7

BAB 2

LANDASAN TEORI

2.1 Pengertian Data Warehouse

Menurut Inmon (2002, p389), “A data warehouse is a collection of

integrated, subject oriented database designed to support the DSS function, where

each unit of data is relevant to some moment in time”, atau kurang lebih dapat

diartikan bahwa data warehouse adalah kumpulan basis data yang mempunyai sifat

berorientasi subyek, terintegrasi, mempunyai rentang waktu, yang dirancang untuk

mendukung fungsi sistem pendukung pengambilan keputusan dimana tiap data

berhubungan dengan suatu kejadian pada suatu waktu.

Berdasarkan sumber informasi yang lain, data warehouse adalah

kumpulan dari data yang tertransformasi dan terintegrasi, disimpan dengan tujuan

untuk menyediakan informasi yang bersifat strategis untuk keseluruhan perusahaan

(Ponniah, 2001, p504). Menurut Ponniah (2001,p13), data warehouse adalah suatu

lingkungan informasi yang:

• Menyediakan sudut pandang yang terintegrasi dan bersifat meyeluruh dari

suatu perusahaan.

• Membuat informasi baru maupun historis tersedia secara mudah untuk

pengambilan keputusan.

• Memungkinkan proses pengambilan keputusan tanpa mengganggu sistem

operasional.

• Memberikan informasi tentang organisasi secara konsisten.

8

• Memberikan sumber informasi strategis secara fleksibel dan interaktif.

2.2 Karakteristik Data Warehouse

Data warehouse adalah suatu kumpulan data yang bersifat subject-

oriented, integrated, time-variant, dan non-volatile dalam mendukung proses

pengambilan keputusan (Connolly dan Begg, 2002, p1047; Inmon, 2002, p31).

2.2.1 Subject Oriented

Data disusun berdasarkan subyek-subyek area utama perusahaan,

tidak seperti OLTP (OnLine Transaction Processing) yang diatur berdasarkan

aplikasi-aplikasi operasional perusahaan. Contohnya dalam perusahaan

asuransi data warehouse akan berorientasi pada subyek utama perusahaan

antara lain customer, kebijakan, premi, dan klaim sedangkan OLTP lebih

berorientasi pada aplikasi-aplikasi operasional perusahaannya antara lain

asuransi mobil, asuransi kesehatan, asuransi jiwa, asuransi kecelakaan.

9

Gambar 2.1 Contoh data berorientasi subyek (Inmon ,2002, p32)

2.2.2 Integrated

Karakteristik data warehouse selanjutnya adalah terintegrasi.

Terintegrasi merupakan aspek yang paling penting dalam data warehouse.

Terintegrasi berarti data konsisten. Integrasi merupakan suatu masalah bagi

organisasi, khususnya jika menggunakan banyak tipe teknologi yang berbeda.

Sebelum data dimasukkan ke dalam data warehouse, data harus diintegrasikan.

Maka proses integrasi adalah suatu proses yang dilalui data setelah

meninggalkan database aplikasi untuk masuk ke data warehouse.

Berikut adalah hal-hal yang perlu standarisasi (Ponniah, 2001, p22):

• Penamaan (naming conventions)

• Kode (codes)

10

• Atribut data (data attributes)

• Pengukuran (measurements)

Gambar 2.2 Contoh integrasi data (Inmon ,2002, p33)

2.2.3 Non-Volatile

Data warehouse bersifat read-only, pengguna tidak dapat

mengubah data. Tidak seperti sistem database operasional yang bersifat untuk

mengumpulkan data (data capture), data warehouse berfungsi untuk

mendukung system reporting. Pada sistem database operasional terdapat tiga

operasi, yaitu insert, update, dan delete. Sedangkan pada data warehouse

11

terdapat dua operasi, yaitu loading data dan akses data (query data). Artinya

user hanya boleh melakukan proses read, bukan write. Tujuannya adalah untuk

menjaga keaslian dan integrasi data di dalam sistem, dan juga sifat ini

membedakan data warehouse dengan OLTP.

