10

BAB 2

LANDASAN TEORI

2.1. Database

Perkembangan dunia teknologi akan media penyimpanan Data yang besar

dan efisien dapat direalisasikan dengan Database.

Menurut Conolly dan Begg (2005, p14), Database adalah sekumpulan Data

yang saling terhubung secara logikal, yang dirancang dalam rangka memenuhi

kebutuhan informasi dalam suatu organisasi.

Menurut Satzinger et al., (2008, p398), Database adalah kumpulan Data

yang disimpan dan terintegrasi serta dapat diatur dan dikontrol secara terpusat.

Menurut Rainer dan Turban (2009, p412) Database adalah sekelompok file

yang berhubungan secara logika yang menyimpan Data dan saling berkaitan.

Berdasarkan definisi diatas, maka dapat ditarik kesimpulan bahwa Database

adalah kumpulan logical Data yang saling berhubungan dan disimpan untuk dapat

diolah menjadi informasi yang berguna bagi organisasi.

Setiap Database berisi sejumlah Database Object, antara lain yaitu :

a. Field

Field adalah sekumpulan kecil dari kata atau sebuah deretan angka.

b. Record

Record adalah kumpulan dari field yang berelasi secara logis.

11

c. File

File adalah kumpulan dari record yang berelasi secara logis.

d. Entity

Entity adalah orang, tempat, benda, atau kejadian yang berkaitan dengan

informasi yang disimpan.

e. Attribute

Attribute adalah setiap karakteristik yang menjelaskan suatu entity.

f. Primary Key

Primary Key adalah sebuah field yang nilainya unik yang tidak sama antara

satu record dan record yang lain. Primary key digunakan sebagai tanda

pengenal dari suatu field.

g. Foreign Key

Foreign key adalah sebuah field yang nilainya berguna untuk

menghubungkan primary key lain yang berada pada tabel yang berbeda.

2.2. Database Management System (DBMS)

Database elektronik yang berupa perangkat lunak disebut dengan Database

Management System (DBMS).

Menurut Satzinger et al., (2008, p398), DBMS adalah sistem software yang

mengelola dan memberikan akses kontrol ke Database.

Menurut Rainer and Turban (2009, p111), DBMS adalah kumpulan program

yang dilengkapi dengan tools untuk menambah, menghapus, mengakses, dan

menganalisa Data didalam satu lokasi (Database).

12

Menurut Connoly dan Begg (2005, p16) DBMS adalah suatu sistem

perangkat lunak yang memungkinkan user untuk mendefinisikan (define),

membuat (create), memelihara (maintain) basis Data, dan menyediakan kendali

dalam mengakses basis Data.

Komponen-komponen DBMS (Connolly & Begg, 2005, p18-21), di

antaranya:

• Hardware

DBMS dan aplikasi membutuhkan hardware untuk berjalan.

• Software

Komponen software terdiri dari perangkat lunak DBMS itu sendiri dan

program aplikasi, bersama dengna sistem operasi, meliputi perangkat

lunak jaringan jika digunakan dalam jaringan.

• Data

Merupakan komponen yang paling penting dalam lingkungan DBMS.

• Procedure

Mengacu pada instruksi dan aturan yang menentukan desain dan

kegunaan dari basis Data.

• People

Komponen terakhir adalah orang yang terlibat dengan sistem yang

dibangun tersebut.

Berdasarkan definisi diatas, dapat diambil kesimpulan bahwa DBMS adalah

kumpulan program yang memungkinkan pengguna untuk melakukan akses kontrol

13

ke Database. Contoh dari DBMS adalah: Microsoft access, Microsoft SQL,

Oracle.

2.3. Business Intelligence

Business Intelligence (BI) bukan merupakan sebuah produk maupun sistem.

BI adalah sebuah arsitektur dan kumpulan dari operasional yang terintegrasi dan

juga merupakan aplikasi pengambil keputusan untuk aplikasi dan Database untuk

menyediakan akses yang mudah untuk Data bisnis untuk komunitas bisnis.

Business Intelligence mengarah pada pokok Decision-Support untuk aplikasi dan

Database. Moss (2005, p29)

Menurut Larson (2009, p11) Business Intelligence adalah penyampaian

informasi yang akurat dan berguna untuk pembuat keputusan dalam timeframe

untuk mendukung keefektifan pembuat keputusan.

Menurut Loshin (2012, p6) Business Intelligence adalah proses, teknologi,

dan alat-alat yang dibutuhkan untuk mengubah Data menjadi informasi, informasi

menjadi pengetahuan, dan pengetahuan menjadi rencana yang menDatangkan

keuntungan.

Business Intelligence biasanya dikaitan dengan usaha memaksimalkan

kinerja suatu organisasi. Business Intelligence dimanfaatkan untuk meningkatkan

kinerja melalui pemilihan strategi bisnis yang tepat dan dapat juga membantu suatu

organisasi dalam menganalisis perubahan tren yang terjadi untuk menentukan

strategi yang diperlukan dalam mengantisipasi perubahan tren tersebut.

14

Olszak dan Ziemba (2012, p146) menyimpulkan bahwa menggunakan

Business Intelligence akan memberikan dampak kepada keberhasilan bisnis jika

kebutuhan bisnisnya dapat diketahui. Singkatnya, dalam proyek

pengimplementasian Business Intelligence terdapat beberapa kondisi dasar yang

harus terpenuhi, yaitu :

• Sistem BI harus menjadi bagian dari strategi bisnis perusahaan. Ini harus

sesuai dengan kebutuhan nyata pengguna dan mendukung proses kunci dan

keputusan bisnis di semua tingkat manajemen (strategis, taktis dan

operasional). Untuk melakukan hal ini pengetahuan tentang peluang sistem

BI dalam konteks tantangan bisnis menjadi sangat diperlukan untuk

perusahaan. Sebuah pemahaman yang baik tentang proses pengambilan

keputusan juga diperlukan, karena hanya maka sistem BI dapat digunakan

secara efektif.

• Mengelola implementasi sistem BI harus terpusat, tetapi semua calon

pengguna harus terlibat dalam pelaksanaannya. Dengan situasi seperti itu,

maka akan memungkinkan pengguna untuk menyesuaikan fungsi sistem BI

dengan kebutuhan individu sementara memastikan pelaksanaan yang tepat

dan keberhasilan pelaksanaan.

