLeod & Schell (2008:249), data warehouse merupakan perkembangan dari konsep database yang menyediakan suatu sumber data yang lebih baik bagi para user dan memungkinkan user untuk memanipulasi dan menggunakan data tersebut secara intuitif. Dikutip dari jurnal Al-Debei (2011:164), data warehouse sangat dikenal sebagai sebuah infrastruktur, beberapa aplikasi bisa dijalankan dalam data warehouse seperti CRM dan DSS. Disisi lain, beberapa teknik yang bisa digunakan untuk ekstraksi business intelligence dalam data warehouse seperti data mining, OLAP dan dashboard. Data warehouse digunakan oleh manager dikarenakan mendukung dalam proses pengambilan keputusan. Jadi, dapat disimpulkan bahwa data warehouse merupakan sebuah arsitektur data yang digunakan untuk menyediakan kebutuhan informasi yang diperlukan dalam mendukung proses analisa data dan pengambilan keputusan. 2.1.6 Karakteristik Data Warehouse Menurut Inmon (2005:29), data warehouse memiliki beberapa karakteristik yaitu : 1. Subject-Oriented, data warehouse diorganisasikan berdasarkan subjek utama dari perusahaan (seperti pelanggan, produk, dan penjualan) dari 11 pada berdasarkan area aplikasi utama (seperti pembuatan faktur pelanggan, pengendalian persedian dan penjualan produk). Hal ini menggambarkan data yang ada didalam data warehouse merupakan data untuk pengambilan keputusan, bukan data yang berorientasi aplikasi. 2. Integrated, data didalam data warehouse berasal dari sumber data yang berbeda dari sistem aplikasi yang berbeda diseluruh perusahaan. Sumber data biasanya digunakan secara tidak konsisten, contohnya format yang berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan pandangan terintegrasi dari data kepada user. Gambar 2.1 Contoh Integration 12 3. Time Variant, data didalam data warehouse hanya akurat dan valid dalam suatu waktu tertentu atau dalam interval waktu tertentu. Gambar 2.2 Time Variancy 4. Non-volatile, data didalam data warehouse tidak diupdate secara real time tetapi diperbaharui dari sistem operasional secara berkala. Data baru selalu ditambahkan sebagai tambahan ke dalam database bukan sebagai penggantian. Gambar 2.3 Contoh Non Volatility 13 2.1.7 Pengertian Online Transaction Processing (OLTP) Menurut Connolly & Begg (2010:1149), OLTP adalah sebuah sistem yang telah dirancang untuk menangani pemrosesan transaksi tingkat tinggi, dengan transaksi yang secara umum membuat perubahan kecil pada data operasional organisasi, yang dibutuhkan oleh organisasi untuk menangani operasi sehari – hari. Menurut Kimball, Ross, Thornthwaite, Mundy, & Becker (2008:608), OLTP adalah penjelasan dari semua aktivitas dan sistem yang berhubungan dengan memasukkan data yang dapat diandalkan ke dalam database. Jadi, dapat disimpulkan bahawa OLTP adalah sebuah sistem yang berfungsi untuk menangani pemrosesan transaksi dan semua aktivitas dari sistem yang berhubungan dengan memasukkannya ke dalam database. 2.1.8 Pengertian Online Analytical Processing (OLAP) Menurut Connolly & Begg (2010:1200), OLAP merupakan sebuah perangkat yang menggambarkan teknologi menggunakan gambaran multidimensi sejumlah data yang menyediakan akses yang lebih cepat bagi strategi informasi dengan tujuan mempercepat analisis. 2.1.9 Perbandingan Data Warehouse dan OLTP Secara umum perbedaan antara data warehouse dan OLTP menurut Connolly & Begg (2010:1148) adalah sebagai berikut : 14 Table 2.1 Perbedaan antara OLTP dengan data warehouse OLTP Data Warehouse Menyimpan data saat ini. Menyimpan data history. Menyimpan data detil. Menyimpan detailed, lightly, dan highly summarized data. Datanya bersifat dinamik. Datanya bersifat statis. Proses yang berulang kali. Prosesnya bersifat khusus dan tidak terstruktur. Transaksi tingkat tinggi. Transasksinya tingkat menengah hingga rendah. Pola penggunaannya dapat diprediksi Pola penggunaanmya tidak dapat diprediksi. Berfokus pada proses transaksi. Berfokus pada proses analisis. Berorientasi aplikasi. Berorientasi subjek. Mendukung pengambilan keputusan Mendukung pengambilan keputusan harian. strategis. Melayani user dalam jumlah besar. Melayani user dalam jumlah kecil biasanya manajer. 2.1.10 Pengertian Data Mart Menurut Inmon (2005:73), data mart adalah struktur data per departemen yang berasal dari data warehouse dimana data di denormalisasi berdasarkan kebutuhan informasi tiap departemen. Sedangkan menurut Connolly & Begg (2005:1165), data mart 15 merupakan bagian dari data warehouse yang mendukung kebutuhan informasi bagian departemen atau fungsi bisnis tertentu. Karakteristik yang membedakan antara data mart dengan data warehouse yaitu : Data mart berfokus pada kebutuhan pengguna yang berhubungan dengan satu bagian departemen atau fungsi bisnis. Data mart tidak berisi data operasional yang bersifat detil. Data mart lebih dimengerti dan digunakan karena berisi data yang lebih sedikit dibandingkan data warehouse. 