BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Data Menurut

BAB 2
LANDASAN TEORI
2.1 Teori Umum
2.1.1 Data
Menurut Inmon (2005,p.493) Data adalah suatu pencetakan dari fakta,
konsep, atau instruksi dalam suatu media penyimpanan untuk komunikasi,
pencarian, dan pemprosesan dengan menggunakan alat otomatis dan
presentasi sebagai informasi yang dapat dimengerti oleh manusia.
Menurut O’Brien (2005, p.38), Data adalah
fakta atau observasi
mentah, yang biasanya mengenai fenomena fisik atau transaksi bisnis.
Dari kutipan diatas, dapat disimpulkan bahwa data adalah kumpulan
dari fakta-fakta yang di dapat dari sekitar lingkungan yang bisa diolah
sehingga menghasilkan informasi yang dibutuhkan oleh penggunanya.
2.1.2 Informasi
Menurut
Inmon (2005, p498), informasi adalah data yang
dikumpulkan dan dievaluasi untuk memecahkan suatu masalah atau membuat
keputusan.
Menurut O’Brien (2005, p38) informasi adalah data yang telah diubah
menjadi konteks yang berarti dan berguna bagi para pengguna akhir tertentu.
Menurut Sharm Manwani (2008, Journal of Information Technology
Case and Application Research / page 39-53). Keterampilan informasi telah
dibedakan oleh struktur-struktur dari data relative. Teknologi yang digunakan
untuk mengelolah struktur data berasal dari file yang berkembang ke dalam
aplikasi seperti perencanaan sumber daya perusahaan dan data warehouse.
6
7
Sebuah perbedaan lebih lanjut dalam pengelolan informasi adalah adanya
kontrol dan eksploitasi.
Dari kutipan diatas, dapat disimpulkan bahwa informasi adalah data
yang telah diubah menjadi pesan yang berbentuk dokumen yang memiliki arti
dan berguna bagi penggunanya atau daya guna bagi seseorang.
2.1.3 Database
Menurut Connolly dan Begg (2005, p14), database adalah
sekumpulan data dan deskripsi dari data yang berhubungan secara logical
didesain untuk menemukan kebutuhan informasi dari organisasi.
Menurut McLeod & Schell (2004, p130), Database adalah kumpulan
dari seluruh data berbasis komputer dalam suatu organisasi.
Menurut
O'Brien
(2005,
p211),
Database
adalah
kumpulan
terintegrasi dari elemen data yang secara logika saling berhubungan.
Dari kutipan diatas, dapat disimpulkan bahwa Database adalah suatu
kumpulan dari elemen, ralasi atau file-file yang saling terintegrasi untuk
digunakan bersama dan dapat digunakan untuk memperoleh informasi yang
dibutuhkan perusahaan.
2.1.4 Data warehouse
Menurut Inmon (2005, p29) Data warehouse adalah sebuah kumpulan
data yang integrated, subject oriented, nonvolatile, dan time variant yang
mendukung manajemen pengambilan keputusan.
Menurut McLeod & Schell (2004, p. 406) data warehouse adalah
suatu penyimpanan data, dimana kapasitasnya yang sangat besar, dan data
8
diakumulasikan dengan menambahkan dokumen-dokumen baru dengan
memperbaharui dokumen lama dengan informasi yang baru.
Menurut Pedro Furtado (2009) Data warehouse adalah suatu teknologi
penting bagi organisasi yang kompetitif di dunia global saat ini, kecepatanm
ukuran dan operasi pendistribusian merupakan tantangan utama terhadap
sistem tersebut.
Berdasarkan teori-teori tersebut dapat disimpulkan bahwa data
warehouse merupakan kumpulan data atau record dalam system komputer
yang saling berelasi secara logikal satu dengan yang lainnya untuk
pengambilan keputusan di tingkat manajerial.
2.1.5
Perbandingan Data Operasional dan Data warehouse
Menurut Inmon (2005, p15), secara umum perbandingan data
operasional dan data warehouse :
Data Operasional
Data warehouse

Berorientasi Aplikasi

Berorientasi Subjek

Detail

Ringkas dan telah disaring

Dapat di – update

Tidak Dapat di – update

Disajikan

Disajikan
untuk
komunitas
operasional
untuk
komunitas
manajerial

Sesuai dengan SDLC

Siklus hidup yang lengkap

Jumlah data yang diproses kecil

Data yang diproses besar

Non-Redundancy (normalisasi)

Redudancy (denormalisasi)