Gambar 2.3 Persoalan dalam non volatile (Inmon,2002, p34)

2.2.4 Time-Variant

Time-variant berarti data historis disimpan. Hampir seluruh query

yang dieksekusi pada data warehouse berhubungan dengan elemen waktu.

Umumnya sistem operasional tidak menyimpan informasi historis, dan hampir

tidak mungkin meramalkan kejadian di masa depan tanpa meneliti kejadian di

masa lalu. Maka data warehouse membantu mengatasi masalah tersebut

dengan menambahkan dimensi historis pada data yang diambil dari database

operasional.

Data warehouse berisikan record-record yang bersifat historis.

Record dalam data warehouse berjangka 5-10 tahun, sehingga record-record

12

yang lama tetap akan ada di dalam sistem. Hal ini digunakan sebagai bahan

analisis untuk pengambilan keputusan dalam menentukan trend bisnis yang

ada di masa lalu. Namun record yang terlalu lama juga tidak baik disimpan,

sebab dapat memberikan hasil analisis yang kurang tepat. Dalam OLTP,

record-nya merupakan record yang terbaru. OLTP tidak menyimpan data

yang lama, dengan maksud untuk mempercepat proses. Semakin sedikit data

yang disimpan maka waktu yang diperlukan untuk pemrosesan data semakin

kecil.

Data dalam data warehouse berhubungan dengan suatu titik atau

point dalam suatu periode tertentu (semester, kuartal, tahun fiskal). Data

tersebut merupakan data hasil summary. Hal ini membantu dalam menentukan

performa query data warehouse serta dalam membentuk pengertian bisnis.

Gambar 2.4 Persoalan dalam variasi waktu (Inmon,2002, p35)

2.3 Struktur Data Warehouse

Menurut Inmon (2005, p35), data mengalir dari lingkungan operasional

ke dalam data warehouse dimana data mengalami transformasi dari tingkatan

13

operasional ke tingkatan data warehouse. Pada perumusan data, data disampaikan

dari current detail data ke older detail. Setelah data diringkas, data tersebut

disampaikan dari current detail ke lightly summarized data, kemudian dari lightly

summarized data ke highly summarized data.

Gambar 2.5 Struktur data warehouse (Inmon,2002, p36)

2.3.1 Current Detailed Data

Current detailed data berisi data yang mencerminkan keadaan yang

sedang berjalan saat ini dan merupakan level terendah dari data warehouse.

Oleh karena itu, data di tingkat ini belum efisien untuk digunakan sekalipun

datanya lengkap/detail. Hal ini dikarenakan terlalu rumit/kompleks untuk

melakukan analisis dengan data yang banyak.

14

2.3.2 Old Detailed Data

Old detailed data merupakan merupakan data history dari suatu

perusahaan yang berupa hasil backup yang disimpan dalam media

penyimpanan yang frekuensi akses relatif jarang. Data pada tingkat ini

biasanya berupa backup data-data dari kurun waktu lama misalnya dalam

ukuran tahunan dan sudah hampir tidak pernah diakses lagi. Namun

penyusunan directory untuk data ini harus mencerminkan umur dari data agar

mempermudah untuk pengaksesan kembali.

2.3.3 Lightly Summarized Data

Lightly summarized data merupakan data ringkasan atau summary

dari current detailed data. Pada tingkat ini, data hasil ringkasan masih belum

dapat digunakan dalam proses pengambilan keputusan karena belum bersifat

"total summary" dan masih bersifat detail. Lightly summarized data biasanya

sering digunakan untuk gambaran dari keadaan yang sedang berlangsung dan

sudah berlangsung.