• Penerapan sistem BI membutuhkan pengetahuan dan keterampilan yang

sesuai untuk implementasi BI. Sebuah tim proyek yang kompeten, yang

terdiri dari manajer, karyawan dan IT spesialis, sangatlah penting.

• Pelaksanaan proyek BI harus memiliki sponsor yang diposisikan dalam

hirarki organisasi setinggi mungkin. Komitmen manajer, khususnya dewan,

15

dalam proses memilih dan menerapkan sistem BI diperlukan. Hal ini akan

memastikan sumber daya yang memadai dan menjadi tanda yang jelas

kepada karyawan bahwa manajemen menekankan karena penting untuk

proyek.

• Sistem BI membutuhkan pengembangan dan adaptasi permanen terhadap

tantangan baru dan harapan dari perusahaan. Konsekuensi dari sistem BI

non-pembangunan adalah penyusutan dan penarikan.

• Sangatlah penting bagi pengguna untuk dapat bisa menggunakan sistem BI.

Untuk itu dapat diberikan pelatihan staf dan sistem yang user-friendly.

• Biaya pelaksanaan BI tidak hanya harus menutupi biaya teknologi, tetapi

juga memperhitungkan langkah-langkah untuk membentuk tim proyek,

dukungan teknis, dukungan substantif, perubahan manajemen, pelatihan

karyawan serta memelihara dan mengembangkan sistem BI di masa depan.

Jika tidak terpenuhi, maka perusahaan akan mempunyai alat yang canggih

tetapi tidak ada yang dapat menggunakannya.

2.3.1 Keuntungan Menggunakan Business Intelligence

Menurut Loshin (2012, p2), ada beberapa keuntungan yang didapat

dengan menggunakan Business Intelligence yaitu:

• Peningkatan profit. Menurut konsultan keuangan dalam portofolio bank

yang khas ritel, 20% dari rekening berkontribusi keuntungan setara

dengan 200% dari keseluruhan laba, sedangkan lebih dari setengah

rekening menghasilkan kerugian, Business Intelligence dapat

16

membantu bisnis klien untuk mengevaluasi nilai pelanggan seumur

hidup dan profitabilitas harapan jangka pendek dan menggunakan

pengetahuan ini untuk membedakan antara menguntungkan dan

nonprofitable pelanggan.

• Penurunan biaya. Apakah itu ditingkatkan manajemen logistik,

menurunkan biaya operasional (seperti pergudangan menurun dan

pengiriman biaya) atau penurunan investasi yang dibutuhkan untuk

membuat penjualan, BI dapat digunakan untuk membantu

mengevaluasi biaya organisasi.

• Customer Relationship Management (CRM). Ini pada dasarnya aplikasi

BI yang menerapkan analisis informasi pelanggan agregat untuk

menyediakan respon layanan pelanggan yang lebih baik untuk

menemukan cross-sell dan up-sell dan meningkatkan keseluruhan

loyalitas pelanggan.

• Penurunan resiko. Menerapkan metode BI untuk Data kredit dapat

meningkatkan analisis resiko kredit, sedangkan mengalisis baik

pemasok dan konsumen serta kehandalan dapat memberikan wawasan

tentang bagaimana merampingkan supply chain.

17

Gambar 2.1 Keuntungan Business Intelligence (Vercellis, 2009, p6)

2.3.2 Arsitektur Business Intelligence

Menurut Carlo Vercellis (2009, p9), Arsitektur BI terdiri dari 3

komponen penting yaitu:

• Sumber Data. Pada tahap pertama, perlu untuk mengumpulkan dan

mengintegrasikan Data yang disimpan dalam sumber-sumber primer

dan sekunder yang heterogen sesuai dengan jenisnya.

• Data Warehouse dan Data Mart. Menggunakan alat ekstraksi,

transformasi dan load yang dikenal sebagai ETL Data yang berasal dari

berbagai sumber yang disimpan di dalam Database untuk mendukung

analisis BI.

• Metodologi BI. Data akhirnya diambil dan digunakan untuk

membuat model matematika dan metodologi analisis dimaksudkan

untuk mendukung keputusan pembuat.

18

Gambar 2.2 Business Intelligence Architecture (Vercellis, 2009, p9)

2.3.3 Jenis-jenis Business Intelligence

Disebutkan (Turban, Aronson, Liang, & Sharda, 2007, p257) jenis-jenis

dari Business Intelligence adalah:

• Enterprise reporting

Produk laporan enterprise digunakan untuk menghasilkan laporan statis

yang didistribusikan secara luas dan akan digunakan oleh banyak orang.

Merupakan laporan dengan format yang tepat untuk laporan operasional

dan dashboard.

• Cube analysis

Cube digunakan untuk menyediakan kemampuan analitis OLAP

multidimensional untuk manajer bisnis dalam lingkungan yang terbatas.

• Ad hoc Querying and Analysis

Tools relational OLAP digunakan untuk memberikan akses user untuk

melakukan query pada basis Data hingga informasi transaksional.

19

• Statistical Analysis and Data Mining

Tools statistic, matematis dan Data mining digunakan untuk melakukan

analisis prediksi atau untuk menemukan korelasi sebab akibat.

• Report Delivery and Alerting

Mesin distribusi laporan digunakan secara proaktif untuk mengirimkan

laporan lengkap atau peringatan kepada populasi user yang besar.

Distribusi ini didasarkan pada jadwal dan event yang disimpan didalam

basis Data.

2.4. Data Warehouse

Menurut Inmon (2005, p495), Data Warehouse adalah koleksi Database

yang terintegrasi yang dirancang untuk mendukung fungsi sistem pengambilan

keputusan, di mana setiap unit Data relevan pada beberapa waktu.

Data Warehouse tidak hanya berfokus pada penyimpanan Data tapi juga

merupakan sistem dengan kemampuan menerima (retrieve), menganalisis Data

(analyze), mengekstrak (extract), mengubah (transform), load Data, mengatur

dictionary Data. Data Warehouse merupakan salah satu bagian dari Business

Intelligence.

Menurut Connolly & Begg (2005, p1197) Data Warehouse adalah suatu

kumpulan Data yang bersifat subject-oriented, integrated, time-variant, dan non-

volatile dalam mendukung proses pengambilan keputusan. Data Warehouse

bertujuan agar perusahaan dapat menggunakan arsip Datanya untuk mendapatkan

keunggulan bisnis.