Struktur yang tetap/statis

Struktur yang fleksibel

Mendukung operasional sehari – hari

Mendukung kebutuhan manajerial
9


Pengaksesan data besar
Tabel
Pengaksesan data kecil atau sedang
2.1 Perbandingan Umum antara Data Operasional dan Data
warehouse (Inmon, 2005, p15)
2.1.6
Karakteristik Data warehouse
Karakteristik data warehouse menurut Inmon (2005, p30-p33), yaitu :
1. Berorientasi subyek (Subject Oriented)
Data warehouse berorientasi subyek adalah data warehouse
didesain untuk menganalisa data berdasarkan subject-subject
tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi
tertentu.
Data warehouse diorganisasi disekitar subject-subject utama dari
perusahaan
(Customers,
diorganisasikan
pada
products,
area-area
dan
aplikasi
sales)
dan
tidak
utama
(Customer
invoicing, stock control , dan product sales). Hal ini dikarenakan
kebutuhan dari data warehouse untuk menyimpan data-data yang
bersifat sebagai penunjung suatu keputusan daripada aplikasi yang
berorientasi terhadap data.
Jadi, dengan kata lain, data yang disimpan adalah berorientasi
kepada subject bukan terhadap proses. Secara garis besar
perbedaan anatara data operasional dan data warehouse yaitu :
10
Gambar 2.1 Subject Orientation (Inmon 2005,p30)
2. Terintegrasi (Integrated)
Data warehouse dapat menyimpan data-data yang berasal dari
sumber-sumber yang terpisah ke dalam suatu format yang
konsisten dan saling terintegrasi satu dengan lainnya. Dengan
demikian data tidak bisa dipecah-pecah karena data yang ada
merupakan suatu kesatuan yang menunjang keseluruhan
konsep data warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai
cara seperti konsisten dalam penamaan variable, konsisten
dalam ukuran variable, konsisten dalam struktur pengkodean
dan konsisten dalam atribut fisik dari data.
Contoh pada lingkungan operasional terhadap berbagai macam
aplikasi yang mungkin pula dibuat oleh developer yang
berbeda. Oleh karena itu mungkin dalam aplikasi-aplikasi
11
tersebut ada variable yang memiliki tujuan yang sama, tetapi
nama dan formatnya berbeda. Variabel tersebut harus
dikonversi menjadi nama yang sama dan format yang
disepakati bersama. Dengan demikian tidak ada lagi keracunan
Karena perbedaan nama, format dan lain sebagainya. Barulah
data tersebut bisa dikategorikan sebagai data yang terintegrasi
karena kekonsistenannya.
Gambar 2.2 Integration (Inmon 2005, p31)
3. Non-Volatile
Karakteristik keempat dari data warehouse adalah non-volatile,
maksudnya data pada data warehouse tidak di-update secara real
time tetapi di refresh dari sistem operasional secara regular.
Berbeda dengan database operasional yang dapat melakukan
update, insert dan delete terhadap data yang mengubah isi dari
12
database sedangkan pada data warehouse hanya ada dua kegiatan
memanipulasi data yaitu loading data (mengambil data) dan akses
data (mengakses data warehouse seperti melakukan query atau
menampilkan laporan yang dibutuhkan, tidak ada kegiatan
updating data).
Gambar 2.3 Non-Volatile (Inmon 2005, p32)
4. Time Variant (Rentang waktu)
Seluruh data pada data warehouse dapat dikatakan akurat atau
valid pada rentang waktu tertentu. Untuk melihat interval waktu
yang digunakan dalam mengukur keakuratan suatu data
warehouse, kita dapat menggunakan cara antara lain :
 Cara yang paling sederhana adalah menyajikan data
warehouse pada rentang waktu tertentu, misalnya antara 5
sampai 10 tahun kedepan.
 Cara yang kedua, dengan menggunakan variasi atau
perbedaan waktu yang disajikan dalam data warehouse
baik implicit maupun ecplicit. Secara explicit dengan
13
unsure waktu dalam hari, minggu, bulan dan sebagainya.
Secara
implicit
misalnya
pada
saat
data
tersebut
diduplikasi pada setiap akhir bulan atau per tiga bulan.
Unsure waktu akan tetap ada secara implicit didalam data
tersebut.
 Cara yang ketiga, variasi waktu yang disajikan data
warehouse melalui serangkaian snapshot yang panjang.
Snapshot merupakan tampilan dari sebagian data tertentu
sesuai keinginan pemakai dari keseluruhan data yang ada
bersifat read-only.
Gambar 2.4 Time Variant (Inomn 2005,p32)
2.1.7
Struktur Data warehouse
Berdasarkan Inmon (2005, p33-34), struktur data warehouse
menunjukan level detil yang berbeda dalam data warehouse. Terdapat
older level of detail, current level of detail, level of lighty
seummarized data (level data mart) dan level of highly semmarized
data. Data mengalir ke dalam data warehouse dari lingkungan
operasional. Biasanya transformasi penting dari data terjadi pada jalur
dari level data operasional ke level data warehouse.
14
Sekali data disimpan, data melalui current detail ke older
detail. Selama data diringkas, data melalui current detail ke lightly
summarized data, kemudian dari lightly summarized data ke highly
summarized data.
Gambar 2.5 Struktur data warehouse Inmon (2005,
p34)
Komponen – komponen struktur data warehouse sebagai
berikut:
1. Current Detail Data
Data yang mencerminkan keadaan yang sedang
berjalan
dan
merupakan
tahap
terendah
dari
data
warehouse.Maka,data di tahap ini belum efisien untuk
digunakan sekalipun datanya detail.Hal ini dikarenakan proses
analisis data menjadi rumit jika dilakukan dengan data dalam
jumlah yang besar.Biasanya current detail memerlukan
penyimpanan yang besar.
15
2. Old Detail Data
Data lama atau histori berupa hasil backup yang
disimpan dalam media penyimpanan yang terpisah, seperti
tape atau disk dengan frekuansi akses yang relatif rendah. file
atau directory dari data ini disusun berdasarkan umur daari
data untuk mempermudahkan pencarian atau pengaksesan
kembali.
3.
Lightly Summarized Data
Data yang merupakan hasil ringkasan dari current
detail data, namun sifatnya belum merupakan ringkasan
secara total dan masih bersifat detil.Akses data ini yang
biasanya digunakan untuk view data dari suatu kondisi yang
sedang berjalan atau yang sudah berjalan.
4. Highly Summararized Data
Data hasil summary yang bersifat total dan mudah
diakses.Data di tahap ini dapat digunakan untuk mengambil
keputusan di tingkat eksekutif perusahaan karenan dianggap
sudah representatif dan ringkas.Data ini mencerminkan
keseluruhan sehingga eksekutif tidak perlu membaca dan
menganalisis data dalam waktu yang lama.
5. Metadata
16
Metadata adalah informasi yang ada di dalam data
warehouse yang mendeskripsikan mengenai struktur, isi, kunci,
indeks dan hal lain mengenai data.
2.1.8
Keuntungan Data warehouse
Menurut Connolly dan Begg (2005, p1152), Data warehouse
adalah yang telah diimplementasi dengan baik dapat memberikan
keuntungan yang besar bagi organisasi, yaitu :

Potensi nilai kembali yang besat pada investasi
Sebuah organisasi harus mengeluarkan uang dan sumber daya
salam 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.

Keuntungan kompetitif
Keuntungan kompetitif didapatkan apabila pengambilan
keputusan mengakses data yang dapat mengungkapkan informasi
yang sebelumnya tidak diketahui, tidak tersedia, misalnya informasi
mengenai konsumen, trend, dan permintaan.