2.3.4 Highly Summarized Data

Highly summarized data merupakan merupakan hasil proses

summary yang bersifat "totalitas". Data-data pada highly summarized ini sangat

mudah diakses. Data pada tingkat inilah yang pada akhirnya digunakan untuk

mendukung pengambilan keputusan terutama di kalangan eksekutif dalam

15

dunia bisnis. Hal ini disebabkan karena data pada tingkat ini dianggap sudah

cukup representatif dan ringkas. Akan tetapi data ini tetap dapat

merepresentasikan keadaan data secara keseluruhan. Hal ini tentu saja sangat

memudahkan kalangan pimpinan atau eksekutif karena tidak perlu lagi

membaca dan melakukan analisis data untuk waktu yang cukup lama.

2.4 Metadata

Metadata bukan merupakan hasil kegiatan operasional seperti keempat

jenis data di atas. Metadata memuat informasi yang penting mengenai data dalam

data warehouse yang berfungsi sebagai:

• Direktori yang akan dipakai oleh user dalam mencari lokasi dalam data

warehouse.

• Merupakan penuntun pemetaan (mapping) dalam proses transformasi dari

operasional ke data warehouse.

• Suatu panduan untuk proses summary data dari detail data menjadi lightly

summarized data dan kemudian menjadi highly summarized data.

Metadata merupakan bentuk suatu jaringan yang sangat penting bagi

pengguna data warehouse. Data yang tersedia harus dapat digunakan oleh user

dengan istilah yang sesuai dengan cara user dalam melakukan pekerjaannya. Karena

data warehouse harus melayani banyak fungsi, maka metadata penting untuk

menjawab kebutuhan dari suatu fungsi tertentu. Karena setiap departemen biasanya

menggambarkan struktur data yang spesifik meskipun asal datanya sama.

16

2.5 Arsitektur Data Warehouse

Dalam melakukan perancangan data warehouse harus ditentukan

arsitektur yang cocok untuk pengembangan data warehouse.

Gambar 2.6 Arsitektur Data Warehouse (Connolly dan Begg ,2002, p1053)

Komponen-komponen utama data warehouse (Connolly dan

Begg,2002,pp1052-1057):

1. Operational Data Source (ODS)

ODS merupakan tempat penyimpanan data operasional terkini dan

terintegrasi yang digunakan untuk analisis. Seringkali mempunyai struktur dan

data seperti data warehouse, namun pada faktanya hanya bertindak sebagai

staging area bagi data untuk dipindahkan ke dalam warehouse.

2. Load manager/komponen frontend

17

Load manager bertugas melaksanakan semua operasi yang berhubungan

dengan extraction dan loading data ke dalam warehouse, termasuk transformasi

data sederhana sebagai persiapan data untuk dimasukkan ke dalam warehouse.

3. Warehouse manager

Warehouse manager melaksanakan semua operasi yang berhubungan

dengan manajemen data dalam warehouse. Operasi yang dilaksanakan oleh

komponen ini antara lain analisis data untuk memastikan konsistensi,

transformasi dan menggabungkan berbagai sumber data, pembuatan index dan

view, denormalisasi, archiving dan backup data.

4. Query manager/komponen backend

Query manager melaksanakan semua operasi yang berhubungan dengan

manajemen query pengguna, termasuk mengarahkan query ke tabel-tabel yang

tepat, menjadwalkan eksekusi query.

5. End-user access tools

Dapat dikategorikan menjadi 5 kelompok:

• Data reporting dan query tool

• Application development tool

• Executive Information System (EIS) tool

• Online analytical processing (OLAP) tool

• Data mining tool

18

2.6 Anatomi Data Warehouse

2.6.1 Data Warehouse Terpusat

Berdasarkan W.H. Inmon (2002, p201), sebagian besar organisasi

membangun dan memelihara lingkungan data warehouse terpusat tunggal.

Pengaturan ini dilakukan karena memiliki beberapa alasan yaitu:

1. Data dalam warehouse terintegrasi antar perusahaan dan gambaran

terintegrasi digunakan hanya pada kantor pusat.