20

Menurut Turban (2008, p39) Data Warehouse adalah kumpulan Data yang

dihasilkan untuk mendukung pengambilan keputusan, juga merupakan tempat

penyimpanan Data sekarang dan Data historis yang berpotensi untuk digunakan

manager pada perusahaan atau organisasi.

2.4.1 Karakteristik Data Warehouse

Karakteristik Data Warehouse menurut Connolly & Begg (2005, p1151)

yang mengacu kepada Inmon (2005) :

1. Subject Oriented

Subject Oriented berarti bahwa Data Warehouse dibuat atau disusun

berdasarkan pada subjek utama dalam lingkungan perusahaan, bukan

berorientasi pada proses atau fungsi aplikasi. Subject area biasa meliputi

customer (pelanggan), product (produk), transaction (transaksi).Setiap area

subjek utama yang diimplementasikan secara fisik sebagai sekumpulan tabel

yang saling berhubungan dalam Data Warehouse (Inmon, 2005, p34-35).

2. Integrated

Karena sumber Data di dapat dari sistem aplikasi enterprise yang berbeda-

beda, sumber Data ini sering tidak konsisten, misalnya memiliki format yang

berbeda. Sumber Data yang terintegrasi harus dibuat konsisten untuk

menyajikan pandangan bersatu mengenai Data kepada pengguna (Inmon,

2005, p29-31).

21

3. Time Variant

Data pada Data Warehouse hanya akurat dan valid pada waktu tertentu atau

dalam interval waktu tertentu. Tetapi dalam setiap kasus, ada beberapa

bentuk yang menandai waktu untuk menunjukkan saat dalam waktu di mana

record akurat. Perbedaan waktu dari Data Warehouse memperlihatkan Data-

Data yang ada dari waktu ke waktu secara keseluruhan (Inmon, 2005, p32).

4. Non Volatile

Proses update tidak dilakukan secara real-time melainkan di-refresh dari

sistem operasional dalam basis regular. Data baru selalu ditambahkan

sebagai supplement (tambahan), pada Database, bukan sebagai replacement

(penggantian). Database secara terus menerus mengambil Data baru dan

menggabungkannya dengan Data sebelumnya (Inmon, 2005, p31-32).

2.4.2 Extract, Transform, Loading Data (ETL)

Data Warehouse dibangun dengan mengintegrasikan kumpulan Data

dari berbagai sumber, seperti Data operasional. Proses mengintegrasikan

kumpulan Data disebut Extract, Transform, Loading Data (ETL) oleh

Connolly & Begg (2005, p1165).

• Extraction

Proses ekstraksi adalah pengambilan Data dari sumber Data internal dan

eksternal yang dilanjutkan ke Database tujuan. Pada dasarnya, tujuan

proses ekstraksi ini adalah menyiapkan Data untuk diproses lebih lanjut

pada proses selanjutnya.

22

• Transform

Proses transformasi adalah proses pengubahan bentuk Data agar sesuai

dan seragam dengan tujuan Data menjadi lebih terintegrasi satu sama

lain, hingga Data dalam Database tujuan menjadi lebih konsisten.

Sebagai contoh adalah proses transformasi format tanggal, dalam

Database A, format tanggal adalah 11-09-07, sedangkan Database C

adalah 11 September 2007, Data dari Database A dan C akan

ditransformasikan sesuai dengan Database tujuan, misalnya menjadi 11-

Sept-07.

• Load

Setelah Data diproses di tahap ekstraksi dan transformasi, Data sudah

siap untuk dimuat kedalam Database tujuan lewat proses loading,

sehingga Data dapat membantu dalam proses analisis lebih lanjut

kedepannya.

Menurut Vishal (2010, p786) Extract, transform dan load (ETL) adalah

proses inti dari integrasi data dan biasanya berhubungan dengan data

warehouse. Tools ETL mengambil data dari sumber yang dipilih,

mengubahnya menjadi format baru sesuai dengan aturan bisnis, dan

kemudian memuatnya ke dalam struktur data sasaran. Mengelola aturan dan

proses untuk iversity peningkatan sumber data dan data volume tinggi olahan

yang ETL harus ccommodate, membuat manajemen, kinerja dan biaya

primer dan tantangan bagi pengguna. ETL adalah proses kunci untuk

membawa semua data bersama-sama dalam lingkungan, standar homogen.

23

Fungsi ETL membentuk kembali data yang relevan dari sistem sumber

menjadi informasi yang berguna untuk disimpan di data warehouse. Tanpa

fungsi ini, tidak akan ada informasi strategis dalam data warehouse. Jika

sumber data yang diambil dari berbagai sumber tidak membersihkan,

diekstraksi dengan benar, berubah, dan terintegrasi dalam cara yang tepat,

proses query yang merupakan tulang punggung dari gudang data tidak bisa

terjadi Dalam tulisan ini kita tujuan pendekatan muka utama yang akan

meningkatkan kecepatan extract, transform dan load data gudang dengan

dukungan cache query. Karena proses query adalah tulang punggung dari

data warehouse Ini akan mengurangi waktu respon dan meningkatkan kinerja

data warehouse.

Arsitek ETL harus memiliki peran dan tanggung jawab yaitu :

• Arsitek ETL harus menutup mata pada kebutuhan dan persyaratan

organisasi. Dia harus memahami lingkungan operasional secara

keseluruhan dan persyaratan kinerja strategis dari sistem yang

diusulkan. Arsitek harus berinteraksi dengan staf sistem sumber

operasional dan teknis, proyek database administrator (DBA) dan

arsitek infrastruktur teknis untuk mengembangkan metode yang

paling efisien untuk mengekstrak sumber data, mengidentifikasi set

yang tepat dari indeks untuk sumber, arsitek platform pementasan

database desain, menengah diperlukan untuk transformasi data yang

efisien dan menghasilkan infrastruktur pemrograman untuk operasi

ETL sukses.

24

• Programmer ETL seharusnya tidak hanya melihat satu inti dari

programnya. Arsitek harus melihat seluruh sistem dari program, dia

harus memastikan tim teknis memahami desain database target dan

penggunaannya sehingga transformasi yang mengkonversi sumber

data ke dalam struktur data sasaran secara jelas didokumentasikan dan

dipahami. Arsitek ETL mengawasi masing-masing dan setiap

komponen dan subkomponen ETL mereka.

• Sebuah pertimbangan utama bagi arsitek ETL adalah untuk

mengenali perbedaan yang signifikan bahwa metode desain dan

implementasi untuk sistem intelijen bisnis memiliki dari sebuah

proses transaksi online (OLTP) pendekatan sistem.

