Rancang Bangun Data Warehouse Untuk Analisis Kinerja

Jurnal Sistem Informasi Bisnis 01(2012)
36
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Rancang Bangun Data Warehouse Untuk Analisis Kinerja
Penjualan Pada Industri Dengan Model Spa-Dw
Randy Oktrima Putra a, Toni Prahasto b
PT. Jamsostek Tbk,
Jl. MT Haryono No. 11, Sibolga
b Program
Studi Teknik Mesin, Fakultas Teknik
Universitas Diponegoro, Semarang
Abstrak
A company, majorly company that active in commercial (profit orientation) need to analyze their sales performance. By analyzing sales
performance, company can increase their sales performance. One of method to analyze sales performance is by collecting historical data
that relates to sales and then process that data so that produce information that show company sales performance. A data warehouse is a
set of data that has characteristic subject oriented, time variant, integrated, and nonvolatile that help company management in processing
of decision making. Design of data warehouse is started from collecting data that relate to sales such as product, customer, sales area,
sales transaction, etc. After collecting the data, next is data extraction and transformation. Data extraction is a process for selecting data
that will be loaded into data warehouse. Data transformation is making some change to the data after extracted to be more consistent.
After transformation processing, data are loaded into data warehouse. Data in data warehouse is processed by OLAP (On Line Analytical
Processing) to produce information. Information that are produced from data processing by OLAP are chart and query reporting. Chart
reporting are sales chart based on cement type, sales chart based on sales area, sales chart based on plant, monthly and yearly sales chart,
and chart based on customer feedback. Query reporting are sales based on cement type, sales area, plant and customer.
Keywords: Data warehouse; OLAP; Sales performance analysis; Ready mix market
1.
Pendahuluan
Untuk melakukan analisis, maka perusahaan perlu
mengumpulkan atau harus memiliki data yang banyak
secara kuantitas dan baik secara kualitas. Semakin banyak
dan baik data yang dimiliki, maka akan semakin baik pula
hasil analisis yang akan dihasilkan. Namun, untuk
memenuhi hasil analisis yang baik tergantung pada
jumlahdan kualitas data yang akan digunakan maka
dibutuhkan suatu teknologi yang dapat membantu pihak
manajemen perusahaan dalam memahami analisis yang
akan dilakukan.
Data warehouse adalah sebuah database yang secara
khusus didesain dengan struktur untuk melakukan query
dan analisis (Nolan dan Huguelet, 2000). Data warehouse
perusahaan adalah sebuah database komprehensif yang
mendukung semua analisis keputusan yang diperlukan
oleh suatu organisasi dengan menyediakan ringkasan dan
rincian informasi. Data warehouse menyediakan suatu
wadah untuk menampung data - data yang diperlukan
untuk menganalisis suatu kondisi dalam organisasi dengan
hanya mengambil data yang dibutuhkan untuk keperluan
saja. Data yang digunakan dalam data warehouse dapat
berasal dari data yang sifatnya operasional yang ada setiap
harinya saat proses berjalan.
Menurut W.H Inmon (Reddy et al., 2010), sebuah data
warehouse merupakan kumpulan data yang bersifat
subject-oriented, terintegrasi, time variant, dan non
volatile yang membantu manajemen perusahaan dalam
proses
pembuatan
keputusan.
Data
warehouse
menyediakan suatu tool yang disebut OnLine Analytical
Processing (OLAP) untuk melakukan analisis data
multidimensional secara interaktif yang nantinya akan
menjadi fasilitas yang memudahkan untuk melakukan
proses data mining (Reddy et al., 2010).
Keuntungan dari menerapkan data warehouse adalah
kemampuan mengakses data enterprise, kemampuan
dalam konsistensi data, kemampuan menampilkan hasil
analisis secara cepat, menemukan gap antara pengetahuan
bisnis dan bisnis proses, mengurangi biaya administrasi,
dan menampilkan informasi yang memang dibutuhkan
secara efektif (Nolan dan Huguelet, 2000). Dengan adanya
keuntungan yang dijanjikan oleh data warehouse maka
akan sangat membantu pihak manajemen perusahaan
dalam membuat keputusan yang akan berdampak pada
kelangsungan hidup perusahaannya sendiri.