2. Perusahaan mengoperasikan sebuah model bisnis terpusat.

3. Volume data dalam data warehouse seperti sebuah penyimpanan

tunggal yang terpusat.

4. Sekalipun data dapat diintegrasikan, jika data diedarkan melalui banyak

local sites, maka akan mempersulit pengaksesan.

2.6.2 Data Warehouse Terdistribusi

Menurut Inmon (2002, p202), tiga tipe dari data warehouse terdistribusi:

1. Bisnis terdistribusi secara geografis atau dibedakan menurut garis

produk. Oleh karena hal tersebut, maka disebutlah data warehouse

lokal dan data warehouse global. Data warehouse lokal mewakili

data dan proses di lokasi yang terpencil dan data warehouse global

mewakili bagian dari bisnis yang diintegrasikan melalui keseluruhan

bisnis.

2. Lingkungan data warehouse akan memegang banyak data dan volume

data akan didistribusikan melalui beberapa prosesor. Secara logikal

19

hanya ada satu data warehouse, tetapi secara fisikal terdapat banyak

data warehouse yang semuanya mempunyai hubungan yang dekat

tetapi diletakkan pada prosesor yang terpisah. Konfigurasi ini dapat

disebut dengan teknologi data warehouse terdistribusi.

3. Lingkungan data warehouse tumbuh dalam sebuah kebiasaan yang

tidak terorganisasi. Data warehouse yang pertama muncul, kemudian

diikuti yang lainnya. Kurangnya koordinasi dari pertumbuhan data

warehouse yang berbeda biasanya menghasilkan sebuah perbedaan

secara politik dan organisasi. Kasus ini dapat disebut dengan data

warehouse terdistribusi yang secara bebas berkembang.

2.7 Metodologi Perancangan Data Warehouse

Berdasarkan Kimball seperti yang dikutip oleh Connolly dan Begg (2002,

p1083), terdapat 9 tahap metodologi dalam membangun data warehouse yang

dikenal dengan nine-step methodology yakni:

1. Memilih proses (Choosing the process)

Proses (fungsi) merujuk pada subyek masalah dari data mart tertentu.

Data mart yang akan dibangun harus sesuai anggaran dan dapat menjawab

masalah-masalah bisnis yang penting.

2. Memilih grain (Choosing the grain)

Memilih grain berarti menentukan hal yang sebenarnya dihadirkan oleh

tabel fakta. Setelah menentukan grain-grain tabel fakta, dimensi-dimensi untuk

setiap fakta dapat diidentifikasi.

20

3. Identifikasi dan membuat dimensi yang sesuai (Identifying and conforming the

dimensions)

Mengidentifikasi dimensi disertai deskripsi detail yang secukupnya.

Ketika tabel dimensi berada pada dua atau lebih data mart, maka tabel dimensi

tersebut harus mempunyai dimensi yang sama atau salah satu merupakan subset

dari yang lainya. Jika suatu tabel dimensi digunakan oleh lebih dari satu data

mart, maka dimensinya harus disesuaikan.

4. Memilih fakta (Choosing the facts)

Memilih fakta yang akan digunakan dalam data mart. Semua fakta harus

ditampilkan pada level yang diterapkan oleh grain dan fakta juga harus numerik

dan aditif.

5. Menyimpan pre-kalkulasi dalam tabel fakta (Storing pre-calculations in the fact

table)

Ketika fakta telah dipilih, maka setiap fakta tersebut harus diuji apakah

ada fakta yang dapat menggunakan pre-kalkulasi, setelah itu lakukan

penyimpanan pada tabel fakta.

6. Melengkapi tabel dimensi (Rounding out the dimension tables)

Menambahkan sebanyak mungkin deskripsi teks pada tabel dimensi.

Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user.

7. Memilih durasi dari database (Choosing the duration of the database)

Menentukan batas waktu dari umur data yang diambil dan akan

dipindahkan ke dalam tabel fakta. Misalnya, data perusahaan dua tahun lalu atau

lebih diambil dan dimasukkan dalam tabel fakta.