• Peran arsitek ETL juga meluas dengan konsultan bagi upaya

pemrograman. Arsitek bekerja sama dengan programmer untuk

menjawab pertanyaan dan memainkan peran penting dalam

penyelesaian masalah. Tergantung pada ukuran dari upaya

pemrograman dan organisasi proyek, arsitek ETL juga dapat

mengawasi perkembangan spesifikasi pemrograman. Dalam kasus

apapun, arsitek ETL memainkan peran penting sebagai reviewer dan

pemberi persetujuan selama proses megnkaji ulang.

• Peran terakhir untuk arsitek ETL harus memastikan bahwa berbagai

software yang diperlukan untuk melakukan berbagai jenis pengolahan

data yang benar dipilih.

25

Query cache akan menyimpan catatan permintaan baru dieksekusi.

Tujuan utama dari query cache adalah untuk mengurangi waktu respon

query. Ini akan meningkatkan kemampuan otak data gudang sehingga sistem

yang akan mengingat karya terbaru telah dilakukan. Memori ini akan

digunakan sesudahnya untuk menjawab hasil dari pertanyaan yang telah

sebelumnya dilakukan oleh pengguna.

Cache akan mempertahankan dua keadaan yang valid dan tidak valid.

Ketika permintaan apapun yang diajukan oleh pengguna, memori cache

pertama kali diperiksa untuk memeriksa apakah permintaan yang diminta

sudah menyimpan dalam cache. Jika query disimpan, kemudian memeriksa

keadaan tersebut valid atau tidak valid. Jika negara valid, maka data dapat

diakses dan jika negara tidak valid maka data tidak dapat diakses. tetapi Jika

pengguna mengirim query insert, update, delete dan drop kemudian data

akan mengubah dalam database dan keadaan permintaan terkait akan valid.

sekarang keadaan data yang tidak valid dan permintaan tidak dapat diakses

oleh pengguna. Hal ini dapat menghemat waktu penting dan meningkatkan

kinerja data warehouse dengan tidak mengevaluasi ulang query yang sudah

disimpan dalam cache.

26

2.4.3 Online Transaction Processing (OLTP)

Perusahaan menyimpan semua hal yang terjadi dalam kegiatan

transaksi harian mereka dalam OLTP.

Menurut Larson (2009, p27) Online Transaction Processing (OLTP)

System mencatat interkasi bisnis yang terjadi dan mendukung kegiatan

operasional sehari-hari sebuah organisasi.

Menurut Hill (2009, p32) extract, transform, and load mengekstraksi

Data dari satu atau lebih sistem OLTP, menjalankan beberapa kebutuhan

Data cleansing untuk mengubah Data menjadi format yang konsisten, dan

memasukkan Data yang sesuai format dengan memasukkannya ke dalam

Data Mart dengan menggunakan Extraction, Tramsform, Load (ETL).

Sistem OLTP dirancang untuk memungkinkan banyak user untuk

mengakses Data pada waktu bersamaan serta melakukan proses yang mereka

perlukan. Seluruh penjumlahan yang disimpan dari transaksi-transaksi harian

perusahaan adalah history dari perusahaan tersebut.

2.4.4 Online Analytical Processing (OLAP)

Menurut Larson (2009, p44) Online Analyrical Processing (OLAP)

System memungkinkan pengguna untuk mengambil informasi dengan cepat

dan mudah dari Data, biasanya dalam Data Mart, untuk analisis. Sistem

OLAP menyajikan Data menggunakan measures, dimensions, hierarchies,

and cubes sebagai fokus utama.

27

Cube adalah struktur yang berisi nilai untuk satu atau lebih pengukuran

untuk setiap kombinasi unik dari anggota dalam semua dimensi. Semua

adalah detail, atau leaf-level, nilai. Cube juga mengandung nilai-nilai agregat

yang dibentuk oleh hirarki dimensi atau ketika satu atau lebih dari dimensi

yang tersisa keluar dari hirarki.

Gambar 2.3 Contoh Total Sales Cube (Larson 2009, p34)

Agregat adalah nilai yang dibentuk dengan menggabungkan nilai-nilai

dari dimensi tertentu atau seperangkat dimensi untuk menciptakan nilai

tunggal. Hal ini sering dilakukan dengan menambahkan nilai-nilai bersamaan

dengan menggunakan agregat jumlah, namun perhitungan agregasi lain juga

dapat digunakan.

OLAP biasanya memakai salah satu dari tiga arsitektur untuk

menyimpan Cube Data. Arsitektur tersebut adalah Relational OLAP,

Multidimensional OLAP, dan Hybrid OLAP.

28

Gambar 2.4 Arsitektur OLAP (Larson 2009, p50)

2.4.4.1 Relational OLAP

Relational OLAP (ROLAP) menyimpan struktur kubus dalam

Database multidimensi. Pengukuran leaf-level yang terdapat dalam

Data Mart relasional berfungsi sebagai sumber kubus. Agregat yang

belum diproses juga disimpan dalam tabel Database relasional.

Ketika pengambil keputusan meminta nilai ukuran untuk satu

set dari anggota dimensi, sistem ROLAP pertama mengecek untuk

menentukan apakah anggota dimensi menentukan agregat atau nilai

leaf-level. Jika suatu agregat ditentukan, nilai tersebut dipilih dari

tabel relasional. Jika nilai leaf-level yang ditentukan, nilai tersebut

dipilih dari Data Mart.

29

Keuntungan arsitektur ROLAP yaitu mempunyai

ketergantungan pada tabel relasional, dapat menyimpan sejumlah

besar Data dari arsitektur OLAP lainnya. Juga, karena arsitektur

ROLAP mengambil nilai leaf-level langsung dari Data Mart, nilai

leaf-level yang dikembalikan oleh sistem ROLAP selalu up-to-date

sebagai Data Mart sendiri. Dengan kata lain, sistem ROLAP tidak

menambahkan latensi ke Data leaf-level. Kerugian dari sistem

ROLAP adalah pengambilan nilai-nilai agregat dan leaf-level lebih

lambat dibandingkan dengan arsitektur OLAP lainnya.