2.
Kerangka Teori
2.1. Data Warehouse
Menurut Zhiwei Ni et al. (2011), data warehouse
merupakan suatu kumpulan data yang bersifat subjectoriented, terintegrasi, terus-menerus dan time variant yang
membantu enterprise atau organisasi dalam membuat
keputusan. Sebagai pembuat keputusan maka dibutuhkan
query beberapa nilai dari satu subjek untuk melakukan
proses analisis secara real-time. Data warehouse dengan
model multidimensional biasanya diimplementasikan
dalam bentuk star scheme agar memenuhi persyaratan.
Pada model multidimensional, data warehouse biasanya
menyimpan data dalam bentuk database relasional.
Menurut Reggy et al. (2010), data warehouse
didefinisikan sebagai sekumpulan data yang bersifat
subject-oriented, terintegrasi, time variant, nonvolatile
37
Jurnal Sistem Informasi Bisnis 01(2012)
yang melayani sebagai implementasi fisik dari sebuah
model data untuk mengambil keputusan dan menyimpan
informasi untuk kebutuhan enterprise atas keputusan yang
bersifat strategis. Teknologi dalam data warehouse
meliputi data cleaning, integrasi data, dan OLAP sebagai
teknik analisis dengan fungsi seperti menyimpulkan,
konsolidasi dan agregasi sebaik kemampuan memandang
informasi dari berbagai sudut.
Menurut Ponniah (2001) dalam bukunya yang berjudul
Data
Warehousing
Fundamentals,
karakteristikkarakteristik dari data warehouse dapat dijelaskan sebagai
berikut :
1) Subject Oriented
Pada sistem operasional, data disimpan berdasarkan
aplikasi yang dibangun secara individual. Selain itu
dalam dalam database operasional, data disediakan
untuk semua fungsi yang dibutuhkan seperti untuk
memasukkan pesanan, mengecek persediaan, verifikasi
kredit konsumen dan lain-lain. Akan tetapi dalam data
warehouse hanya mengandung data yang dibutuhkan
untuk fungsi yang berhubungan dengan sebagian
aplikasi. Dapat dikatakan bahwa dalam database
operasional
terdapat
aplikasi
tertentu
yang
mengandung data tertentu sementara dalam data
warehouse terdapat berbagai data yang melintasi
semua aplikasi individu yang ada.
2) Data Terintegrasi
Untuk pembuatan keputusan, data yang akan
dimasukkan ke dalam data warehouse dapat diambil
dari berbagai aplikasi yang berhubungan dengan
keputusan yang akan dibuat. Data didalam data
warehouse akan memiliki perbedaan database, file dan
segmentasi. Dikarenakan data untuk data warehouse
diambil dari aplikasi yang berbeda maka akan berbeda
pula platform dan sistem operasi yang digunakan
aplikasi tersebut yang juga akan memunculkan
perbedaan pada tampilan file, representasi kode
karakter, penamaan field tentunya. Oleh karena itu,
sebelum data yang dibutuhkan untuk data warehouse
yang berasal dari berbagai sumber data akan
digunakan maka harus dilakukan penghapusan
terhadap data yang tidak konsisten dan harus dilakukan
proses standardisasi untuk berbagai elemen data.
Sehingga data yang akan digunakan untuk data
warehouse harus melewati beberapa proses yaitu
transformasi, konsolidasi dan integrasi dengan sumber
data lainnya.
3) Time Variant
Pada sistem operasional, data yang disimpan hanya
mengandung nilai saat ini saja. Namun tentu saja
sistem operasional masih menyimpan beberapa data
yang sifatnya masa lalu. Akan tetapi secara esensial
sistem operasional menggambarkan informasi saat ini
karena sistem mendukung operasi setiap hari nya. Pada
data warehouse, disebabkan oleh tujuan natural nya,
data warehouse mengandung data historis, tidak hanya
nilai saat ini. Data disimpan sebagai gambaran masa
lalu dan periode saat ini. Setiap struktur data dalam
data warehouse mengandung elemen waktu. Secara
alamiah, karakteristik time variant dalam data
warehouse adalah mengizinkan untuk menganalisis
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
masa lalu, menghubungkan informasi saat ini, dan
memungkinkan untuk memprediksi masa depan.