Meningkatkan produktivitas para pengambilan keputusan
perusahaan
Data warehouse meningkatkan produktivitas para pengambil
keputusan perusahaan dengan menciptakan sebuah database yang
terintegrasi secara konsisten, berorientasi pada subjek, dan data
hitoris. Data warehouse menintegrasikan data dari beberapa sistem
17
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.
2.1.9
Arsitektur Data warehouse
Komponen utama data warehouse menurut Connoly & Begg
(2005, p1156) yaitu :
1. Operational Data
Operational data adalah data yang digunakan untuk
mendukung jalannya operasi bisnis sehari-hari.
2. Operasional Data Store (ODS)
Operational data store (ODS) adalah suatu media
penyimpanan dan pengintegrasian data operasional yang
digunakan untuk analisis. ODS biasanya dibuat ketika sistem
operasional yang lama tidak mampu mencapai kebutuhan
laporan. Membuat ODS dapat menjadi langkah yang
membantu dalam membangun suatu data warehouse karena
ODS dapat menyalurkan data yang telah diextract dari sistem
sumber dan “dibersihkan”. Artinya, sisa pekerjaan dari
mengintegrasi dan merestrukturisasi data pada data warehouse
menjadi lebih sederhana.
3. Load Manager
Load
manager
(disebut
font-end
component)
melaksanakan semua operasi yang berhubungan dengan
proces extracting dan loading data kedalam data warehouse.
18
Operasi yang dilakukan oleh load manager dapat meliputi
perubahan bentuk yang sederhana dari data untuk dipersiapkan
sebelum masuk ke data warehouse.
4. Warehouse Manager
Warehouse Manager melaksanakan semua operasi
yang berhubungan management data didalam data warehouse.
Operasi yang dilakukan oleh warehouse manager meliputi :

Analisis data untuk memastikan konsistensi

Transformasi dan penggabungan sumber data dari
tempat penyimpanan data sementara kedalam tabeltabel data warehouse

Pembuatan indeks dan view pada table

Melakukan denormalisasi

Melakukan agregasi

Melakukan back-up dan mengarsip data
5. Query Manager
Query manager (disebut juga back-end component)
melaksanakan semua operasi yang berhubungan dengan
manajemen
user
query.
Kompleksitas
query
manager
ditentukan oleh fasilitas yang disajikan melalui peralatan akses
para end user database. Operasi yang dilakukan meliputi
pengarahan query pada table yang sesuai dan penjadwalan
pelaksanaan
query.
Query
manager
juga
mengijinkan
warehouse manager menentukan kesesuaian indeks dan
agregasi.
19
6. Detailed Data
Detailed data menyimpan semua detail data yang
terperinci didalam skema database. Umumnya, detailed data
tidak tersimpan secara online melainkan dibuat tersedia
dengan melakukan penjumlahan (aggregation) terhadap data
ke
detail
tingkat
berikutnya.
Biasanya
detailed
data
ditambahkan ke warehouse untuk menambahkan data yang
terintegrasi.
7. Lightly and highly summarized data
Area ini menyimpan semua data linghtly and highly
summarized data yang dihasilkan oleh warehouse manager.
Area ini merupakan tempat penampungan sementara sebelum
dilakukan perubahan untuk merespon perubahan profil query.
8. Archive or Backup Data
Area data warehouse ini menyimpan semua detailed
data dan ringkasan data untuk kepentingan archiving and
backup. Meskipun ringkasan data dibuat dari detil data, sangat
memungkinkan untuk membuat cadangan ringkasan data
secara online jika data ini ditunjukan melebihi penyimpanan
waktu untuk detil data.
9. Metadata
Area data warehouse ini menyimpan semua definisi
metadata (data tentang data) yang digunakan oleh semua
proses di data warehouse.
20
10. End-User Access Tools
Tujuan utama dari data warehouse adalah menyajikan
informasi berupa laporan kepada user untuk mendukung
pengambilan keputusan stategis. Data warehouse harus
mendukung analisis rutin dan ad hoc secara efisien.
Berdasarkan kategori Menurut Connoly and Begg
(2005, p1160) yang dikemukakan oleh Berson dan Smith
terdapat lima grup utama dari tools tersebut, anatara lain :

Sebagai alat untuk laporan query
Menghasilkan program laporan tertulis, sedangkan
query
tools
didesain
untuk
menerima
SQL
atau
menghasilkan pertanyaan SQL untuk men-query data di
dalam data warehouse.

Perangkat pengembangan aplikasi
Keperluan end-user dari laporan dan alat query
terkadang tidak cukup karena analisis yang dilakukan tidak
dapat ditampilkan atau diperlukannya keahlian yang tinggi
dari user.

Perangkat Executive Information System (EIS)
Executive Information System (EIS), dikembangkan
untuk mendukung pembuatan keputusan tingkat tinggi.
Alat
EIS
membangun
pendukung
berhubungan
dengan
mainframe
untuk
aplikasi
grafik
menyediakan
sebuah
kebiasaan-kebiasaan,
keputusan
untuk
21
gambaran data-data organisasi dan akses ke sumber data
luar.

Perangkat Online Analytical Processing (OLAP)
Perangkat
OLAP
berdasarkan
dari
konsep
multidimensional database dan mengijinkan pengguna
untuk
menganlisa
dan
menggunakan
kompleks
multidimensional views. Aplikasi ini berguna untuk
menilai keefektifan marketing dan rencana kapasitas serta
memperkirakan penjualan.

Perangkat data mining
Data
mining
merupakan
proses
penemuan
hubungan baru, pola, arah yang baru dengan menganalisa
sejumlah data menggunakan statistic, matematika, dan
teknik artificial intelligent. Data mining memiliki potensi
untuk
menggantikan
kemampuan
OLAP
tools,
dikarenakan daya tarik utama dari data mining adalah
kemampuannya
untuk
memprediksi
sekedar melihat data lampau.
daripada
hanya
22
Gambar 2.6 Arsitektur Data warehouse (Connoly and Begg, 2005,
p1053)
2.1.10 Aliran Data dalam Data warehouse
Menurut Connolly dan Begg (2005,p1162), Data warehouse
berfokus pada management lima arus data primen, yaitu :
2.1.10.1 Inflow
Merupakan
proses
ekstrsaksi,
pembersihan,
dan
pengisian data dari sumber data ke dalam data warehouse.
Proses inflow ini berkonsentrasi pada proses mengambil data
dari sumber sistem dan memasukkannya ke dalam data
warehouse. Cara lainnya yaitu data dimasukkan ke dalam
operational data store (ODS) sebelum dikirim ke data
warehouse.
Proses rekonstruksi dari data meliputi :
23

Membersihkan data yang kotor.

Restrukturisasi data untuk dicocokan dengan kebutuhan dari
data warehouse, contohnya menambah atau membuang fieldfield, dan denormalisasi data.