2.1.11 Keuntungan Data warehouse Menurut Connolly & Begg (2005:1148), data warehouse yang telah diimplementasikan dengan baik dapat memberikan keuntungan besar bagi organisasi, yaitu: Potensi nilai kembali yang besar pada investasi Sebuah organisasi harus mengeluarkan uang dan sumber daya dalam jumlah yang cukup besar untuk memastikan kalau data warehouse telah diimplementasikan dengan baik, biaya yang dikeluarkan tergantung dari solusi teknikal yang diinginkan. Akan tetapi, setelah data warehouse digunakan, maka kemungkinan didapatkannya ROI (Return on Investment) relatif lebih besar. 16 Keuntungan kompetitif Keuntungan kompetitif didapatkan apabila pengambilan keputusan mengakses data yang dapat mengungkapkan informasi yang sebelumnya tidak diketahui, tidak tersedia, misalnya informasi mengenai konsumen, tren, dan permintaan. Meningkatkan produktivitas para pengambil keputusan perusahaan Data warehouse meningkatkan produktivitas para pengambil keputusan perusahaan dengan menciptakan sebuah database yang terintegrasi secara konsisten, berorientasi pada subjek, dan data histori. Data warehouse mengintegrasikan data dari beberapa sistem yang tidak compatible ke dalam bentuk yang menyediakan satu pandangan yang konsisten dari organisasi. Dengan mengubah data menjadi informasi yang berguna, maka seorang manajer bisnis dapat membuat analisa yang lebih akurat dan konsisten. 2.1.12 Struktur Data Warehouse Berdasarkan Inmon (2005:33-34), dalam data warehouse terdapat beberapa tingkat detil yang berbeda – beda, yakni : older level of detail (biasanya berganti – ganti, penyimpanan bulk), 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 17 penting dari data terjadi pada jalur dari tingkat data operasional ke tingkat data warehouse. Seiring berjalannya waktu, data dari current detail mengalir menuju older detail. Apabila data di-summarized, data akan beralih dari current detail menuju lightly summarized data. Dibawah ini merupakan gambaran mengenai tingkatan detil data dalam data warehouse. 2.1.12.1 Granularity Menurut Inmon (2005:41), granularity mengarah ke level of detail atau ringkasan data pada data warehouse. Semakin detil data maka semakin rendah juga tingkat granularitynya. Begitu juga sebaliknya semakin ringkas data, semakin tinggi tinkat granularity. Ringkasan dari semua transaksi pada suatu bulan akan menjadi tingkat yang tinggi atas granularity. Granularity dari data akan menjadi sebuah persoalan desain utama pada lingkungan data warehouse karena mempengaruhi volume data pada data warehouse dan jenis query yang dapat dijawab. Pada banyak kasus, data yang masuk ke data warehouse berada pada tingkat granularity yang terlalu tinggi artinya developer harus menghabiskan banyak sumber daya untuk memecah data. Kadang – kadang data masuk ke data warehouse pada tingkat granularity yang terlalu rendah. 18 2.1.12.2 Metadata Menurut Inmon (2005:102), metadata adalah sebuah komponen penting dari lingkungan data warehouse. Metadata atau data tentang data, telah menjadi bagian dari lingkungan pemrosesan informasi selama telah ada program dan data. Tetapi dalam dunia data warehouse, metadata mendapatkan tingkat kepentingan baru, untuk segala usaha yang paling efektif digunakan pada data warehouse. Metadata memungkinkan end-user atau decision support system analyst untuk menavigasi melalui beberapa kemungkinan. Ketika user akan menggunakan data warehouse yang tidak memiliki metada, maka user tidak tahu darimana akan memulai analisa. Dengan adanya metada, maka user dapat dengan cepat mencari data yang penting atau menentukan data yang tidak ada dalam data warehouse. Metadata bertindak sebagai index untuk isi dari data warehouse. Metadata items menyimpan hal – hal sebagai berikut: Struktur data bagi programmer. Struktur data bagi DSS analyst. Sumber data untuk data warehouse. Transformasi data ke data warehouse. Data model. Relationship antara data model dan data warehouse. 19 Histori dari extracts. 