4) NonVolatile
Data diekstraksi dari berbagai sistem operasional dan
data yang bersumber dari luar (eksternal) yang
kemudian ditransformasi, diintegrasi, dan disimpan ke
dalam data warehouse. Data di dalam data warehouse
tidak dirancang untuk menjalankan bisnis setiap
harinya. Sehingga dalam data warehouse tidak ada
proses pembaharuan data untuk setiap kali proses
transaksi berjalan.
Arsitektur data warehouse meliputi alat untuk
mengekstrak data dari berbagai sumber data baik
eksternal
maupun
database
operasional,
untuk
membersihkan data, transformasi dan mengintegrasikan
data, untuk memasukkan data ke dalam data warehouse,
dan secara periodic untuk memperbaharui gudang untuk
mencerminkan pembaharuan pada sumber data dari
gudang. Sebagai tambahannya, dalam data warehouse
dimungkinkan untuk membuat data marts untuk beberapa
departemen. Data di dalam data warehouse dan data
marts disimpan dan diatur oleh satu atau lebih server
gudang yang menyajikan gambaran data secara
multidimensional ke dalam bentuk atau format seperti
query, penulisan laporan, alat untuk analisis, dan alat
untuk data mining. Pada akhirnya terdapat media
penyimpanan dan mengatur metadata serta alat untuk
memantau dan administrasi sistem warehouse.
Gambar 1. Arsitektur Data Warehouse
2.2. OLAP (OnLine Analytical Processing)
Pada dasarnya, user membutuhkan kemampuan untuk
menampilkan analisis multidimensional dengan kalkulasi
yang kompleks, tetapi pada kenyataannya dalam media
atau alat penulisan laporan, query, spreadsheets tidak
mampu memenuhi kebutuhan itu. Melihat kepada
kenyataan tersebut maka dibutuhkan suatu alat tambahan
yang mampu menjawab semua persoalan tersebut.
Dibutuhkan sekumpulan alat yang secara khusus dapat
melakukan analisis secara serius. Untuk itulah OLAP
dibutuhkan.
OLAP (OnLine Analytical Processing) merupakan
sebuah kategori software yang memungkinkan analis,
manajer dan eksekutif untuk mendapat keuntungan dari
dalam data secara cepat, konsisten, dan interaktif dengan
berbagai kemungkinan yang ada pada pandangan terhadap
informasi yang ditransformasi dari data mentah ke dalam
bentuk nyata yang dapat dipahami oleh user (Ponniah,
2001). Dari definisi tersebut maka dapat diambil
38
Jurnal Sistem Informasi Bisnis 01(2012)
kesimpulan bahwa OLAP memiliki keutamaan
diantaranya :
a) Memungkinkan analis, manajer dan eksekutif untuk
mendapatkan keuntungan yang berguna dari
presentasi data
b) Dapat mengorganisasi metrics selama beberapa
dimensi dan memungkinkan data dilihat dari
perspektif yang berbeda
c) Mendukung analisis multidimensional
d) Dapat melakukan drill down atau roll up dalam setiap
dimensi
e) Memiliki kemampuan untuk mengaplikasikan formula
matematika dan pengukuran kalkulasi
f) Memberikan respond secara cepat dan memfasilitasi
analisis pemikiran dengan cepat
g) Melengkapi penggunaan teknik pengiriman informasi
yang lainnya seperti data mining
h) Memperbaiki pembandingan sekumpulan hasil
melalui presentasi visual dengan menggunakan
gambar dan diagram
i) Dapat diimplementasikan pada web
j) Dirancang untuk analisis interaktif tingkat tinggi
Karakteristik dari OLAP dapat dijelaskan sebagai
berikut :
a) Mengizinkan para pelaku bisnis memiliki pandangan
logical dan multidimensional terhadap data di dalam
data warehouse
b) Memfasilitasi analisis query yang interaktif dan
kompleks untuk pengguna
c) Mengizinkan user untuk melakukan drill down
sehingga mendapatkan rincian yang lebih jelas atau
roll up untuk agregasi metric selama satu dimensi
bisnis atau melintasi multidimensi
d) Menyediakan kemampuan untuk menampilkan
kalkulasi yang rumit dan perbandingan
e) Menyajikan hasil dalam sejumlah cara yang memiliki
arti termasuk ke dalam bentuk gambar dan diagram.