2.4.4.2 Multidimensional OLAP

Multidimensional OLAP (MOLAP) menyimpan struktur kubus

dalam Database multidimensi. Baik nilai-nilai agregat yang belum

diproses dan salinan dari nilai leaf-level ditempatkan dalam Database

multidimensi. Karena itu, semua Data yang diminta diberikan dari

Database multidimensi, membuat MOLAP sistem menjadi sangat

responsif.

Waktu tambahan diperlukan ketika loading sistem MOLAP

karena semua Data leaf-level akan disalin ke Database multidimensi.

Karena hal tersebut, ketika Data leaf-level yang dikembalikan oleh

sistem MOLAP tidak sesuai dengan Data leaf-level dalam Data Mart

sendiri. Sistem MOLAP tidak menambahkan latensi ke Data leaf-

level. Arsitektur MOLAP juga membutuhkan tempat penyimpanan

30

lebih banyak untuk menyimpan salinan dari nilai leaf-level dalam

Database multidimensi. Namun, karena MOLAP sangat efisien dalam

menyimpan nilai-nilai, ruang tambahan yang dibutuhkan biasanya

tidak signifikan.

2.4.4.3 Hybrid OLAP

Hybrid OLAP (HOLAP) menggabungkan storage ROLAP dan

MOLAP. HOLAP mencoba untuk mengambil kelebihan dari setiap

arsitektur lain sambil meminimalkan kekurangan mereka.

HOLAP menyimpan struktur Cube dan agregat yang belum

diproses dalam Database multidimensi sehingga menyediakan

pengambilan cepat agregat yang ada dalam struktur MOLAP.

HOLAP menyimpan Data leaf-level dalam Data Mart relasional yang

berfungsi sebagai sumber Cube. Hal tersebut menyebabkan waktu

pengambilan lebih lama ketika mengakses nilai leaf-level. Namun,

HOLAP tidak perlu waktu untuk menyalin Data leaf-level dari Data

Mart. Segera setelah Data diperbarui dalam Data Mart, Data tersedia

untuk pengambil keputusan. Oleh karena itu, HOLAP tidak

menambahkan latensi ke Data leaf-level. Pada intinya, HOLAP

mengorbankan kecepatan pengambilan Data pada leaf-level untuk

mencegah menambahkan latensi ke Data leaf-level dan untuk

mempercepat beban Data.

31

2.4.5 OLTP VS OLAP

Tabel 2.1 OLTP VS OLAP

OLTP OLAP

Sumber

Data

Data operasional; OLTP adalah

tempat penyimpanan Data asli.

Konsolidasi Data, Data OLAP

berasal dari beragam Database

OLTP.

Tujuan

Data

Untuk mengontrol dan

menjalankan tugas-tugas bisnis

yang mendasar.

Membantu perencanaan, pemecahan

masalah, dan mendukung keputusan.

Tipe Data Menampilkan proses bisnis yang

sedang berjalann.

Pandangan multi-dimensi dari

berbagai aktifitas bisnis.

Insert dan

Update

Cepat dan mudah dilakukan oleh

pengguna akhir.

Setumpuk pekerjaan yang dikerjakan

secara periodik untuk meng-update

Data.

Query Query relatif standar dan

sederhana

Seringkali query kompleks yang

melibatkan agregasi.

Kecepatan

Proses

Sangat cepat Bergantung pada jumlah Data yang

terlibat; Kecepatan bisa ditingkatkan

dengan membuat indeks.

Tempat

yang

Dibutuhkan

Bisa menjadi sangat kecil jika

Data historik diarsip.

Lebih besar karena adanya agregasi

dan Data historik; membutuhkan

lebih banyak indeks daripada OLTP.

32

Database

Design

Dinormalisasi dengan tabel yang

banyak.

Didenormalisasi dengan tabel yang

lebih sedikit.

Backup dan

Recovery

Data operasional sangat penting

untuk menjalankan bisnis,

kehilangan Data kemungkinan

akan memerlukan kerugian

keuangan yang signifikan dan

tanggung jawab hokum

Beberapa lingkungan dapat

mempertimbangkan hanya reload

Data OLTP sebagai metode

pemulihan.

Larson (2009, p62)

2.4.6 Data Mart

Menurut Larson (2009, p27) Data Mart adalah bagian utama dari Data

historik dalam tempat penyimpanan elektronik.yang tidak ikut serta dalam

kegiatan operasional harian organisasi. Sebaliknya, Data ini digunakan untuk

membuat BI. Data dalam Data Mart biasanya berlaku untuk area spesifik

dari sebuah organisasi.

Data yang digunakan untuk BI bisa dibagi menjadi 4 kategori yaitu :

• Measure

Pengukuran adalah sebuah kuantitas numeric yang mengungkapkan

aspek dari kinerja organisasi. Informasi yang ditampilkan dari

kuantitas ini digunakan untuk mendukung atau mengevaluasi

33

pengambilan keputusan dan kinerja organisasi. Mengukur juga bisa

disebut fakta.

• Dimensions

Sebuah dimensi memungkinkan kita untuk menerapkan kategorisasi

untuk ukuran agregat. Kategorisasi ini memungkinkan kita melihat

unsur angka yang menciptakan ukuran agregat.

• Attributes

Atribut dapat digunakan untuk menggambarkan anggota dimensi.

Atribut mungkin berisi informasi tentang anggota dimensi yang

penggunanya cenderung ingin menjadi bagian dari output intelijen

BI mereka. Atribut juga digunakan untuk menyimpan informasi

yang dapat digunakan untuk membatasi atau menyaring catatan

yang dipilih dari Data Mart selama analisis Data.

• Hierarchies

Hierarki adalah struktur yang terdiri dari dua atau lebih tingkat

dimensi yang terkait. Dimensi yang terdapat pada tingkat atas

hirarki sepenuhnya mengandung satu atau lebih dimensi dari tingkat

yang lebih rendah sebuah hirarki.

34

2.4.7 Data Warehouse VS Data Mart

Tabel 2.2 Data Warehouse VS Data Mart

Data Warehouse Data Mart

Memegang beberapa bidang studi Hanya memegang satu bidang studi

Mempunyai informasi yang sangat

rinci

Dapat memiliki Data yang lebih

ringkas meskipun memikili banyak

perincian

Bekerja untuk mengintegrasikan

semua sumber Data

Berkonsentrasi pada

mengintegrasikan informasi dari area

subyek tertentu atau seperangkat

sumber sistem

Tidak selalu menggunakan model

dimensi tetapi mendukung model

dimensi.

Dibangun dengan fokus pada model

dimensi yang menggunakan skema

bintang.