21

8. Melacak perubahan dari dimensi secara perlahan (Tracking slowly changing

dimensions)

Perubahan dimensi yang lambat menjadi sebuah masalah. Ada 3 tipe

dasar dari perubahan dimensi yang lambat, yakni:

Perubahan atribut dimensi yang ditulis ulang (overwrite).

Perubahan atribut dimensi yang mengakibatkan pembuatan suatu record

dimensi baru.

Perubahan atribut dimensi yang mengakibatkan sebuah atribut alternatif

dibuat, sehingga kedua atribut tersebut yakni atribut yang lama dan yang

baru dapat diakses secara bersamaan dalam sebuah dimensi yang sama.

9. Memutuskan prioritas dan cara query (Deciding the query priorities and the

query modes)

Mempertimbangkan pengaruh dari perancangan fisikal yang akan

mempengaruhi persepsi user terhadap data mart. Selain itu, perancangan fisikal

akan mempengaruhi masalah administrasi, backup, kinerja indexing dan

keamanan.

2.8 Konsep Pemodelan Data warehouse

2.8.1 Skema Bintang (Star Schema)

Menurut Ponniah (2001, pp210-216), skema bintang (star schema)

adalah teknik dasar desain data untuk data warehouse. Struktur skema bintang

adalah suatu struktur yang dapat dengan mudah dipahami dan digunakan oleh

pengguna. Struktur tersebut mencerminkan bagaimana pengguna biasanya

memandang ukuran-ukuran kritis mengikuti dimensi-dimensi bisnis yang ada.

22

Gambar 2.7 Contoh skema bintang (http://www.majland.net/cms/e107_files/downloads/dat4.pdf)

Karakteristik dari komponen skema bintang:

1. Tabel dimensi

• Key tabel dimensi

Key tabel dimensi merupakan primary key dari tabel dimensi

yang mengidentifikasi setiap baris dalam tabel secara unik.

• Merupakan tabel yang lebar

Tabel dimensi memiliki jumlah kolom atau atribut yang

banyak, oleh karena itu tabel dimensi bersifat lebar.

• Atribut berupa teks

Dalam tabel dimensi, jarang ditemukan nilai numerik untuk

perhitungan, atribut umumnya berupa teks yang merepresentasikan

deskripsi tekstual dari komponen-komponen dalam dimensi bisnis.

• Atribut-atribut tidak berhubungan secara langsung

23

Sebagai contoh, besar paket dan merek produk tidak saling

berhubungan, namun sama-sama dapat menjadi atribut tabel dimensi

produk.

• Tidak dinormalisasi

Untuk kinerja query yang efisien, paling baik jika query

mengambil dari tabel dimensi dan langsung ke tabel fakta tanpa melalui

tabel perantara yang akan terbentuk jika tabel dimensi dinormalisasi.

• Kemampuan drill-down dan roll-up

Atribut-atribut dalam tabel dimensi menyediakan kemampuan

untuk mendapatkan detail dari level tinggi agregasi sampai level detail

yang rendah. Sebagai contoh, jumlah penjualan dapat dilihat

berdasarkan propinsi, lalu dapat drill-down ke kota dan kode pos. Atau

total penjualan berdasarkan kode pos dapat roll-up ke kota dan propinsi.

• Terdapat beberapa hirarki

Berbagai bagian perusahaan dapat mengelompokkan dimensi

dengan cara yang berbeda, sehingga terbentuk lebih dari 1 hirarki.

• Jumlah record yang lebih sedikit

Tabel dimensi umumnya memiliki jumlah record atau baris

yang lebih sedikit dari tabel fakta.

2. Tabel fakta

Concatenated key

Baris dalam tabel fakta diidentifikasi dengan

menggunakan primary key dari tabel-tabel dimensi, maka primary key

24

dari tabel fakta merupakan gabungan primary key dari semua tabel

dimensi.