Melihat kepada karakteristik OLAP yang menyajikan
beragam kemampuan untuk menganalisis maka pengguna
OLAP akan mendapatkan beberapa keuntungan
diantaranya :
a) Meningkatkan produktivitas dari analis, manajer dan
eksekutif
b) Pengguna dapat menggunakan OLAP sesuai
kebutuhannya tanpa harus didampingi oleh orang
yang ahli dalam IT
c) Tidak hanya menawarkan keuntungan untuk
pengguna, para ahli IT pun merasakan keuntungan
adanya OLAP yaitu OLAP secara khusus didesain
untuk pengembangan sistem dengan hasil aplikasi
yang lebih cepat
d) Pengoperasian lebih efisien melalui berkurangnya
waktu yang dibutuhkan pada saat eksekusi query dan
di dalam traffic jaringan
e) Mampu menjawab tantangan nyata dunia bisnis
dengan bisnis metric dan dimensi
2.3. Model Data Warehouse Untuk Analisis Kinerja
Penjualan
Menurut Torben dan Christian (Nasir et al., 2006), data
warehouse menyajikan sebuah pondasi untuk berbagai
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
jenis dari analisis dan laporan mengenai penjualan beserta
prediksi nya. Laporan dan analisis penjualan beserta
prediksi nya menyajikan pandangan bagi bagian penjualan
perusahaan, mengintegrasikan informasi dari penjualan,
konsumen dan keuangan untuk melengkapi gambaran
kinerja penjualan.
Dalam jurnalnya yang berjudul Data Warehouse
Design For Sales Performance Analysis, Nasir
menyatakan
bahwa
analisis
kinerja
penjualan
menggabungkan konsep dari proses analitis dan data
warehouse untuk mendukung proses pembuatan keputusan
dalam organisasi. Perancangan dari analisis kinerja
penjualan dengan data warehouse memberikan dampak
yang langsung pada kemampuan perusahaan untuk
menampilkan analisis penjualan produk secara khusus.
Namun tidak ada aturan khusus untuk merancang data
warehouse yang akan dipakai dalam analisis kinerja
penjualan.
Gambar 2. Model Data SPA – DW Untuk Analisis Kinerja
Penjualan
3.
Pembahasan
3.1. Pengumpulan Data
Tahapan awal dalam penelitian ini adalah
mengumpulkan data yang akan digunakan untuk
membangun data warehouse. Data yang dikumpulkan
bersumber dari berbagai database yang digunakan pada
aplikasi di beberapa bagian yang terkait dengan penjualan
semen di PT. Semen Padang. Adapun data yang
dikumpulkan dapat dilihat dalam tabel 1.
Tabel 1. Data Yang Dikumpulkan Dan Sumber Data
No
1
2
3
4
5
Data Yang
Dikumpulkan
Data Penjualan
Semen
Data Customer
Data Jenis
Semen
Data Plant
Pengantongan
Data Wilayah
Penjualan
Keterangan
Data dikumpulkan dari tahun 2010 –
2011. Bersumber dari Bagian Sistem
Informasi di PT. Semen Padang yang
menggunakan aplikasi SAP,
39
No
6
7
8
Jurnal Sistem Informasi Bisnis 01(2012)
Data Yang
Dikumpulkan
Data Pelayanan
Pelanggan
Data Promosi
Produk
Data Keluhan
Pelanggan
Keterangan
Tabel 2. Data Extraction
Data Yang Di
Ekstraksi
1
Data Wilayah
Penjualan
2
Data
Customer
3
4
5
Data Plant
Pengantongan
Data Jenis
Semen
Data
Penjualan
Semen
H. Jual, PPN,
PPh22, SP-3,
Sales Qty, H.