2.1.13 Eksternal Data Dalam Data Warehouse Menurut Inmon (2005:268) data warehouse mampu menampung data lebih dari data internal dan data terstuktur. Ada banyak informasi relevan bagi perusahaan yang bersumber dari luar perusahaan. Menurut Inmon (2005:257 - 259) kebanyakan perusahaan dan hampir semua kasus dalam membangun data warehouse sumber data yang paling utama adalah data pada sistem yang sedang berjalan (data internal dan data yang terstruktur) pada perusahaan tersebut. Satu keseluruhan besar atas data lain yang sah digunakan untuk sebuah perusahaan yang tidak dihasilkan dari sistem perusahaan sendiri disebut dengan data eksternal dan biasanya memasuki perushaaan dalam format yang tidak terduga. Ada 2 tipe dasar dari eksternal data, yakni sebagai berikut : tipe pertama adalah records dari eksternal data yang dikoleksi dari beberapa sumber (seperti dokumen toko obat, supermarket dan lain – lain), tipe yang kedua adalah eksternal data dari laporan, artikel dan sumber lainnya yang diambil secara acak. 20 2.1.14 Arsitektur Data Warehouse Menurut Kimball & Caserta (2004:16), komponen utama yang dimiliki oleh data warehouse pada umumnya, yaitu : Gambar 2.4 Arsitektur Data Warehouse (Kimball & Caserta, 2004:16) 2.1.14.1 Data Operasional Sumber data untuk data warehouse berasal dari : - Mainframe operasional data memegang kendali di hirarki generasi pertama dan di database jaringan. - Departmental data yang disimpan kepemilikan sistem file seperti VSAM, RMS, dan relasi DBMS seperti Informix dan Oracle. - Data pribadi disimpan pada workstations dan private servers. 21 - External systems seperti internet, database komersial atau database yang berhubungan dengan pemasok organisasi atau konsumen. 2.1.14.2 Operational Data Store ODS adalah sebuah tempat penyimpanan data operasional terkini dan terintegrasi yang digunakan untuk keperluan analisis. ODS sering kali terstruktur dan terisi data dengan cara yang serupa dengan data warehouse, namun kenyataannya merupakan tempat untuk menampung data yang akan masuk ke dalam data warehouse. 2.1.14.3 ETL Manager ETL Manager menjalankan seluruh operasi yang berhubungan dengan proses ETL data ke dalam data warehouse. Data dapat saja di ekstrak langsung dari sumber data, atau lebih umum dari data store operasional. 2.1.14.4 Warehouse Manager Warehouse Manager menjalankan seluruh operasi yang berhubungan warehouse. Operasi dengan manajemen data yang dijalankan oleh dalam warehouse manager meliputi : - Analisis data untuk memastikan konsistensi. - Transformasi dan penggabungan sumber data dari penyimpanan sementara ke dalam tabel data warehouse. 22 - Pembuatan index dan views pada tabel-tabel. - Generate denormalisasi (jika diperlukan). - Generate agregasi. - Back-up dan penyimpanan data. 2.1.14.5 Query Manager Query Manager menjalankan semua operasi yang berhubungan dengan manajemen query pengguna. Kompleksitas dari query manager ditentukan oleh fasilitas yang disediakan oleh end-user access tools dan database. Operasi yang dijalankan oleh komponen ini termasuk mengarahkan query ke tabel yang benar dan menjadwalkan pengeksekusian query. 2.1.14.6 Detailed Data Pada bagian ini, warehouse menyimpan detil seluruh data dalam skema database. Dalam kebanyakan kasus, detil data tidak disimpan secara online, namun dimungkinkan dengan mengagregasi data ke tingkatan detil data selanjutnya. 2.1.14.7 Lightly and Highly Summarized Data Pada bagian ini, warehouse menyimpan data yang telah di agregasi (lightly and highly summarized) yang dihasilkan dengan warehouse manager. Tujuan dari informasi yang diringkas adalah agar dapat meningkatkan peforma query. 23 2.1.14.8 Archive / Backup Data Pada bagian ini, warehouse menyimpan detailed data dan data yang telah diringkas dengan tujuan untuk penyimpanan (achiving) dan back up. Walaupun data yang diringkas dihasilkan dari detailed data, sangatlah penting untuk memback up online summary data. 2.1.14.9 Metadata Pada bagian ini, warehouse menyimpan semua definisi metadata (data mengenai data) yang digunakan oleh proses yang terjadi dalam warehouse. Metadata digunakan untuk berbagai keperluan, seperti : - Proses ekstraksi dan loading, dimana metadata digunakan untuk memetakan sumber data. - Proses manajemen warehouse, dimana metadata digunakan untuk meng-otomatisasi pembuatan ringkasan tabel. - Sebagai bagian dari proses manajemen query, dimana metadata digunakan untuk mengarahkan query ke sumber data yang sesuai. Struktur metadata berbeda untuk setiap proses karena tujuannya berbeda. 24 2.1.14.10 End-User Access Tools Tujuan utama data warehouse adalah untuk mendukung para pembuat keputusan. Data warehouse harus bisa mendukung analisa ad-hoc dan rutin. Peforma tinggi didapatkan dengan merencanakan keperluan untuk joins, summations, dan laporan periodik dengan user. Tools ini dikategorikan menjadi 4 jenis, yaitu: a. Reporting and Query Tools Reporting tools meliputi production reporting tools dan report writers. Production reporting tools digunakan untuk menghasilkan laporan operasional rutin, atau mendukung pekerjaan bervolume tinggi seperti customers orders/invoices dan staff paychecks. Query tools untuk relational data warehouses di rancang untuk menerima SQL atau menghasilkan statement SQL untuk query data yang tersimpan di warehouse. b. Application