Data grain

Data grain merupakan tingkat detail untuk pengukuran.

Sebagai contoh, jumlah pemesanan berhubungan dengan jumlah produk

tertentu pada suatu pesanan, tanggal tertentu, untuk pelanggan spesifik

dan diperoleh oleh seorang perwakilan sales spesifik tertentu. Jika

jumlah pesanan dilihat sebagai jumlah untuk suatu produk perbulan,

maka data grain-nya berbeda dan pada tingkat yang lebih tinggi.

Fully additive measures

Agregasi dari fully additive measures dilaksanakan dengan

penjumlahan sederhana nilai-nilai atribut tersebut.

Semiadditive measures

Semiadditive measures merupakan nilai yang tidak dapat

langsung dijumlahkan, sebagai contoh persentase keuntungan.

Tabel besar, tidak lebar

Tabel fakta umumnya memiliki lebih sedikit atribut

daripada tabel dimensi, namun memiliki jumlah record yang lebih

banyak.

Sparse data

Tabel fakta tidak perlu menyimpan record yang nilainya

null. Maka tabel fakta dapat memiliki gap.

Degenerate dimensions

25

Terdapat elemen-elemen data dari sistem operasional yang

bukan merupakan fakta ataupun dimensi, seperti nomor pesanan, nomor

tagihan, dan lain-lain. Namun atribut-atribut tersebut dapat berguna

dalam jenis analisis tertentu. Sebagai contoh, mencari rata-rata jumlah

produk per pesanan, maka produk harus dihubungkan ke nomor

pesanan untuk mendapatkan nilai rata-rata. Atribut-atribut tersebut

disebut degenerate dimension dan disimpan sebagai atribut dari tabel

fakta.

Keuntungan skema bintang:

1. Mudah dipahami pengguna.

2. Mengoptimalkan navigasi.

3. Paling cocok untuk pemrosesan query.

2.8.2 Skema Snowflake

Snowflake merupakan variasi lain dari skema bintang dimana

tabel dimensi dari skema bintang diorganisasikan menjadi suatu hirarki

dengan melakukan normalisasi. Prinsip dasar dari skema ini tidak jauh

berbeda dari skema bintang. Penggunaan tabel dimensi sangatlah mendasar,

karena itulah perbedaan mendasar dari skema bintang dan skema

snowflake. Skema snowflake menggunakan beberapa tabel fakta dan tabel

dimensi yang sudah mengalami normalisasi, sedangkan skema bintang

menggunakan tabel dimensi yang masih denormalisasi. Skema snowflake

26

dibuat berdasarkan OLTP sehingga semua data akan termuat detail dalam

setiap tabel fakta dan tabel dimensi.

Keuntungan dari skema snowflake:

• Kecepatan memindahkan data dari data OLTP ke dalam Metadata.

• Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi dimana

dengan tipe yang seperti ini seluruh struktur dapat digunakan sepenuhnya.

• Banyak yang beranggapan lebih nyaman merancang dalam bentuk

normal ketiga.

Sedangkan kerugiannya adalah mempunyai masalah yang besar

dalam hal kinerja, hal ini disebabkan karena semakin banyaknya join antar

tabel–tabel yang digunakan dalam snowflake, maka kinerja juga semakin

lambat.

Gambar 2.8 Contoh skema snowflake (http://www.majland.net/cms/e107_files/downloads/dat4.pdf)

27

2.8.3 Skema Starflake

Menurut Connolly dan Begg(2002, p1081), skema starflake

merupakan struktur hybrid yang berisi kombinasi antara skema bintang yang

telah didenormalisasi dan snowflake yang telah dinormalisasi.

Beberapa dimensi dapat menggunakan bentuk tertentu untuk

memenuhi berbagai kebutuhan query.