Larson (2009, p32)

2.4.8 Star Schema

Menurut Larson (2009, p34) Star Schema adalah sebuah Database

relasional yang digunakan untuk menyimpan ukuran dan dimensi dalam Data

Mart. Ukuran disimpan dalam tabel fakta dan dimensi disimpan dalam tabel

dimensi.

35

Gambar 2.5 Contoh Star Schema (Larson 2009, p36)

Menurut Muheet Ahmed Butt, Quadri S.M.K., dan Majid Zaman (2012, p19)

keuntungan utama dari star schema adalah sebagai berikut :

• Menyediakan pemetaan secara langsung dan intuitif antara entitas bisnis

yang sedang dianalisis oleh pengguna akhir dan desain skema.

• Memberikan kinerja yang dioptimalkan untuk star query khusus.

• Secara luas didukung oleh sejumlah besar alat business intelligence, yang

dapat mengantisipasi atau bahkan mengharuskan skema data warehouse

berisi tabel dimensi.

36

2.5. Data Mining

Menurut Loshin (2012, p205) Data Mining, seperti pada jaman dulu,

menggunakan alat semacam penyaringan untuk mengumpulkan kotoran dan debu

yang mengalir di sungai untuk mencari serbuk-serbuk emas yang berharga.

Dimana untuk arti sekarang, dapat diterjemahkan sebagai seorang Data Analyst

“menyaring” Data yang berukuran beberapa terabytes untuk mencari “bongkahan”

pengetahuan.

Pada Business Intelligence, Data Mining digunakan untuk mencari informasi

yang dibutuhkan untuk membuat sebuah “intelligence” baru dari kumpulan Data

yang telah di “mining” tersebut.

Menurut Ballard (2009, p190) Data Mining menggunakan algoritma

matematika yang kompleks untuk menyaring Data detail untuk mengidentifikasi

pola-pola, korelasi, dan pengelompokan Data.

Algoritma Data Mining sendiri ada 9 jenis, yaitu :

• Decision Tree

• Linear Regression

• Naïve Bayes

• Clustering

• Association Rules

• Sequence Clustering

• Time Series

• Neural Network

• Logistic Regression Algorithm

37

2.5.1 Data Mining Algorithm Clustering

Menurut Larson (2009, p487) algoritma Clustering membangun

kelompok entitas karena proses training set Data. Setelah kelompok

diciptakan, algoritma menganalisis susunan tiap kelompok. Hal ini terlihat

pada nilai-nilai setiap atribut untuk entitas di setiap kelompok.

Algoritma Clustering di Business Intelligence Development Studio

mempunyai diagram yang mirip dengan Gambar 2.6, Dengan memasukkan

nilai atribut yang diinginkan, maka dapat memiliki kode warna kelompok

sesuai dengan konsentrasi nilai yang diinginkan.

Gambar 2.6 Clustering (Larson 2009, p487)

Sebagai contoh, saat mencoba untuk menentukan karakteristik yang

membedakan dari pelanggan yang cenderung untuk pergi ke kompetisi dalam

dua bulan ke depan. Maka diciptakan pengelompokan pelanggan dari Data

training. Selanjutnya, Business Intelligence Development Studio akan

menunjukkan konsentrasi pelanggan dari set Data pelatihan yang tidak pergi

dalam waktu dua bulan. Semakin gelap kelompok, semakin banyak

pelanggan yang pergi didalamnya. Akhirnya, kelompok dapat diperiksa mana

atribut yang paling membedakan dengan kelompok lain.

38

2.5.2 Data Mining Algorithm Time Series

Menurut Larson (2009, p491) Time Series digunakan untuk

menganalisis dan memprediksi waktu-data dependen. Algoritma ini

sebenarnya merupakan kombinasi dari dua algoritma dalam satu: algoritma

ARTxp dikembangkan oleh Microsoft dan industri-standar algoritma

ARIMA (Auto-Regressive Integrated Moving Average), yang dikembangkan

oleh Box dan Jenkins.

Jika data time series mengandung kesalahan, maka langkah pertama

adalah melakukan smoothing. Smoothing selalu melibatkan beberapa bentuk

rata-rata data lokal sedemikian rupa sehingga komponen nonsistematik dari

pengamatan individu membatalkan satu sama lain. Teknik yang paling umum

bergerak smoothing rata-rata yang menggantikan setiap elemen seri baik oleh

rata-rata sederhana atau tertimbang dari n elemen sekitarnya, di mana n

adalah lebar "jendela" smoothing (Box & Jenkins) Median dapat digunakan

sebagai pengganti sarana. Keuntungan utama dari median dibandingkan

dengan rata-rata bergerak smoothing adalah bahwa hasilnya kurang bias oleh

outlier (dalam jendela smoothing). Dengan demikian, jika ada outlier dalam

data (misalnya, karena kesalahan pengukuran), smoothing median biasanya

menghasilkan halus atau setidaknya lebih "handal" kurva dari rata-rata

bergerak berdasarkan lebar jendela yang sama. Kerugian utama dari

pemulusan median adalah bahwa tanpa adanya outlier jelas mungkin

menghasilkan kurva yang lebih "bergerigi" daripada bergerak rata-rata dan

tidak memungkinkan untuk pembobotan.

39

Formula simple untuk smoothing adalah St = *X t + (1- )*St-1. Bila

diterapkan secara rekursif untuk setiap pengamatan berturut-turut di dalam

suatu rangkaian, setiap nilai baru yang dirapikan (perkiraan) dihitung sebagai

rata-rata tertimbang dari pengamatan saat ini dan pengamatan merapikan

sebelumnya, pengamatan merapikan sebelumnya dihitung pada gilirannya

dari nilai diamati sebelumnya dan merapikan tersebut nilai sebelum

pengamatan sebelumnya, dan sebagainya. Dengan demikian, pada dasarnya,

setiap nilai merapikan adalah rata-rata tertimbang dari pengamatan

sebelumnya, di mana bobot menurun secara eksponensial tergantung pada

nilai parameter (alpha). Jika sama dengan 1 (satu) maka pengamatan

sebelumnya diabaikan seluruhnya, jika sama dengan 0 (nol), maka

pengamatan saat ini diabaikan seluruhnya, dan nilai merapikan seluruhnya

terdiri dari nilai merapikan sebelumnya (yang pada gilirannya dihitung dari

pengamatan merapikan sebelum, dan seterusnya, sehingga semua nilai

merapikan akan sama dengan nilai merapikan awal S0). Nilai-nilai di antara

akan menghasilkan hasil antara.