Development Tools Kemampuan built-in untuk menghasilkan laporan dan query tools tidak dapat memenuhi kebutuhan user, entah dikarenakan analisis yang diperlukan tidak dapat dilakukan, atau karena interaksi user membutuhkan keahlian yang tinggi. c. Online Analytical Processing (OLAP) Tools 25 OLAP tools adalah berdasarkan konsep database multidimensional dan memungkinkan user untuk melakukan analisa mengggunakan pandangan yang kompleks dan multidimensional. Aplikasi bisnis yang umum untuk tools tersebut termasuk untuk menilasi keefektifan suatu iklan marketing, prediksi penjualan produk, dan perencanaan kapasitas. Tools tersebut mengasumsikan bahwa data disusun dalam sebuah model multidimensional yang didukung dengan database multidimensional khusus (MDDB), atau dengan database relasional yang di rancang untuk memungkinkan query multidimensional. d. Data Mining Tools Data mining merupakan suatu proses menemukan korelasi, pola, dan trend baru dengan mengambil data dalam jumlah besar dengan menggunakan teknik-teknik statistika, matematika, dan AI. Data mining memiliki potensi untuk menggantikan kemampuan OLAP tools, dikarenakan kemampuan data mining yang utama adalah untuk membangun model predictive daripada model retrospective. 2.1.15 Dimentional Modelling Menurut Connolly & Begg (2010:1177), dimentional modelling merupakan suatu teknik merancang logikal yang bertujuan untuk menampilkan data dalam bentuk standar dan intuitif yang 26 memungkinkan akses dengan peforma tinggi. Setiap model dimensional terdiri dari satu tabel dengan primary key komposit yang disebut fact table, dan sekumpulan tabel kecil yang disebut dimension tables. Setiap tabel dimensi memiliki primary key yang sederhana (noncomposite) yang sesuai dengan salah satu komponen dari composite key pada tabel fakta. Dengan kata lain, primary key dari tabel fakta tersusun dari dua atau lebih foreign keys. Karakteristik struktur yang menyerupai bintang ini disebut star schema atau star join. Fitur penting dari suatu dimentional modelling adalah seluruh natural keys digantikan oleh surrogate keys. Ini berarti setiap penggabungan antara tabel fakta dan dimensi adalah berdasarkan surrogate keys, bukan natural keys. Kegunaan dari surrogate keys adalah untuk memungkinkan data yang ada dalam warehouse untuk tidak tergantung dari data yang digunakan dan dihasilkan oleh sistem OLTP. Star schema adalah suatu model data dimensional yang memiliki tabel fakta di tengah, dan dikelilingi oleh tabel dimensi yang di denormalisasi. Star schema dapat digunakan untuk mempercepat proses query dengan denormalisasi reference data ke dalam suatu tabel dimensi. Menurut Mishra, Yazici, & Basaran (2009:83) dalam jurnal A Comparison of Design Models in Data Warehousing dikatakan bahwa keuntungan dalam menggunakan skema bintang ini yaitu dapat mengurangi jumlah tabel dalam database dan jumlah relasi 27 di antara tabel tersebut dimana juga mengurangi jumlah joins yang dibutuhkan dalam user queries. Gambar 2.5 Contoh Star Schema Terdapat dua variasi star schema, yaitu snowflake schema dan starflake schema. Snowflake schema adalah suatu model dimensional data yang memiliki tabel fakta di tengah, dan dikelilingi oleh tabel dimensi yang telah di normalisasi. Skema ini memungkinkan dimensi untuk memiliki dimensi. Starflake schema adalah suatu model dimensional data yang memiliki tabel fakta di tengah, dan dikelilingi oleh tabel dimensi, baik yang telah di normalisasi, maupun yang telah di denormalisasi. Skema ini merupakan campuran dari star schema dan snowflake schema. 28 2.1.15.1 Tabel Fakta Tabel fakta disebut juga tabel major. Merupakan inti dari skema bintang dan berisi data aktual yang akan dianalisis. Field-field tabel fakta disebut measure dan biasanya dalam bentuk numerik, selalu berisi foreign key dari tabel-tabel dimensi. Tabel terdiri dari banyak kolom dan dapat berisi ribuan baris data. 2.1.15.2 Tabel Dimensi Tabel dimensi disebut juga tabel minor. Tabel dimensi biasanya lebih kecil dari tabel fakta. Tabel dimensi pada umumnya berisi informasi deskriptif. Atribut-atribut dimensi digunakan sebagai constraint pada query data warehouse. 2.1.16 Extraction, Transformation, and Loading (ETL) Menurut Connolly & Begg (2010:1158), ETL adalah suatu proses dimana data yang ditujukan ke enterprise data warehouse harus diekstrak terlebih dahulu dari satu atau lebih sumber data, diubah menjadi suatu bentuk yang mudah untuk dianalisis, dan konsisten dengan data yang telah ada di warehouse. Dan akhirnya dikeluarkan ke dalam enterprise data warehouse. 