Gambar 2.9 Contoh skema starflake (http://www.majland.net/cms/e107_files/downloads/dat4.pdf)

2.9 ETL (Extract, Transform, Load)

ETL (Extract, Transform, and Load) adalah proses-proses dalam data

warehouse yang meliputi:

• Mengekstrak data dari sumber-sumber eksternal.

• Mentransformasikan data ke bentuk yang sesuai dengan keperluan bisnis.

• Memasukkan data ke target akhir, yaitu data warehouse.

ETL merupakan proses yang sangat penting, dengan ETL data dapat

dimasukkan ke dalam data warehouse. ETL juga dapat digunakan untuk

mengintegrasikan data dengan sistem yang sudah ada sebelumnya.

28

Tujuan ETL adalah mengumpulkan, menyaring, mengolah, dan

menggabungkan data-data yang relevan dari berbagai sumber untuk disimpan ke

dalam data warehouse. Hasil dari proses ETL adalah dihasilkannya data yang

memenuhi kriteria data warehouse seperti data yang historis, terpadu, terangkum,

statis, dan memiliki struktur yang dirancang untuk keperluan proses analisis.

2.9.1 Extract

Langkah pertama pada proses ETL adalah mengekstrak data dari

sumber-sumber data. Kebanyakan proyek data warehouse menggabungkan

data dari sumber-sumber yang berbeda. Sistem-sistem yang terpisah sangat

mungkin menggunakan format data yang berbeda. Ektraksi adalah mengubah

data ke dalam suatu format yang berguna untuk proses transformasi.

Pada hakekatnya proses ekstraksi adalah proses penguraian dari

data yang diekstrak untuk mendapatkan struktur atau pola data yang

diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka data

tidak dimasukkan ke dalam data warehouse.

2.9.2 Transform

Tahapan transformasi menggunakan serangkaian aturan atau fungsi

untuk mengekstrak data dari sumber dan selanjutnya akan dimasukkan ke data

warehouse. Berikut adalah hal-hal yang dapat dilakukan dalam tahapan

transformasi:

• Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data

warehouse.

29

• Menterjemahkan nilai-nilai yang berupa kode (contohnya apabila database

sumber menyimpan nilai 1 untuk laki-laki dan nilai 2 untuk perempuan,

tetapi data warehouse yang telah ada menyimpan M untuk laki-laki dan F

untuk perempuan, ini disebut dengan automated data cleansing, tidak ada

pembersihan secara manual yang ditunjukkan selama proses ETL).

• Mengkodekan nilai-nilai ke dalam bentuk bebas (Contohnya memetakan

“Male” , “1” dan “Mr” ke dalam M).

• Melakukan perhitungan nilai-nilai baru (Contohnya sale_amount = qty *

unit_price).

• Menggabungkan data secara bersama-sama dari berbagai sumber.

• Membuat ringkasan dari sekumpulan baris data (Contohnya total penjualan

untuk setiap toko atau setiap bagian).

• Men-generate nilai surrogate key.

• Transposing atau pivoting (Mengubah sekumpulan kolom menjadi

sekumpulan baris atau sebaliknya).

• Memisahkan sebuah kolom menjadi berbagai kolom (Contohnya

meletakkan sebuah comma-separated list yang dispesifikasikan sebagai

sebuah string dalam satu kolom sebagai nilai yang tersendiri dalam kolom

yang berbeda).

• Menggunakan berbagai bentuk validasi data baik yang sederhana maupun

kompleks.

30

2.9.3 Loading

Fase load merupakan tahapan yang berfungsi untuk memasukkan

data ke dalam target akhir, yang biasanya ke dalam suatu data warehouse.

Jangka waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data

warehouse dapat setiap minggu menulis keseluruhan informasi yang ada secara

kumulatif, data diubah, sementara data warehouse yang lain (atau bagian lain

dari data warehouse yang sama) dapat menambahkan data baru dalam suatu

bentuk yang historikal, contohnya setiap jam. Waktu dan jangkauan untuk

mengganti atau menambah data tergantung dari perancangan data warehouse

pada waktu menganalisis keperluan informasi.