Memastikan bahwa sumber data konsisten dengan dirinya
sendiri dan dengan data lainnya yang sudah ada di data
warehouse.
2.1.10.2 Upflow
Merupakan penambahan nilai ke dalam data di dalam
data
warehouse
melalui
peringkasan,
pemaketan,
dan
distribusi data.
Aktivitas yang berhubungan dengan upflow yaitu sebagai
berikut

Meringkas data dengan proses memilih, memperhitungkan,
menggabungkan dan mengelompokan data relasional ke
dalam tampilan yang lebih baik dan berguna bagi user.

Pengepakan data dengan mengubah data yang detail ke
dalam format yang lebih berguna seperti spreadsheets, teks
dokumen, diagram, tampilan grafik yang lain, database
pribadi dan animasi.

Mendistribusikan data ke kelompok-kelompok yang tepat
untuk meningkatkan dan dapat diakses.
2.1.10.3 Downflow
Merupakan proses mengambil dan mem-backup data
dalam data warehouse. Menyimpan data lama memainkan
24
peranan yang penting di dalam mempertahankan penampilan
dan efektifitas dari warehouse dengan mengirimkan data lama
dengan nilai yang terbatas ke sebuah tempat penyimpanan
seperti magnetic tape atau optical disk.
Downflow dari data juga meliputi proses yang
memastikan bahwa kondisi sekarang dari data warehouse
dapat dibangun kembali jika tejadi kehilangan data, kegagalan
software atau hardware.
2.1.10.4 Outflow
Merupakan proses membuat data agar tersedia bagi
end-user. Outflow merupakan kondisi dimana manfaat dari
data warehouse benar-benar dirasakan oleh sebuah organisasi.
Dua aktivitas kunci yang terdapat pada outflow yaitu
sebagai berikut :

Pengaksesan,
dimana
berhubungan
dengan
proses
memuaskan pemakai akhir dengan menyediakan data yang
dibutuhkan oleh mereka. Yang menjadi perhatian utama
yaitu membuat suatu lingkungan jadi user dapat dengan
efektif menggunakan query tool untuk mengakses sumber
data yang paling tepat. Frekuensi dari pengaksesan ini
dapat bervariasi mulai dari ad hoc, secara rutin, sampai
real time. Selain itu juga harus dipastikan bahwa sumber
sistem digunakan dengan cara yang paling efektif di dalam
menjadwalkan pengeksekusian terhadap query dari user.
25

Pengiriman, dimana berhubungan dengan secara aktif
mengirimkan informs ke workstation dari user. Ini
merupakan area yang baru dari data wareahouse dan sering
dihubungkan dengan proses publish dan subscribe.
Wareahouse
akan
mempublish
objek
bisnis
yang
bermacam-macam dan user akan mensubcribe terhadap
objek bisnis yang dibutuhkan oleh mereka.
2.1.10.5 Metaflow
Merupakan proses memanajemen metadata. Metaflow
merupakan proses yang memindahkan metadata (data tentang
flow yang lainnya). Metadata merupakan deskripsi dari data di
tampung didalam data warehousem apa yang ada di dalamnya,
dari aman asalnya, dan apa yang telah dilakukan terhadap data
tersebut dengan cara cleansing, integrating dan summarizing.
2.1.11 Data Mart
Menurut Conolly dan Begg (2005,p1171), Data
mart
merupakan
bagian
dari
data
warehouse
yang
mendukung kebutuhan informasi bagian departemen atau
fungsi bisnis tertentu.
Berikut karateristik yang membedakan antara data
mart dengan data warehouse :

Data mart berfokus pada kebutuhan pengguna yang
berhubungan dengan satu bagian departemen atau fungsi
bisnis.

Data mart tidak berisi data operasional yang bersifat detil.
26

Data mart lebih dimengerti dan digunakan karena berisi
data yang lebih sedikit dibandingkan data warehouse.
Menurut Inmon (2005, p494), adalah strukur data yang
terbagi-bagi yang diperoleh dari data warehouse dimana data
tersebut
teleh
didenormalisasi
berdasarkan
kebutuhan
informasi manajemen.
Jadi berdasarkan teori diatas data mart adalah suatu
bagian dari data warehouse yang dapat mendukung pembuatan
laporan dan analisis data pada suatu unit, bagian atau operasi
perusahaan.
2.1.12 Pengembangan Data Warehouse
Menurut Sergio Lujan-Mora and Juan Trujillo (2006,
The Journal of computer Information Systems / page 30-56).
Tujuan kinerja dalam mengembangkan teknik data warehouse
adalah untuk membuat proses pengembangan data warehouse
yang
lebih
efisien.
Untuk
mencapai
tujuan
harus
mempertimbangkan beberapa alasan sebagai berikut :

Metode yang digunakan harus pengembangan data
warehouse harus didasarkan pada standar bahasa
pemodelan visual.

Metode yang digunakan harus memberikan metode
yang jelas dan mulus untuk mengembangkan data
warehouse.
27

Metode yang dipakai harus menangani semua tahapan
data warehouse yang di desain secara terintegrasi dari
sumber data operasional dengan pelaksanaan terakhir
dan termasuk definisi proses ETL (Extract, Transform
and Load) dan pengguna akhir persyaratan.