2.1.16.1 Extraction Langkah ekstraksi menargetkaan satu atau lebih sumbar data untuk enterprise data warehouse (EDW); sumber-sumber ini biasanya meliputi database OLTP namun 29 dapat juga termasuk sumber-sumber seperti personal database dan spreadsheets, file ERP, dan web usage log files. Sumber data biasanya internal, namun dapat juga termasuk sumber eksternal, seperti sistem yang digunakan oleh supplier atau customer. Kompleksitas tahap ekstraksi tergantung pada seberapa mirip atau bedanya sumber sistem bagi EDW. Jika sumber sistem terdokumentasi dengan baik, dipelihara dengan baik, sesuai dengan format data perusahaan, dan menggunakan teknologi yang sama atau mirip, maka proses ekstraksi seharusnya berjalan dengan cepat. Namun, jika sumber terdokumentasi dengan buruk, dipelihara menggunakan format data dan teknologi yang berbeda, maka proses ekstraksi akan menjadi sangat rumit. 2.1.16.2 Transformation Langkah transformasi menerapkan serangkaian peraturan atau fungsi terhadap data yang diekstraksi, yang dimana menentukan bagaimana data akan digunakan untuk analisis dan dapat melibatkan transformasi seperti penjumlahan data, data encoding, data merging, data splitting, data calculation, dan pembuatan surrogate key. Output dari transformasi adalah data yang bersih dan konsisten dengan data yang telah ada di warehouse, dan lebih 30 lanjut, dalam bentuk yang siap untuk dianalisa oleh pengguna warehouse. 2.1.16.3 Loading Memasukkan data ke dalam warehouse dapat terjadi setelah seluruh transformasi telah selesai. Selagi data dimasukkan ke dalam warehouse, constraint tambahan didefinisikan dalam database schema, begitu juga dalam trigger yang diaktifkan ketika loading data. Hal penting yang berhubungan dengan tahap loading adalah menentukan frekuensi dari loading dan bagaimana proses loading dapat mempengaruhi ketersediaan data warehouse. 2.1.17 Tahapan Merancang Data Warehouse Menurut Ralph Kimball dalam buku Connolly T. and Begg C. (2010), Database Systems : A Practical Approach to Design, Implementation, and Management, analisa dan perancangan data warehouse terdiri dari 2 fase, yaitu : Fase 1 : Create High-Level Dimensional Model. 1. Select Business Process Memilih proses berarti mengarah pada suatu data mart tertentu. Dilakukan dengan menentukan subjek-subjek utama yang merujuk pada kegiatan bisnis yang penting dalam perusahaan. Cara terbaik untuk menentukan data mart pertama biasanya yang memiliki hubungan dengan penjualan. 31 2. Declare Grain Memilih grain berarti menentukan apa yang akan direpresentasikan oleh tabel fakta. Setelah grain untuk tabel fakta ditentukan, maka selanjutnya ditentukan dimensi-dimensi dari tabel fakta. Grain yang ditentukan untuk tabel fakta juga akan menentukan grain untuk tiap tabel dimensi. 3. Choose Dimensions Identifikasi hubungan tabel dimensi dengan tabel fakta. Dimensi merupakan kumpulan sudut pandang yang penting untuk menggambarkan fakta-fakta yang terdapat pada tabel fakta. Dimensi membuat data mart lebih mudah dimengerti dan digunakan. 4. Identify Facts Grain dari suatu tabel fakta menentukan fakta-fakta yang dapat digunakan dalam data mart. Fakta tambahan yang dapat ditambahkan untuk sebuah tabel fakta kapan pun sesuai konsistensi grain tabel tersebut. Fase 2 : Identify All Dimension Attributes for the Dimensional Model. 1. Choosing the Duration of the Database Memilih durasi dari database dengan menentukan durasi waktu dari tabel fakta dan data-data yang ada di dalamnya. Menentukan lamanya durasi database tergantung dari perusahaan itu sendiri, sebagai contoh, pada perusahaan asuransi biasanya disimpan data minimal 5 tahun atau lebih. 32 2. Tracking Slowly Changing Dimension Dimensi dapat berubah sesuai dengan berjalannya waktu. Ada tiga cara untuk mengatasi perubahan dimensi, yaitu : 1. Menulis ulang atribut yang berubah. 2. Membuat record yang baru dalam dimensi. 3. Membuat alternatif atribut untuk menampung nilai yang baru sehingga nilai yang lama maupun yang baru tetap dapat diakses dalam dimensi yang sama. 2.1.18 Oracle Warehouse Builder Menurt Connolly & Begg (2010:1190) Oracle Warehouse Builder (OWB) merupakan suatu tool untuk merancang dan extract, transform, load. OWB juga merupakan komponen utama dari Oracle Warehouse Solution yang memungkinkan perancangan dan pengimplementasian data warehouse, data mart, dan aplikasi ebusiness intelligence. Oracle Warehouse Builder adalah sebuah tool untuk mengintegrasikan informasi yang memanfaatkan database Oracle untuk ditransformasi menjadi informasi yang berkualitas tinggi. Database Oracle adalah komponen pokok dalam arsitektur Warehouse builder karena database tersebut mempunyai Warehouse Builder repository dan kode yang dihasilkan oleh Oracle Warehouse Builder. 