Fase load berinteraksi dengan suatu database, constraint

didefinisikan dalam skema database sebagai suatu trigger yang diaktifkan

pada waktu me-load data (Contohnya uniqueness, referential integrity,

mandatory fields), yang juga berkontribusi untuk keseluruhan performance dan

kualitas data dari proses ETL.

Masalah-masalah yang terjadi dalam ETL adalah sumber-sumber

data umumnya sangat bervariasi diantaranya:

• Platform mesin dan operating system yang berlainan.

• Mungkin melibatkan sistem kuno dengan teknologi basis data yang sudah

ketinggalan zaman.

• Kualitas data yang berbeda-beda.

• Aplikasi sumber data mungkin menggunakan nilai data (representasi)

internal yang sulit dimengerti.

31

Gambar 2.10 Extract, Transform, Loading (ETL)

(http://www.unisys.com/eprise/main/admin/corporate/doc/ELTSQL.pdf)

2.9 Definisi Penjualan dan Pembelian

2.9.1 Penjualan

Secara umum, pengertian penjualan dapat dikatakan sebagai ilmu

mempengaruhi pribadi yang dilakukan penjual untuk mengajak orang lain

membeli barang atau jasa yang ditawarkan. Jadi adanya penjualan dapat

tercipta suatu proses pertukaran barang atau jasa antara penjual dan pembeli.

Penjualan dapat dibagi menjadi dua jenis, yaitu:

32

1. Penjualan Kredit

Jika order pelanggan telah dipenuhi dengan dikirimnya barang atau

penyerahan jasa, untuk jangka waktu tertentu perusahaan mempunyai

piutang terhadap pelanggan.

2. Penjualan Tunai

Kegiatan yang dilaksanakan perusahaan dengan cara mewajibkan

pembeli melakukan pembayaran barang dahulu terhadap perusahaan

sebelum barang diserahkan oleh perusahaan kepada pembeli. Setelah

uang diterima, barang kemudian diserahkan oleh perusahaan kepada

pembeli dan transaksi penjualan tersebut dicatat.

2.9.2 Pembelian

Menurut Mulyadi (2001,p299), pembelian adalah suatu usaha

pengadaan barang yang diperlukan perusahaan. Transaksi dapat digolongkan

menjadi dua, yaitu pembelian lokal dan pembelian impor. Pembelian lokal

adalah pembelian dari pemasok dalam negeri, sedangkan impor adalah

pembelian dari pemasok luar negeri. Fungsi yang terkait dengan pembelian

adalah :

1. Fungsi Gudang

Bertanggung jawab untuk mengajukan permintaan pembelian sesuai

dengan posisi persediaan barang yang ada di gudang dan untuk menyimpan

barang yang telah diterima oleh fungsi penerimaan.

2. Fungsi Pembelian

Bertanggung jawab untuk memperoleh informasi mengenai harga barang.

33

Menentukan pemasok yang dipilih dalam pengadaan barang dan

mengeluarkan order pembelian kepada pemasok yang dipilih.

3. Fungsi Penerimaan

Bertanggung jawab untuk melakukan pemeriksaan terhadap jenis, mutu,

dan kuantitas barang yang diterima dari pemasok guna menentukan dapat

atau tidaknya barang tersebut diterima oleh perusahaan. Fungsi ini juga

bertanggung jawab untuk menerima barang dari pembeli yang berasal dari

transaksi retur penjualan.

4. Fungsi Akuntansi

Fungsi yang terkait adalah fungsi pencatatan utang dan persediaan barang.

Fungsi pencatatan utang berfungsi untuk mencatat transaksi ke dalam

register bukti kas keluar. Fungsi persediaan barang bertanggung jawab

untuk mencatat harga produksi barang yang dibeli ke dalam kartu

persediaan.