Tebus, SO Price,
GI Date,
Material, Billing
Date, No Billing,
Plant
Data dikumpulkan dari tahun 2010 –
2011. Bersumber dari Bagian
Renbangsar di PT. Semen Padang.
Data ini didapat dari catatan secara
manual.
3.2. Data Extraction
Dari beberapa data yang sudah dikumpulkan tadi, pada
tahapan data extraction dilakukan pemilihan data yang
akan dijadikan input untuk menghasilkan informasi dan
pembuangan data yang tidak perlu ada di dalam data
warehouse. Hasil dari ekstraksi data dapat dilihat pada
tabel 2.
No
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Data Awal
(Sebelum
Ekstraksi)
Terdiri dari
beberapa field
yaitu SOrg,
DChl, Dv, SOff,
Description
Terdiri dari
beberapa field
yaitu
SearchTerm,
PostalCode, City,
Name1,
Customer, CoCd
Terdiri dari
beberapa field
yaitu
Plnt,SearchTerm
1, SearchTerm2,
PostlCode, City,
Name2, Name,
Version
Terdiri dari
beberapa field
yaitu
Producthierarchy,
SOrg, DChl,
Material,
Language,
Materialdescripti
on
Terdiri dari
beberapa field
yaitu NoSO,
CreatedDO,
Delivery, Nama
sold to party,
Sales Office
Desc, District
Name, Incoterm,
Description,
Description,
Payment Term,
DO Quantity,
UoM, DO Qty
(TON), H.
Satuan, Nilai DO,
Data Akhir
(Setelah Ekstraksi)
3.3. Data Transformation
Ada beberapa aktivitas yang dilakukan dalam tahapan
data transformation. Diantaranya adalah pengaturan ulang
nama file, nama field, sistem pengkodean data, format isi
file. Aktivitas yang dilakukan dalam data transformation
dapat dilihat pada tabel 3.
Tabel 3. Data Transformation
No
1
Data
Data
Penjualan
Semen
Yang dibutuhkan
adalah SOff ,
Description
Yang dibutuhkan
adalah Name1,
Customer
Yang dibutuhkan
adalah Plnt,
PostlCode, City,
Name
Yang dibutuhkan
adalah DChl,
Material,
Materialdescription
Yang dibutuhkan
adalah NoSO,
CreatedDO, Nama
Sold to party, Sales
Office Desc,
District Name,
Incoterm,
Description, Plant,
Payment Term, DO
Quantity, DO
Qty(TON), UoM,
H. Satuan, Nilai
DO, Sales Qty, H.
Tebus, GI Date
2
Data
Distribution
Channel
3
Data Plant
Pengantongan
4
Data Jenis
Semen
5
Data Payment
Term
6
Data Sales
District
7
Data Wilayah
Penjualan
Proses Transformasi Yang Dilakukan
Data Penjualan Semen akan dimasukkan
ke dalam data warehouse tepatnya pada
file Sales. Transformasi yang dilakukan
pada Data Penjualan Semen adalah
mengubah nama field menjadi No_SO,
Created_DO, Customer_Code,
Sales_Office_Code, District_Code,
Incoterm_Code, Plant, Payment_Code,
DO_Quantity, UoM, DO_Quantity_TON,
Unit_Price, Value_DO, Sales_Quantity,
Price, GI_Date, Material_Code
Data Distribution Channel akan
dimasukkan ke dalam file
Distribution_Channel. Tranformasi yang
dilakukan adalah mengubah nama field
menjadi DChl, Name_DChl
Data Plant Pengantongan akan
dimasukkan ke dalam file Good_Source.
Transformasi yang dilakukan adalah
mengubah nama field menjadi Plant,
Postal_Code_Plant, City_Plant,
Name_Plant
Data Jenis Semen akan dimasukkan ke
dalam file Good_Type. Transformasi
yang dilakukan adalah mengubah nama
field menjadi DChl, Material_Code,
Material_Description
Data Payment Term akan dimasukkan ke
dalam file Payment_Term. Transformasi
yang dilakukan adalah mengubah nama
field menjadi Payment_Code,
Payment_Name
Data Sales District akan dimasukkan ke
dalam file Sales_District. Transformasi
pertama yang dilakukan adalah
mengubah nama field menjadi
District_Code, District_Name.