2.1.19 Komponen dalam Oracle Warehouse Builder 11g Komponen – komponen utama dalam Oracle Warehouse Builder adalah sebagai berikut : 33 Design Center Design Center menyediakan antar muka yang grafis untuk mendefinisikan sumber dan merancang target dan proses ETL. Control Center Manager Control Center Manager merupakan komponen yang digunakan untuk proses deploy dan eksekusi ETL. Control Center Manager merupakan konsol deployment yang lengkat yang memungkinkan anda untuk melihat dan memanage semua aspek dari deployment. Target Schema Target Schema adalah target dimana data di-load dan objek data yang telah dirancang dalam Design Center seperti cubes, dimensions, views, dan mapping.Target Schema mengandung komponen seperti sysnonyms yang memungkinkan ETL mapping untuk mengakses audit/service packages dalam repository. Repository menyimpan semuan informasi yang berkaitan dengan target schema seperti informasi eksekusi dan deployment. Warehouse Builder Repository Repository schema menyimpan semua definisi metadata untuk semua sumber, target, dan proses ETL yang merupakan rancangan metadata. 34 About Workspaces Dalam mendefinisikan repository¸workspace bisa dibikin satu atau lebih, dengan setiap workspace sesuai dengan sekumpulan user yang mengerjakan proyek yang berkaitan. Latihan yang umum yaitu membuat workspace yang terpisah untuk deployment, testing, dan produksi. Menggunakan latihan ini, kita dapat memperbolehkan user seperti developers untuk akses ke development dan testing workspace tetapi melarang mereka dari production workspace. Repository Browser Repository Browser adalah sebuah antarmuka web browser untuk pelaporan kedalam repository. Kita bisa melihat metadata, membuat laporan, audit runtime operations, dan perform lineage and impact analysis. Repository browser diorganisir sedemikian rupa agar kita bisa melihat design-specific dan mengontrol informasi center specific. Control Center Service Control Center Service adalah komponen yang memungkinkan kita untuk mendaftarkan lokasi. Ia juga memungkinkan dalam deployment dan eksekusi logika ETL yang telah kita rancang dalam Design Center seperti mapping dan aliran proses (process flows). 35 Komponen – komponen lain yang terdapat dalam Oracle Warehouse Builder Connolly & Begg (2010:1190) : A repository : berisi sekumpulan tabel dalam database Oracle yang diakses melalui layar akses java-based. A Graphical User Interface (GUI) : merupakan interface yang digunakan untuk mengakses repository. GUI mempunyai editor yang grafis dan wizard yang memudahkan user dalam menggunakannya. A code generator : digunakan untuk menghasilkan kode yang memungkinkan untuk menjalankan data warehouse. Integrators : merupakan komponen yang digunakan untuk menjalankan ekstrasi data daru beberapa sumber yang berbeda. An open interface : sebuah interface yang memungkinkan developers untuk bisa berkarya dalam membangun Oracle Warehouse Builder. Runtime : merupakan sekumpulan dari table, sequence, packages, dan triggers yang terinstal dalam skema target. 2.1.20 Oracle Business Intelligence Enterprise Edition OBIEE adalah platform business intelligence yang komprehensif, yang memiliki banyak kemampuan seperti dashboards yang interaktif, ad hoc queries, notifications dan alert, enterprise and financial reporting, scorecard dan strategi manajemen, dan masih banyak lagi. OBIEE juga membuat data perusahaan mudah di akses oleh para pengguna bisnis. 36 2.1.21 Nilai yang terkandung dalam sistem BI yang berbasis data warehouse dan 2 pendekatan data warehouse Dikutip dari jurnal Andrews & Guerra (2011: 4), nilai dari sistem business intelligence berbasis data warehouse kepada users adalah sebagai berikut: • The generation of scheduled reports. Laporan dapat dibikin langsung oleh end-user, sehingga pembuatan laporan dengan sistem BI meningkatkan konsistensi dan akurasi serta mengurangi biaya. • Packaged analytical applications. Packages ini menyediakan laporan dan metrik yang bisa digunakan oleh unit bisnis untuk mengukur kinerjanya. • Ad hoc reporting and analysis. Users dapat melakukan analisa data dengan cepat dan menghasilkan laporan dengan sangat mudah. • Dynamic presentation through dashboards. Menyediakan layar presentasi yang interaktif, dengan menampilkan data dalam bentuk grafik dan kreatif yang biasa disebut dengan dashboard. • Drill down capability. Memungkinkan users untuk menjalankan aksi drill down untuk melihat detil dari laporan. • Support for regulations. Memastikan bahwa data yang penting akan ditahan dalam data warehouse selama dibutuhkan oleh hukum. • The creation of metadata. Data warehouse bisa digunakan untuk membuat dan menyimpan metada dari potensial nilai yang tinggi. 