Metode yang digunakan harus menyediakan berbagai
tingkatan detail.
2.1.13 Anatomi Data warehouse
Dalam menentukan bentuk data warehouse yang akan
digunakan oleh suatu perusahaan, terlebih dahulu kita harus
mengetahui kebutuhan informasi yang diperlukan oleh perusahaan.
Data warehouse terdiri atas tiga jenis dasar sistem, yaitu :
1. Data warehouse Fungsional (Functional Data warehouse)
Data
warehouse
fungsional
dibangun
berdasarkan
kebutuhan informasi dari tiap bagian fungsi bisnis perusahaan.
Data
warehouse
fungsional
merupakan
pendekatan
yang
digunakan untuk membangun suatu sistem data warehouse
dengan biaya investasi yang rendah.
2. Data warehouse Terpusat (Centralized Data warehouse)
Menurut Inmon(2005, p193), kebanyakan organisasi
membangun dan memelihara lingkungan data warehouse terpusat
yang tunggal. Pengaturan ini masuk akal karena sebagai berikut :
a. Data di dalam data warehouse terintegrasi antar perusahaan
dan gambaran terintegrasi digunakan hanya pada kantor pusat
28
b. Perusahaan beroperasi pada model bisnis terpusat
c. Volume dari data dalam data warehouse seperti tempat
penyimpanan tunggal yang terpusat
d. Sekalipun data dapat terintegrasi dan diedarkan antar area
lokal yang beragam, data tersebut akan tidak praktis untuk
diakses.
3. Data warehouse Terdistribusi (Distributed Data warehouse)
Perusahaan yang memiliki cabang tersebar di seluruh
dunia membutuhkan informasi yang mencakup tidak hanya di
wilayah lokal saja tetapi juga wilayah global. Global data
warehouse membutuhkan informasi terpadu dari data warehouse
tempat informasi dikumpulkan. Disamping itu, ada kebutuhan
yang lain untuk data warehouse yang terpisah di setiap cabang
perusahaan. Dalam kasus ini, Menurut Inmon (2005,p193), data
warehouse terdistribusi dibutuhkan.
Tiga tipe dari data warehouse terdistribusi :
1. Data warehouse yang terdistribusi secara geografi terdiri dari
data warehouse lokal dan global.
2. Data warehouse yang terdistribusi dalam banyak prosesor,
secara logis ada suatu data warehouse tetapi secara fisiknya
ada banyak data warehouse yang saling berhubungan.
3. Data warehouse yang tumbuh dalam sumber yang tidak
terkoordinasi.
29
2.1.14 ETL (Extract, Transfrom and Loading)
Menurut Loshin (2003, p246), Landasan dasar dari sebuah
data warehouse adalah bahwa sekumpulan data dari beberapa
sumber dikumpulkan lalu ditambahkan ke dalam penyimpanan
data dimana aplikasi analitis dapat menggunakannya sebagai data
masukan.

Extraction
Proses ekstraksi adalah pengambilan data dari sumber data
internal dan external yang ada yang dilanjutkan ke database
tujuan. Pada dasarnya, tujuan proses ekstraksi ini adalah
menyiapkan data untuk diproses lebih lanjut pada proses
selanjutnya.

Transform
Proses transformasi adalah proses pengubahan bentuk data
agar sesuai dan seragam dengan tujuan data menjadi lebih
terintegrasi satu sama lain, sehingga data dalam database
tujuan menjadi konsisten. Sebagai contoh adalah proses
tranformasi format tanggal, didalam database A, format
tanggal adalah 10-10-10, sedangkan di database B adalah 10oct-10, data dari database A dan B akan ditransformasikan
sesuai dengan database tujuan, misalnya menjadi 10-Oktober2010.

Load
Setelah data diproses di tahap Extraction dan Transfrom, data
sudah siap untuk dimuat kedalam database tujuan lewat proses
30
Loading, sehingga data dapat membantu dalam proses analisis
lebih lanjut ke depannya.
2.1.15 Konsep Pemodelan Data warehouse
1. Model Dimensi (Dimensionality Modeling)
Menurut
Connolly
dan
Begg
(2005,
p1183),
Dimensional Modelling adalah teknik logikal design yang
bertujuan untuk menghadirkan data dalam bentuk standard dan
intuitif yang memungkinkan pengaksesan database dengan
performa yang tinggi. Beberapa konsep pemodelan data
warehouse pada dimensionality modeling, antara lain Skema
Bintang, Skema Snowflake, dan Skema Starflake.
a. Skema Bintang (Star Schema)
Menurut Connolly dan Begg (2005, p1183), skema
bintang adalah sebah struktur logikal yang memiliki tabel
fakta ditengahnya, yang terdiri atas data factual, dan
dikelilingi oleh tabel-tabel dimensi yang berisi referensi data.
Skema bintang mengeksploitasi karakteristik data factual
seperti fakta yang digeneresikan oleh events yang muncul pada
waktu yang lampau dan tidak berubah. Skema bintang dapat
digunakan untuk mempercepat kinerja query dengan informasi
referensi denormalisasi ke tabel dimensi tunggal.
Skema bintang memiliki beberapa kelebihan yang
tidak ada dalam struktur relasional biasa. Keuntungan skema
bintang yaitu :
31

Efisiensi, struktur database konsisten sehingga efisien
dalam mengakses data dengan menggunakan tool untuk
menampilkan data termasuk laporan tertulis dan query.

Kemampuan untuk mengatasi perubahan kebutuhan,
skema bintang dapat beradaptasi terhadap perubahan
kebutuhan pengguna karena semua tabel dimensi memiliki
kesamaan dalam hal menyediakan akses ke tabel fakta.

Extensibility, model dimensional dapat dikembangkan.
Seperti menambah tabel fakta selama data masih
konsisten, menambah tabel dimensi selama ada nilai
tunggal di tabel dimensi tersebut yang mendefinisikan
setiap record tabel fakta yang ada, menambahkan attribute
tabel dimensi, dan memecah record tabel dimensi yang ada
menjadi
level
yang
lebih
rendah
daripada
level
sebelumnya.

Kemampuan untuk menggambarkan situasi bisnis pada
umumnya, pendekatan standar untuk menangani situasi
umum di dunia bisnis yang terus bertambah.