Transformasi kedua yang dilakukan
adalah format ulang District_Code
dengan format SD-3000-No.Urut (SD
merupakan singkatan dari SalesDistrict ;
3000 merupakan kode organisasi
perusahaan PT. Semen Padang ; No.Urut
merupakan nomor identitas Sales District
yang diurut secara abjad)
Data Wilayah Penjualan akan
dimasukkan ke dalam file Sales_Office.
Transformasi pertama yang dilakukan
adalah mengubah nama field menjadi
40
Jurnal Sistem Informasi Bisnis 01(2012)
8
Data Tipe
Penjualan
9
Data
Customer
10
Data Keluhan
Pelanggan
Sales_Office_Code,
Sales_Office_Description. Transformasi
kedua yang dilakukan adalah melakukan
format ulang untuk Sales_Office_Code
denga format SOD-3000-No.Urut (SOD
merupakan singkatan dari
SalesOfficeDescription ; 3000 merupakan
kode organisasi PT. Semen Padang ;
No.Urut merupakan nomor identitas
Sales Office yang diurut secara abjad)
Data Tipe Penjualan akan dimasukkan ke
dalam file Sales_Type. Transformasi
yang dilakukan adalah mengubah nama
field menjadi Incoterm_Code,
Incoterm_Description.
Data Customer akan dimasukkan ke
dalam file Master_Customer.
Transformasi pertama yang dilakukan
adalah mengubah nama field menjadi
Customer_Code, Name_Customer.
Transformasi kedua yang dilakukan
adalah melakukan format ulang terhadap
Customer_Code dengan format Cust3000-No.Urut (Cust merupakan
singkatan dari Customer ; 3000
merupakan kode organisasi PT. Semen
Padang ; No. Urut merupakan nomor
identitas Customer yang diurut secara
abjad)
Data Keluhan Pelanggan akan
dimasukkan ke dalam file
Customer_Feed_Back. Transformasi
yang dilakukan adalah dengan menambah
field baru yaitu Subject. Subject
merupakan kategori keluhan pelanggan
apakah termasuk ke dalam kategori Mutu
dan Kualitas, Isi atau Kemasan.
3.4. Data Loading
Data Loading merupakan proses memasukkan data
yang sudah di extract dan ditransformasi sesuai dengan
kebutuhan data warehouse yang akan dibangun ke dalam
database (datawarehouse).
Gambar 3. Form Data Loading
3.5. Model Data Warehouse Untuk Analisis Kinerja
Penjualan Di PT. Semen Padang
Dalam membangun data warehouse untuk analisis
kinerja penjualan di PT. Semen Padang digunakan model
data yang sudah dibuat oleh Nasir, dkk dalam jurnal
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
mereka yang berjudul Data Warehouse Design for Sales
Performance Analysis. Namun model data yang sudah
dibuat oleh Nasir, dkk mengalami penyesuaian pada saat
diterapkan di PT. Semen Padang.
Pada model data yang dibangun oleh Nasir, dkk,
terdapat beberapa data seperti supplier, scenario, future
sales, competitors, compititions, customer behaviours,
customer existence yang tidak terdapat di PT. Semen
Padang. Namun hal ini tidak akan mengurangi
kemampuan analisis yang akan disajikan oleh data
warehouse dan OLAP yang akan dibangun. Ini
dikarenakan model yang dibangun oleh Nasir, dkk dapat
digunakan secara fleksibel sesuai kebutuhan pengguna
nya.
Model data warehouse yang akan dibangun untuk
analisis kinerja penjualan di PT. Semen Padang dapat
dilihat pada gambar 4.