37 • Support for operational processes. Selain digunakan untuk menganalisa data dan menghasilkan laporan yang ringkas, juga bisa mendukung dalam menjalankan bisnis yang sedang berjalan. • Data mining. Sangat memungkinkan untuk menjalankan proses data mining. • Security. Dapat dengan mudah menyediakan keamanan akses kedalam data yang spesifik. Menurut Velicanu & Matei (2007:84) dari jurnalnya yang berjudul Building a data warehouse step by step, dikatakan bahwa terdapat 2 pendakatan dalam membangun data warehouse, yaitu : Pendekatan top-down adalah pendekatan yang telah matang dan digunakan ketika masalah teknologi dan ekonomi telah diketahui dengan benar. Pendekatan bottom-up adalah pendekatan yang cepat dan didasarkan pada percobaan dan prototipe. 2.1.22 Activity Diagram Menurut Satzinger, Jackson, & Burd (2005), bahwa Activity Diagram adalah suatu diagram workflow yang menjelaskan aktivitasaktivitas user beserta alurnya. Workflow adalah serangkaian langkahlangkah dalam menjalankan transaksi bisnis. Adapun komponenkomponen dalam Activity Diagram adalah sebagai berikut: - Swimlane adalah tabel dimana aktivitas yang dilakukan oleh seorang aktor digambarkan. 38 - Pseudo adalah bulatan hitam penuh yang menandakan dimulainya (starting point) suatu aktivitas. - Activity adalah aktivitas/kegiatan yang dilakukan oleh aktor-aktor, yang digambarkan di dalam simbol berbentuk oval. - Transaction Arrow adalah simbol yang menandakan ke mana suatu aktivitas berlanjut. - Decision Activity adalah suatu simbol yang berbentuk ketupat, yang digunakan ketika terjadinya aktivitas yang membutuhkan keputusan seperti yes-no. Contoh Activity Diagram : Gambar 2.6 Activity Diagram 2.1.23 Fact – Finding Techniques Menurut Connoly & Begg (2010:317), Fact finding techniques adalah proses formal menggunakan tekhik-tehnik diantaranya interview dan questionnaires yang digunakan untuk mengumpulkan 39 fakta tentang system, requirements, dan preferences. Fact finding techniques pada umumnya digunakan pada babak awal dari lifecycle termasuk database planning, system definition, dan requirement collection. Database developer mengumpulkan fakta-fakta yang penting untuk membangun database yang dibutuhkan. Fact-finding techniques juga digunakan pada tahap database design dan babakbabak lifecycle selanjutnya. Ada 5 tipe yang sering digunakan dalam fact-finding techniques : 1. Examining documentation Mempelajari dokumentasi dapat berguna dalam mendapatkan penglihatan bagaimana kebutuhan dari database muncul. Dokumentasi juga dapat membantu dalam menyediakan informasi bagian dari perusahaan yang bermasalah. Dokumen yang biasanya digunakan adalah form, laporan-laporan, dan file yang berhubungan dengan sistem. 2. Interviewing. wawancara adalah salah satu dari teknik pencarian data yang paling sering digunakan dan paling berguna. Wawancara dapat dilakukan untuk mengumpulkan informasi dari para individual secara langsung. Ada beberapa tujuan yang dapat dicapai dengan wawancara diantaranya menemukan fakta, memverifikasi fakta, mengklarifikasi fakta, menghasilkan antusiasme, melibatkan end-user, menemukan persyaratan, dan mengmpulkan ide dan opini. 3. Observing the enterprise in operation. 40 Observasi adalah salah satu teknik pegumpulan data yang paling efektif untuk mengerti sebuah system. Hal yang mungkin dilakukan diantaranya ikut berpartisipasi atau melihat orang yang melakukan aktivitas untuk mempelajari sebuah sistem. Teknik ini biasanya berguna untuk melakukan validasi kumpulan data yang telah didapat dari metode lain atau ketika beberapa aspek yang kompleks sulit dijelaskan oleh end-users. 4. Research Studi kepustakaan adalah tekhik yang paling berguna untuk mempelajari aplikasi dan masalah. Beberapa sumber yang dapat digunakan untuk studi kepustakaan adalah jurnal, buku referensi, dan internet. 5. Questionnaires. Kuesioner adalah tehnik yang digunakan secara khusus dalam mengumpulkan fakta dari sejumlah besar responden. Kuesioner dilakukan dengan cara menyebarkan pertanyaan. 2.1.24 Data Flow Diagram Menurut Whitten & Bentley (2007:317) data flow diagram adalah sebuah model proses yang digunakan untuk menggambarkan alur dari data yang melalui sistem dan pekerjaan atau proses yang dilakukan oleh sistem tersebut. Adapun komponen-komponen dalam data flow diagram adalah sebagai berikut : 1. System / Process adalah pekerjaan yang dilakukan oleh system dalam merespon alur data yang masuk atau suatu kondisi tertentu. 2. Data flow adalah data yang masuk dan keluar dari atau kedalam sistem / proses. 41 3. External agent adalah orang luar, unit organisasi, sistem, atau organisasi yang berinteraksi dengan system. 4. Data store adalah tempat penyimpanan data yang akan digunakan. Gambar 2.11 data flow diagram (Whitten & Bentley, 2007:318) 2.1.24 Context data flow diagram Menurut Whitten & Bentley (2007:338) Context data flow diagram adalah model proses yang digunakan untuk mendokumentasikan sistem secara keseluruhan. Sistem merupakan sudut pandang yang diambil dari System Owner pada sistem informasi. 