Proses query yang bisa diprediksi, aplikasi data warehouse
yang mencari data dari level yang dibawahnya akan mudah
menambahkan jumlah attribute pada tabel dimensi dari
sebuah skema bintang. Aplikasi yang mencari data dari
level yang setara akan menghubungkan tabel fakta yang
terpisah melalui tabel dimensi yang dapat diakses bersama.
32
Gambar 2.7 Star Schema (Connolly & Begg, 2005, p1184)
b. Skema Snowflake (Snowflake Schema)
Menurut Connolly dan Begg (2005, p1184), skema
snowflake adalah variasi lain dari skema bintang dimana table
dimensi tidak berisi data denormalisasi. Suatu tabel dimensi
diperbolehkan memiliki tabel dimensi lainnya.
33
Gambar 2.8 Snowflake Schema (Connolly & Begg, 2005, p1185)
c. Skema Starflake (Starflake Schema)
Menurut
Skema starflake
Connolly
adalah
dan
struktur
Begg
(2005,
p1185),
yang
diturunkan
dari
penggabungan konsep star schema dan snowflake schema.
Beberapa dimensi memiliki kemungkinan untuk dibentuk
dengan kedua konsep star schema dan snowflake schema
tergantung kebutuhan akan query yang dimiliki.
2. Tabel Fakta dan Tabel Dimensi
a.
Tabel Fakta
Menurut Connolly dan Begg (2005, p1183),
Tabel Fakta adalah sebuah tabel pada dimensional
34
model yang isinya composite Primary Key (PK). Jadi,
Primary Key pada tabel fakta merupakan beberapa
Foreign Key (FK).
b.
Tabel dimensi
Menurut Connolly dan Begg (2005, p1183),
Tabel Dimensi merupakan sekumpulan dari tabel-tabel
yang lebih kecil yang memiliki sebuah primary key
sederhana yang merespon secara benar terhadap salah
satu komponen dari composite key yang ada dari tabel
fakta.
2.1.16 Entity Relationship Modeling
Menurut Connoly dan Begg (2005, p342), Pemodelan
Entity Relationship adalah pendekatan dari atas kebawah untuk
merancang database yang dimulai dengan mengidentifikasi
data yang penting yang dikenal dengan sebutan entitas dan
hubungan antara data harus diperlihatkan dalam model ini.
Konsep dasar dari pemodelan ER antara lain :
1. Entity Type (Tipe Entitas)
Menurut Connolly dan Beg(2005,p343), entity
type ialah sekumpulan objek dengan property yang
sama, dimana diidentifikasi oleh perusahaan karena
mempunyai keadaan bebas. Menurut Connolly dan
Begg(2005.p333), entity occurrence ialah objek yang
diidentifikasi secara unik dari entity type. Entity type
35
digambarkan dalam bentuk bujur sangkar dengan
diberi nama entitas, yang umumnya adalah kata benda
tunggal, dapat dilihat pada gambar di bawah ini :
Gambar 2.9 Diagram dari Entity Type Branch dan Staff
(Connolly dan Begg 2005,p345)
2. Relationship (Hubungan)
Menurut
Connoly
dan
Begg(2005,p346),
Relationship Type adalah sekumpulan asosiasi yang
berarti diantara entity types. Sedangkan, relationship
occurrence
ialah
sebuah
asosiasi
yang
dapat
diidentifikasi secara unik dimana terdiri dari 1
occurrence dari masing – masing entity type yang
berhubungan.
36
Gambar 2.10 Diagram dari relationship type Branch mempunyai
staff
(Connoly dan Begg, 2005, p 347)
3. Attribute (Atribut)
Menurut Connoly dan Begg(2005,p350), atribut
ialah property dari sebuah entitas atau relationship
type. Contohnya, staff memiliki atribut staffNo, nama,
posisi, dan gaji.
2.1.17 OLTP (Online Transaction Processing)
Menurut Connolly dan Begg (2055, p 1149), OLTP
adalah suatu sistem yang telah dirancang untuk menangani
jumlah hasil transaksi yang tinggi, dengan transaksi yang pada
umumnya
membuat
perubahan
yang
kecil
bagi
data
operasional organisasi. Oleh karena itu, data organisasi
memrlukan penanganan operasinya setiap hari.
37
Ukuran database OLTP dapat berkisar dari database
berukuran kecil (beberapa Megabytes (Mb)), database
berukuran menengah/medium (Gigabytes (Gb)), database
berukuran
besar
(Terabytes(Tb)),
atau
bahkan
sampai
penyimpanan yang sangat besar hingga Petabytes(Pb).
2.1.18 OLAP(Online Analytical Processing)
Menurut Connlly & Begg (2005, p1101), OLAP
(Online Analytical Processing) adalah sintetis, analisis dan
konsolidasi dinamis dari sejumlah besar multidimensional
data.
Manfaat yang didapat dari implementasi
aplikasi
OLAP yang berhasil, antara lain (Connolly & Begg, 2005,
p1104) :

Meningkatkan produktivitas dari end-user bisnis,
pengembang IT, dan juga seluruh organisasi. Akses
yang
lebih
terkendali
dan
terencana
terhadap
informasi strategi dapat menyediakan pengambilan
keputusan yang efektif.

Mengurangi backlog pengembangan aplikasi untuk
staff IT dengan membuat end-user dapat membuat
perubahan skema mereka sendiri dan membangun
model milik mereka sendiri.

Mempertahankan kendali organisasi melalui integritas
data yang berhubungan sebagai aplikasi OLAP yang
38
tergantung pada data warehouse dan sistem OLTP
untuk me-refresh sumber data.

Meningkatkan pendapatan dan profitabilitas yang
potensial dengan cara memampukan organisasi untuk
merespon lebih cepat terhadap permintaan pasar.
2.1.19 Perbandingan Data Warehouse dengan OLTP
Menurut Connolly dan Begg (2005, p1153), biasanya
sebuah organisasi mempunyai beberapa sistem Online
Transaction Processing (OLTP) yang berbeda untuk setiap
proses bisnis, seperti proses bisnis, seperti pengawasan
persediaan (inventory control), pesanan pelanggan (invoicing
customer) dan tingkat penjualan. Sistem ini menghasilkan data
operasional yang detil, terbaru dan selalu berubah. Sistem
OLTP optimal jika digunakan untuk sejumlah transaksi yang
dapat diramalkan (predictable), berulang (repetitive), dan
sering
diperbaharui
(update
intensive).
Data
OLTP
diorganisasikan berdasarkan syarat-syarat dari transaksi
dihubungkan
dengan
keputusan per-hari
aplikasi
bisnis
dan
mendukung
dalam sejumlah besar operasional user
yang konkruen.
Umumnya organisasi hanya mempunyai satu data
warehouse yang menyimpan data secara historis, detil, dan
ringkasan dengan beberapa tingkatan dan sangat jarang
berubah. Data warehouse didesain untuk mendukung transaksi
39
yang tidak dapat diramalkan (unpredicteable), dan heuristic.
Data warehouse diorganisasikan pada syarat-syarat query
yang potensial dan mendukung keputusan strategis jangka
panjang dari sejumlah kecil user tingkat manajerial.
Di bawah ini adalah tabel perbandingan antara sistem
OLTP dengan sistem Data warehouse (Connolly dan Begg
2005, p1153) :
Sistem OLTP
Sistem Data warehouse
Mengandung data terkini
Mengandung data historis (data lama)
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 analisis
Digunakan untuk transaksi
Transaksi tingkat menengah sampai
rendah
Berorientasi pada aplikasi
Berorientasi pada subjek
Penggunaannya dapat diprediksi
Penggunaannya
tidak
dapat
diprediksi
Tabel 2.2 Perbandingan Data warehouse dengan OLTP (Connolly dan
Begg 2005, p1153)
40
2.1.20 Granularity
Menurut Inmon (2005, p41), Granularity adalah
masalah desain yang paling penting dalam lingkup data
warehouse karena sangat mempengaruhi volume data yang
berada di gudang data dan jenis pertanyaan yang dapat di
jawab. Volume data di dalam gudang data digunakan pada
tingkat detail dari query.
2.1.21 Perancangan Data Warehouse
Menurut Connolly dan Begg (2005, p1187), terdapat
Sembilan tahapan dalam membangun data warehouse (nine
step methodology) yaitu:
1. Pemilihan Proces (Choosing the Process)

Data mart yang pertama kali dibangun haruslah data
mart yang dapat dikirim tepat waktu dan menjawab
pertanyaan bisnis yang penting.