Sales_Type
Sales
Incoterm_Code
Incoterm_Description
No_SO
Created_DO
Customer_Code
Sales_Office_Code
District_Code
Incoterm_Code
Plant
Payment_Code
DO_Quantity
UoM
DO_Quantity_TON
Unit_Price
Value_DO
Sales_Quantity
Price
GI_Date
Material_Code
Good_Source
Plant
Name_Plant
City_Plant
Postal_Code_Plant
Payment_Term
Payment_Code
Payment_Name
Distribution_Channel
DChl
Name_DChl
Master_Customer
Customer_Code
Name_Customer
Customer_Feed_Back
Customer_Code
Subject
Feed_Back
Time_CFB
Solving_Time
Sales_Office
Sales_Office_Code
Sales_Office_Description
Customer_Service
District_Code
Type_Of_Service
Time
Sales_District
District_Code
District_Name
Good_Type
Promotion
Material_Code
DChl
Material_Description
Material_Code
Location
Media
Gambar 4. Model Data Warehouse Analisis Kinerja
Penjualan PT. Semen Padang
3.6. On Line Analytical Processing (OLAP)
1. Analisis Penjualan Berdasarkan Wilayah Penjualan
Output ini memberikan informasi kepada user
mengenai kondisi penjualan yang terjadi pada satu atau
lebih area penjualan pada interval waktu yang ditentukan
oleh user. Informasi ini dapat digunakan oleh PT. Semen
Padang sebagai bahan pertimbangan untuk menentukan
wilayah penjualan yang potensial sebagai area perluasan
usaha seperti pasar ready mix.
Gambar 5. OLAP Penjualan Berdasarkan Wilayah
Penjualan
2.
Analisis Penjualan Berdasarkan Customer
Output yang dibentuk dengan mengkorelasikan file
Sales, Master_Customer, dan Good_Type ini memberikan
41
Jurnal Sistem Informasi Bisnis 01(2012)
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
informasi kepada PT. Semen Padang mengenai customer
yang potensial dalam menunjang peningkatan nilai
penjualan semen. Informasi ini dapat dijadikan sebagai
bahan pertimbangan bagi PT. Semen Padang dalam
menghadapi tantangan pasar ready mix untuk menjalankan
sistem franchise dengan pelanggan yang potensial.
Gambar 8. Grafik Penjualan Bulanan Keseluruhan
Gambar 6. OLAP Penjualan Berdasarkan Customer
3.7. Output Dalam Bentuk Grafik
1. Grafik Penjualan Tiap Bulan Berdasarkan Wilayah
Penjualan
Grafik ini menginformasikan kepada user mengenai
kondisi penjualan semen yang diproduksi PT. Semen
Padang berdasarkan wilayah penjualan. Melalui informasi
ini, user dapat melihat dinamika (turun-naik) penjualan di
setiap wilayah penjualan dalam satu tahun penjualan.
Gambar 7. Grafik Penjualan Berdasarkan Wilayah
Penjualan
2.
Grafik Penjualan Bulanan Secara Keseluruhan
Grafik berikut ini menampilkan informasi mengenai
kondisi penjualan semen PT. Semen Padang setiap
bulannya dalam satu tahun penjualan baik dalam format
nilai penjualan dalam rupiah (IDR) maupun informasi
penjualan secara kuantitas penjualan.
3.8. Fungsi Data Warehouse dan OLAP Analisis Kinerja
Penjualan Untuk Membantu Perusahaan Dalam
Menghadapi Pasar Ready Mix
1. Konsep Ready Mix
Beton ready mix adalah beton segar yang belum
mengalami proses pengikatan dan perkerasan yang
diproduksi di batching plant dengan penambahan bahan
kimia (admixture), tergantung pada jenis beton yang
dipesan, kemudian dikirim ke lapangan dengan
menggunakan truk mixer. Beton ready mix diproduksi di
pabrik di bawah pengawasan menggunakan sistem operasi
komputer, untuk memastikan beton ready mix sampai di
lapangan masih dalam keadaan plastis.
Keuntungan dari ready mix ini diantaranya sebuah
pabrik ready mix concrete dapat melayani area yang luas,
dapat dikirim langsung ke lapangan, memiliki kualitas
yang lebih tinggi dari pada produk konvensional,
mengurangi waktu pengecoran, menghemat tempat untuk
pencampuran di lapangan, mengurangi polusi udara dan
debu dari mesin pencampur.