Formula untuk forecast adalah Forecastt = St + It-p atau Forecastt = St*I t-

p. Dalam rumus ini, St singkatan untuk (simple) eksponensial yang merapikan

serangkaian nilai pada waktu t, dan It-p singkatan faktor merapikan musiman

pada saat t dikurangi p (panjang musim). Dengan demikian, dibandingkan

dengan merapikan secara eksponensial sederhana, perkiraan

"disempurnakan" dengan menambahkan atau mengalikan nilai sederhana

dengan komponen musiman yang sudah diprediksi. Komponen musiman

40

berasal dari St tersebut yang sudah dirapikan secara eksponensial sederhana

seperti It = It-p + *(1- )*et atau It = It-p + *(1- )*et/St yang diprediksi

komponen musiman pada waktu t dihitung sebagai komponen musiman

masing-masing dalam siklus musiman terakhir ditambah sebagian dari

kesalahan (et, yang diamati dikurangi nilai perkiraan pada waktu t).

Mengingat rumus di atas, jelaslah bahwa parameter dapat mengasumsikan

nilai antara 0 dan 1. Jika itu adalah nol, maka komponen musiman untuk titik

tertentu dalam waktu diprediksi identik dengan komponen musiman

diperkirakan untuk waktu masing-masing selama siklus musiman

sebelumnya, yang pada gilirannya diperkirakan menjadi identik dengan yang

dari siklus sebelumnya, dan sebagainya. Dengan demikian, jika nol adalah,

komponen musiman konstan berubah digunakan untuk menghasilkan satu

langkah ke depan prakiraan. Jika parameter adalah sama dengan 1, maka

komponen musiman dimodifikasi "maksimal" pada setiap langkah oleh

kesalahan perkiraan masing-masing (kali (1 -), yang kita akan mengabaikan

untuk tujuan pengenalan singkat ini). Dalam kebanyakan kasus, ketika

musiman hadir dalam time series, parameter yang optimal akan jatuh di suatu

tempat antara 0 (nol) dan 1 (satu).

Algoritma dimulai dengan waktu-data terkait dalam data pengujian

yang ditetapkan. Pada Gambar 2.7, ini adalah data penjualan untuk setiap

bulan. Untuk menyederhanakan hal-hal, kita hanya melihat data untuk dua

produk dalam contoh kita.

41

Data penjualan diputar untuk membuat tabel di bagian bawah Gambar

2.7. Data untuk kasus 1 adalah pada bulan Maret 2008. Jumlah penjualan di

(t0) kolom untuk kasus ini berasal dari tahun 2008 penjualan bulan Maret

angka. Jumlah penjualan di (t-1), atau waktu minus satu bulan, kolom berasal

dari Februari 2008, dan jumlah penjualan di (t-2) kolom berasal dari Januari

2008. Kasus 2 menggeser bulan ke depan satu, sehingga (t0) menjadi April,

(t-1) menjadi Maret, dan (t-2) menjadi Februari.

Gambar 2.7 Time Series (Larson 2009, p492)

Algoritma kemudian menggunakan Data dalam tabel pivot untuk

datang dengan formula matematika yang menggunakan angka-angka dari (t-

42

1) dan (t-2) kolom untuk menghitung jumlah di kolom (t0) untuk setiap

produk. Bahkan, ia menggunakan baik ARTxp dan algoritma ARIMA untuk

melakukan perhitungan ini dan muncul dengan hasil dicampur. Dengan

menggunakan rumus, kita dapat memprediksi nilai penjualan untuk produk

masa depan.

Metodologi ARIMA yang dipakai adalah estimation dan forecasting.

parameter yang diperkirakan (menggunakan prosedur fungsi minimalisasi),

sehingga jumlah residual kuadrat diminimalkan. Estimasi parameter yang

digunakan dalam tahap terakhir (Forecasting) untuk menghitung nilai-nilai

baru dari serankaian (di luar yang termasuk dalam set input data) dan interval

yang dipecaya untuk memprediksi nilai-nilai. Proses estimasi dilakukan saat

merubah (membedakan) data, sebelum perkiraan dihasilkan, rangkaian perlu

diintegrasikan (integrasi adalah kebalikan dari membedakan) sehingga

perkiraan dinyatakan dalam nilai-nilai yang kompatibel dengan input data.

2.6. Business Performance Management

Berdasarkan jurnal Franco-Santos, Monica (2007, p7) Business Performance

Management (BPM) adalah sebuah sistem pengukuran kinerja strategis yang

memberikan informasi untuk memungkinkan perusahaan dalam mengidentifikasi

strategi menawarkan potensi tertinggi untuk mencapai tujuan organisasi, dan

menyelaraskan proses manajemen, seperti penetapan target, pengambilan

keputusan, dan evaluasi kinerja, dengan pencapaian tujuan strategis yang dipilih.

43

Menurut Ballard (2009, p13) BPM adalah proses yang memungkinkan

pengguna untuk memenuhi pengukuran kinerja bisnis dan tujuan. Hal ini

memungkinkan pengguna untuk secara proaktif memonitor dan mengelola proses

bisnis, dan mengambil tindakan yang tepat yang menghasilkan tercapainya tujuan

organisasi.

Gambar 2.8 BPM Framework (Ballard 2009, p6)

2.6.1 Keuntungan BPM

Keuntungan dari Business Performance Management menurut Ballard

(2009, p16) adalah sebagai berikut :

• Organisasi tidak lagi terpecah karena tindakan independen dari unit

bisnis. Sekarang organisasi lebih selaras dan bekerja menuju tujuan

bisnis yang sama.

• Sumber daya diarahkan kepada tindakan yang konsisten dengan cara

memenuhi tujuan bisnis. Hal ini memungkinkan perencanaan sumber

daya ditingkatkan dan diprioritaskan.

44

• Hasil dalam pandangan gabungan keadaan bisnis saat ini, dengan

menggabungkan proses informasi, status aktivitas operasional dan TI

status. Hal ini menempatkan keadaan bisnis saat ini didalam konteks,

memungkinkan menghindari masalah proaktif.

• Memungkinkan meningkatkan dan mengautomatisasi proses dan

alokasi sumber daya. Menyediakan kolaborasi terhadap seluruh tim

perusahaan dan proses untuk mempercepat perbaikan kinerja bisnis.