Misalnya pilihan terbaik untuk data mart yang
pertama adalah yang berkaitan dengan sales, seperti
property sales dan property leasing.
2. Memilih Grain

Untuk memutuskan secara pasti apa yang diwakili
atau direpresentasikan oleh sebuah tabel fakta.

Misalnya, jika sumber dari sebuah tabel fakta
property sales adalah individual, maka sumber dari
41
sebuah dimensi pelanggan berisi rincian pelanggan
yang membeli property utama.
3. Mengidentifikasi dan menyesuaikan dimensi

Mengatur dimensi dari data mart yang dibangun
dengan baik akan memberikan kemudahan dalam
memahami dan menggunakan data mart tersebut.

Dimensi penting untuk menggambarkan fakta-fakta
pada tabel fakta. Misalnya, setiap data pelanggan
pada tabel dimensi pembeli dilengkapi dengan
id_pelanggan,
no_pelanggan,
tipe_pelanggan,
tempat_tinggal dan sebagainya.

Jika ada dimensi yang muncul pada dua data mart,
kedua data mart tersebut harus berdimensi sama atau
salah satunya berupa subset matematis dari yang
lainnya.

Jika sebuah dimensi digunakan pada dua data mart
atau lebih dan dimensi ini tidak disinkronisasi, maka
keseluruhan data warehouse akan gagal karena dua
data mart tidak bisa digunakan secara bersama-sama.
4. Memilih fakta

Sumber dari sebuah tabel fakta menentukan fakta
mana yang bisa digunakan dalam data mart.
42

Semua fakta harus diekspresikan pada tingkat yang
telah ditentukan oleh sumber.

Misalnya, jika sumber dari tabel fakta adalah
property sale, maka semua fakta numeric harus
menunjuk pada particular sale.
5. Meyimpan pre-kalkulasi dalam tabel fakta

Ketika fakta sudah dipilih, maka masing-masing
fakta tersebut
menentukan
harus diperiksa kembali
apakah
ada
kemungkinan
untuk
untuk
menggunakan pre-kalkulasi.

Contoh umum pemakaian pre-kalkulasi dalam tabel
fakta
adalah
ketika
terdapat
fakta
yang
membandingkan rugi dan laba. Pre-kulkalasi dalam
tabel fakta akan semakin diperlukan jika tabel fakta
didasarkan pada invoice atau penjualan.
6. Melengkapi tabel dimensi

Pada tahap ini akan ditambahkan keterangan
selengkap-lengkapnya pada tabel dimensi.

Keterangan yang ditambahkan harus bersifat intuitif
dan mudah dipahami oleh pengguna.
7. Memilih durasi dari database
43

Durasi mengukur waktu dari pembatasan data yang
diambil dan dipindahkan kedalam tabel fakta.

Sebagai
contoh,
perusahaan asuransi
memiliki
kebutuhan untuk menyimpan data dalam jangka
waktu 5 tahun atau lebih. Tabel fakta yang besar
menimbulkan dua persoalan.

Permasalahan pertama, semakin lama umur data,
akan muncul pembacaan dan interpretasi terhadap
file yang lama.

Permasalahan
kedua,
terdapat
kemungkinan
digunakan versi dimensi yang lama, bukan versi
terbarunya.
8. Melacak perubahan dimensi secara perlahan

Mengamati perubahan dari dimensi pada tabel
dimensi khususnya data history yang lama atau data
lama yang sudah berubah.

Ada tiga tipe dasar dari perubahan dimensi yang
perlahan, yaitu :
Tipe 1. Perubahan dimensi menyebabkan data lama
di overwrite.
Tipe
2.
Perubahan
dimensi
menyebabkan
pembentukan record baru.
Tipe 3. Perubahan dimensi menyebabkan pembuatan
attribut alternatif sehingga nilai yang lama dan yang
44
baru dapat diakses secara bersama pada dimensi yang
sama.
9. Menentukan prioritas dari mode query

Pada tahap ini, kita memutuskan perancangan fisik
yang akan digunakan, seperti penyotiran urutan tabel
pada disk dan keberadaan dari penyimpanan awal
ringkasan
(summaries)
atau
penjumlahan
(aggregate).

Selain itu masalah administrasi backup, kinerja,
indeks, dan keamanan juga merupakan faktor yang
harus diperhatikan.