Dibalik keuntungannya juga terdapat beberapa
kerugian diantaranya terkadang pengguna dari produk
ready mix berada jauh dari pabrik produksi ready mix itu
sendiri sehingga perkiraan waktu yang tepat untuk
melakukan proses ready mix sangat sulit diperkirakan,
produk ready mix memiliki batas waktu pencampuran
sehingga jarak dari pembuatan produk dengan tujuan akhir
penggunaan harus diperhitungkan, jalan dari tempat
produksi ready mix harus mampu menahan beban truk
dengan muatan yang sangat besar.
Dari beberapa kerugian atau kelemahan yang
dipaparkan permasalahan yang paling berat terdapat pada
jarak antara tempat produksi ready mix dengan tujuan
akhir (pengguna) produk ready mix. Salah satu cara yang
dapat menyelesaikan permasalahan ini adalah dengan
mendekatkan jarak keduanya yaitu perusahaan yang
memproduksi ready mix harus dekat dengan pengguna
produk ready mix itu sendiri sehingga kerugian tersebut
dapat diminimalisasi.
2. Output Data Warehouse dan OLAP Untuk Melakukan
Analisis Dalam Menghadapi Pasar Ready Mix
Seperti yang dipaparkan pada bagian 4.2.2.1 mengenai
kelemahan atau kerugian ready mix yang dapat diatasi
dengan mendekatkan tempat produksi ready mix dengan
tujuan akhir (pengguna) produk ready mix atau dalam arti
42
Jurnal Sistem Informasi Bisnis 01(2012)
lain perusahaan seperti PT. Semen Padang harus
membangun cabang pabriknya (dapat juga melakukan
sistem franchise) yang khusus menangani proses ready
mix. Dalam melakukan perluasan usaha seperti ini
dibutuhkan beberapa informasi untuk dianalisis sehingga
memberikan dukungan keputusan yang tepat tentang
lokasi tujuan perluasan usaha (ready mix) dan sistem
franchise yang akan dijalani.
Kemampuan data warehouse dan OLAP dalam
menghasilkan informasi yang baik dapat membantu PT.
Semen Padang untuk menganalisis kondisi ini. Diantara
output yang dihasilkan terdapat beberapa output yang bisa
digunakan yaitu grafik penjualan berdasarkan wilayah
penjualan (untuk menentukan wilayah penjualan yang
paling potensial sebagai perluasan usaha / ready mix ) dan
query untuk analisis penjualan berdasarkan customer
(untuk menentukan customer yang potensial dalam
melaksanakan sistem franchise).
4.
Kesimpulan
Dari penelitian yang sudah dilakukan, dapat
disimpulkan beberapa hal sebagai berikut :
1. Model data warehouse yang diciptakan oleh Nasir,
dkk sangat baik untuk diterapkan di industri, salah
satunya PT. Semen Padang. Ini dikarenakan sifat
fleksibel yang dimiliki oleh model tersebut.
On-line : http://ejournal.undip.ac.id/index.php/jsinbis
2.
Penyajian informasi melalui online analytical
processing (OLAP) yang menampilkan informasi
secara interaktif dan disertai dengan grafik penjualan
dengan beberapa dimensi dapat menjadi bahan
pertimbangan yang baik bagi PT. Semen Padang
dalam menghadapi pasar ready mix saat ini.
Daftar Pustaka
Nasir, J.A., Shahzhad, M.K., Pasha, M.A., 2006. Data Warehouse design
for sales performance analysis. Information Technology Journal,
5(5): 964–969.
Zhiwei Ni., Guo, J., Wang, Li., Gao, Y., 2011. An Efficient method for
improving query efficiency in data warehouse. Journal of
Software, Volume 6, No. 5.
Nolan, S., Huguelet, T., 2000. Microsoft SQL Server 7.0 Data
Warehousing Training Kit. Microsoft Press, Washington.
Ponniah, P., 2001. Data Warehousing Fundamentals: A Comprehensive
Guide for IT Proffesionals. John Wiley & Sons, Inc : New York.
Reddy, Satyanarayana, G., Srinivasu, R., Rao, Poorna, C., Rikkula, S.R.,
2010. Data Warehousing, Data
Mining, Olap And Oltp
Technologies Are Essential Elements To Support DecisionMaking Process In Industries. International Journal on Computer
Science and Engineering (IJCSE). Volume 02. No. 9.