42 Gambar 2.12 Context diagram (Whitten & Bentley, 2007:340) 2.1.26 Entity Relationship Diagram Menurut Whitten & Bentley (2007:271) Entity Relationship Diagram adalah data model yang memanfaatkan beberapa notasi untuk mengambarkan data dalam hal entitas dan hubungan yang dijelaskan oleh data. 43 Gambar 2.13 Entty Relationship Diagram (Whiten & Bentley, 2007:270) Adapun komponen-komponen dalam Entity Relationship Diagram adalah sebagai berikut : 1. Entities adalah kelas dari orang, tempat, objek, kejadian atau konsep tentang data apa yang perlu untuk ditangkap dan disimpan. 2. Attributes adalah Properti penjelas atau karakteristik dari entitas. Adapun komponen-komponen dalam attributes adalah sebagai berikut : a. Compound Attribute adalah atribut yang terbuat dari atribut lain. b. Data type adalah property dari atribut yang mengindentifikasikan tipe data yang dapat disimpan dalam atribut. c. Key adalah atribut atau kumpulan atribut yang dijadikan nilai unik untuk setiap entitas. Biasanya disebut identifier. 3. Relationship adalah hubungan bisnis natural antara satu atau lebih entitas. Adapun komponen-komponen dalam Relationship adalah sebagai berikut : 44 a. Cardinality adalah nilai minimal dan maksimal dari kemunculan entitas yang mungkin berhubungan dengan suatu kemunculan entitas lain. b. Recursive relationship adalah hubungan yang muncul dalam entitas yang sama. c. Associative entity adalah entitas yang mewarisi primary key dari satu atau lebih entitas. 2.2 Teori Khusus 2.2.1 Kredit Menurut Undang – Undang Perbankan nomor 10 tahun 1998 kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara bank dengan pihak lain yang mewajibkan peminjam melunasi utangnya setelah jangka waktu tertentu dengan pemberian bunga. Sedangkan, menurut Kabir, Jahan, Chisty, & Hasin (2010:331) dalam jurnal yang berjudul Credit Risk Assessment and Evaluation System for Industrial Project dijelaskan bahwa kredit dapat didefinisikan sebagai sebuah transaksi antara dua pihak dimana satu pihak (kreditur atau pemberi pinjaman) menyediakan uang atau moneter setara barang, jasa, dan lain – lain, sebagai imbalan atas janji pembayaran masa depan oleh pihak yang satunya lagi (debitur atau peminjam) sesuai dengan telah disepakati. 45 2.2.2 Penjualan Kredit Menurut Kieso (2009:323), penjualan kredit adalah janji lisan dari pembeli untuk membayar jasa yang dijual, biasanya dapat ditagih 30-60 hari dan merupakan piutang terbuka yang berasal dari pelunasan utang jangka pendek. 2.2.3 Prosedur Pemberian Kredit Menurut Kasmir (2007:110-114), secara umum akan dijelaskan prosedur pemberian kredit oleh badan hukum sebagai berikut: 1. Pengajuan proposal Untuk memperoleh fasilitas kredit dari bank maka tahap yang pertama pemohon kredit mengajukan permohonan kredit secara tertulis dalam suatu proposal. 2. Penyelidikan berkas pinjaman Tahap selanjutnya adalah penyelidikan dokumen-dokumen yang diajukan pemohon kredit. Tujuannya adalah untuk mengetahui apakah berkas yang diajukan sudah lengkap sesuai persyaratan yang telah ditetapkan. 3. Penilaian kelayakan kredit Dalam penilaian layak atau tidak suatu kredit disalurkan maka perlu dilakukan suatu penilaian kredit. Penilaian kelayakan suatu kredit dapat dilakukan dengan menggunakan 5C atau 7P namun untuk 46 kredit yang lebih besar jumlahnya perlu dilakukan metode penilaian dengan studi kelayakan. 4. Wawancara pertama Tahap ini merupakan penyidikan kepada calon peminjam dengan cara berhadapan langsung dengan calon peminjam. 5. Peninjauan ke lokasi (On the Spot) Setelah memperoleh keyakinan atas keabsahan dokumen dari hasil penyelidikan dan wawancara maka langkah selanjutnya adalah melakukan peninjauan ke lokasi yang menjadi objek kredit. 6. Wawancara kedua Hasil peninjauan ke lapangan dicocokkan dengan dokumen yang ada serta hasil wawancara satu dalam wawancara kedua. 7. Keputusan kredit Setelah melalui berbagai penilaian mulai dari kelengkapan dokumen keabsahan dan keaslian dokumen serta penilaian yang meliputi seluruh aspek studi kelayakan kredit maka langkah selanjutnya adalah keputusan kredit. 8. Penandatangan akad kredit / perjanjian lainnya Kegiatan ini merupakan kelanjutan dari diputuskanya kredit. sebelum kredit dicairkan maka terlebih dulu calon nasabah menandatangani akad kredit. 47 9. Realisasi kredit Setelah akad kredit ditandangani maka langkah selanjutnya adalah merealisasikan kredit. realisasi kredit diberikan penandatanganan surat-surat yang diperlukan dengan rekening giro atau tabungan di bank yang bersangkutan. setelah membuka