Dengan
langkah-langkah
diatas,
kita
bisa
membangun sebuah data warehouse yang baik.
2.2 Teori-teori Khusus
2.2.1 Penjualan
Menurut
Kotler (2006, p470), proses penjualan adalah
langkah-langkah yang dilakukan oleh bagian penjualan dalam
penjualan
dimana
meliputi
prosepecting
dan
standarlisasi,
preapproach, approach, presentasi dan demostrasi, mengenai
keluhan, closing dan follow-up.
Sistem penjualan adalah sebuah sistem yang digunakan untuk
mencatat sampai membuat kalkulasi tentang penjualan barang
dagangan ke pelanggan baik secara kredit maupun tunai.
45
2.2.2 Pembelian
Menurut Kakouris(2006, p709), pembelian sekarang diakui
sebagai sebuah fungsi strategis, tidak hanya karena keputusan dibuat
oleh manajer pembelian yang memiliki pengaruh besar pada kinerja
perusahaan secara keseluruhan, tetapi juga karena para pebisnis harus
mengatur proses yang menghubungkan mereka dengan para pemasok
mereka.
Berdasarkan teori diatas dapat disimpulkan pembelian adalah
proses membeli barang atau jasa lalu kita membayar barang atau jasa.
2.2.3 Pengertian Persediaan
Menurut Lukman Syamsuddin (2004, p281-285), persediaan
dibagi kedalam tiga bentuk utama dari persediaan perusahaan, yaitu :
2.2.3.1 Persediaan barang mentah (raw material inventory)
Persediaan barang mentah(Raw Material) adalah
merupakan persediaan yang dibeli oleh perusahaan untuk
diproses menjadi barang setengah jadi atau produk akhir dari
perusahaan. Dalam beberapa hal dimana perusahaan industry
memproduksi barang-barang yang sangat kompleks, maka
persediaan barang mentah mungkin terdiri dari barang-barang
setengah jadi ataupun barang jadi yang sudah diproses oleh
perusahaan lain, misalnya perusahaan mobil akan membeli
ban atau radio yang merupakan kelengkapan dari mobil yang
diproduksinya dari perusahaan lain. Setiap perusahaan
46
industry/manufaktur harus mempunyai persediaan bahan
dalam bentuk apapun karena hal tersebut mutlak diperlukan
dalam produksi yang dilakukan. Adapun jumlah bahan mentah
yang harus dipertahankan oleh perusahaan akan sangat
tergantung pada :
a. Lead time (waktu yang dibutuhkan sejak saat
pemesanan sampai bahan diterima)
b. Jumlah pemakaian
c. Jumlah investasi dalam persediaan
d. Karakteristik fisik dari bahan mentah yang dibutuhkan.
Faktor kelancaran lead time perlu dipertimbangkan
dengan sebaik-baiknya mengingat adanya tenggang waktu
antara saat pemesanan dengan saat penerimaan barang. Dengan
kata lain perusahaan perlu menetapkan suatu jumlah minimum
pada saat pemesanan bahan sehingga pada saat bahan tersebut
diterima jumlah persediaan masih berada pada titik yang
memungkinkan perusahaan berproduksi secara normal.
Frekuensi atau jumlah pemakaian bahan mentah juga
mempengaruhi tingkat persediaan. Semakin sering atau
semakin banyak suatu bahan digunakan dalam proses produksi
maka akan semakin besar jumlah persediaan bahan yang
dibutuhkan oleh perusahaan. Jumlah investasi yang dibutuhkan
dalam
persediaan
akan
persediaan perusahaan.
sangat
mempengaruhi
tingkat
47
Faktor lain juga mempengaruhi tingkat persediaan
bahan mentah adalah karakteristik fisik dari bahan mentah itu
sendiri, seperti besar kecilnya ukuran bahan mentah atau bahan
tersebut mudah rusak atau tidak.
Keempat faktor tersebut di atas perlu diperhatikan
secara baik dan dipertimbangkan dengan seksama dalam
menentukan jumlah persdiaan bahan mentah yang harus
dipertahankan dalam perusahaan. Kebutuhan masing-masing
bahan mentah dalam proses produksi haruslah dapat dipenuhi,
namun pada saat yang sama harus dipertimbangkan faktor
biaya, sehingga jumlah modal yang di investasikan dalam
persediaan bahan mentah tidak terlalu tinggi.
2.2.3.2 Persediaan barang dalam proses/barang setengah jadi
(work in process/goods in process inventory)
Persediaan barang dalam proses (work in process)
adalah persediaan barang yang terdiri dari keseluruhan barangbarang yang digunakan dalam proses produksi tetapi masih
membutuhkan proses lebih lanjut untuk menjadi barang yang
siap untuk dijual (barang jadi). Tingkat penyelesaian suatu
barang dalam proses sangat tergantung pada panjang serta
kompleknya proses produksi yang dilaksanakan. Dengan kata
lain, semakin panjang “production cycle”, semakin besar
jumlah persediaan barang dalam proses.
48
Besarnya persediaan barang dalam proses ini akan
menyebabkan semakin besar biaya-biaya persediaan karena
modal yang terikat didalam persediaan tersebut semakin besar.
Persediaan barang dalam proses merupakan jenis persediaan
yang paling tidak likuid karena akan cukup sulit bagi
perusahaan untuk dapat menjual barang-barang yang masih
dalam bentuk setangah jadi.
Karakteristik lainnya adalah bahwa barang dalam
proses merupakan suatu bentuk “peningkatan nilai”. Karena
dengan adanya proses transformasi dari bahan mentah menjadi
bahan jadi, melalui proses produksi, dibutuhkan adanya biaya
tamabahan tenaga kerja, bahan mentah lain dan bahan
pembantu serta biaya overhead.
2.2.3.3 Persediaan barang jadi(finished goods inventory)
Persediaan
barang
jadi(finished
goods)
adalah
merupakan persediaan barang-barang yang telah selesai
diproses
oleh
perusahaan
tetapi
masih
belum
dijual.
Perusahaan-perusahaan industry yang beroperasi berdasarkan
pesanan mempunyai persediaan barang jadi yang relatif kecil.
Sedangkan dalam industry manufaktur, barang-barang yang
diproduksikan
berdasarkan
antisipasi
terhadap
volume
penjualan sehingga persediaan barang jadi sangat ditemukan
oleh ramalan-ramalan penjualan, proses produksi, serta jumlah
investasi dalam persediaan barang jadi tersebut.
49
Skedul produksi diarahkan untuk menyediakan barang
jadi yang dapat memenuhi forecasting atau ramalan penjualan
yang disampaikan bagian pemasaran. Skedul produksi yang
diatur sedemikian rupa sehingga cukup untuk menutup
estimasi-estimasi permintaan terhadap produk perusahaan
tanpa adanya kelebihan persediaan yang terlalu besar akan
meminimalkan biaya-biaya operasi perusahaan.
Usaha-usaha untuk mengoptimalkan persediaan barang
jadi akandapat tercapai apabila perusahaan dapat membuat
estimasi penjualan yang realistis serta skedul produksi yang
baik.
Aktivitas perusahaan manufaktur meliputi kegiatan
proses produksi yang mengubah bahan baku mentah menjadi
bahan jadi, dimana proses produksi merupakan kegiatan yang
menambah nilai guna suatu barang. Sehingga seluruh barang
yang dimiliki perusahaan pada saat tertentu dengan tujuan
untuk dijual kembali pada proses produksi merupakan
persediaan barang. Dan penelitian ini menggunakan jenis
persediaan barang jadi.