2.6.2 Key Performance Indicator

Menurut Ballard (2009, p32) Key Performance Indicator (KPI) adalah

pengukuran atau metrik dari kinerja bisnis membantu mengarahkan

keputusan bisnis. Metrik menunjukkan seberapa baik bisnis yang dilakukan

relatif terhadap strategi yang ditetapkan dan rencana operasi. Sebuah metrik

dapat menjadi sesuatu yang sederhana seperti berapa banyak bagian yang

baru saja menyelesaikan pekerjaannya, atau mungkin pengukuran yang lebih

kompleks yang melacak profitabilitas berdasarkan produk, jenis produk,

lokasi, dan musim.

Sebagian besar perusahaan memiliki sejumlah besar metrik, dan dalam

setiap proyek BPM salah satu tugas utama adalah untuk menentukan metrik

yang paling penting dan batasan yang dapat membantu manajemen

menentukan bagaimana usaha dijalankan. Metric yang seperti ini dinamakan

sebagai KPI.

45

Untuk kesuksesan proyek BPM, manajer bisnis harus mengidentifikasi

KPI yang tepat untuk bagian dari bisnis yang mereka kelola. Beberapa

contoh KPI adalah :

• Pertumbuhan fee based income

• Pertumbuhan jumlah pelanggan

• Utilisasi mesin produksi

• Jumlah dokter yang masuk kategori “active users”

2.6.3 Dashboard

Menurut Caroteno (2007, p2) berasumsi bahwa dashboard : Seorang

pengguna harus dapat melihat dashboard dan dengan cepat membuat

pengamatan tanpa scrolling, drilling , atau mengklik dari layar awal. Interaksi

pengguna minimal dapat diikutsertakan untuk meningkatkan pemahaman dan

memperjelas pengamatan, namun interaksi terlalu banyak mengalahkan

tujuan dashboard dan menjangkau seluruh wilayah analisis. Dan itu

dashboard juga:

• Menyediakan cara untuk memantau dan melacak kinerja

• Harus mampu menyampaikan apa yang terjadi secara cepat

• Biasanya mengandung indikator kinerja utama dan menggunakan

beberapa jenis visualisasi Data.

Menurut Ballard (2009, p190) Dashboard adalah sebuah tampilan

informasi bisnis yang menampilkan BI dengan grafik ikon yang mudah

dipahami.

46

Gambar 2.9 Contoh Dashboard (Ballard 2009, p175)

2.7. Decision Support System

Menurut Vercellis (2009, p36) Decision Support System (DSS) adalah sebuah

sistem computer yang interaktif membantu pengambil keputusan untuk

menggabungkan Data dan model untuk memecahkan masalah semi-terstruktur dan

tidak terstruktur.

47

Gambar 2.10 Struktur dari Decision Support System (Vercellis 2009, p36)

2.8. Stage and Step Business Intelligence

Menggunakan konsep Development Steps menurut Moss (2005, p17) BI

project disusun berdassarkan 6 tahap umum untuk setiap enginering project.

Business Intelligence Roadmap adalah panduan project lifecycle untuk

mengembangkan aplikasi BI pendukung keputusan menggunakan Data yang

terstruktur.

Gambar 2.11 Business Intelligence Roadmap (Moss 2005, p41)

48

2.8.1 Business Justification

Karena pembuatan sebuah Business Intelligence memakan sumber daya

yang relatif besar, maupun dari segi materi dan waktu, sebuah perusahaan

dapat memikirkan inisiatif antara kebutuhan dari strategi BI dengan perataan

bisnis untuk memperlihatkan antara biaya yang dikeluarkan untuk pembuatan

strategi BI dengan keuntungan yang diperoleh perusahaan setelah

menggunakan BI tersebut.

Perataan untuk inisiatif Business Intelligence Decision Support harus

berdasarkan dengan bisnis yang berjalan, bukan teknologi yang berjalan.

Sangat tidak dianjurkan untuk membuat sebuah aplikasi BI yang

membutuhkan biaya yang sangat besar hanya untuk berfokus pada teknologi

saja. Jadi, setiap aplikasi BI harus dapat mengurangi “Business Pain”

(masalah yang berpengaruh pada keuntungan dan efisiensi perusahaan).

2.8.1.1 Four Business Justification Component

2.8.1.1.1 Business Driver

Mengidentifikasi Business Driver, Strategic Business

Goals, dan objektif dari aplikasi BI. Dan juga memastikan

bahwa objektif dari aplikasi BI mendukung tujuan dari

sebuah perusahaan.

2.8.1.1.2 Business Analysis Issue

Mendefinisikan masalah-masalah analisis bisnis dan

informasi yang diperlukan untuk membantu mencapai

49

tujuan dari perusahaan dengan cara mengadakan

persyaratan level tinggi untuk bisnis perusahaan.

2.8.1.1.3 Cost Benefit Analysis

Memperkirakan biaya untuk membangun dan menjaga

sebuah aplikasi BI berikut dengan sistem pengambilan

keputusan. Memastikan ROI (Return on Investment) atau

“balik modal” dengan cara menetapkan monetary value

pada manfaat nyata dan juga menyorot hasil dan

kentungan yang diperoleh oleh perusahaan.

2.8.1.1.4 Risk Assessment

Menilai resiko dalam hal teknologi, kompleksitas,

integrasi, perusahaan, projek tim, dan investasi finansial.

2.8.1.2 Business Case Assessment Activities

2.8.1.2.1 Determining the Business Need

Harus ada informasi bisnis yang jelas yang tidak hanya

cukup dengan metode pengambilan keputusan yang

simpel.

2.8.1.2.2 Assess the Current Decision-Support System Solutions

Mengecek solusi dari sistem pengambilan keputusan yang

lama dan mencari kekurangan yang ada.

50

2.8.1.2.3 Assess the Operational Sources and Procedures

Pada saat kita memeriksa dan menganalisa kekurangan

dari sistem pengambilan keputusan yang lama, perhatikan

juga sumber Data operasional dan prosedur yang berjalan

di perusahaan.

2.8.1.2.4 Assess the Competitors’ BI Decision-support Initiatives

Menjadi yang terdepan dari kalangan kompetitor

merupakan sebuah hal yang sangat penting dalam

berbisnis. Agar dapat menjadi yang terdepan, kita harus

mengetahui apa yang para competitor kita lakukan.

Sangatlah penting untuk mengetahui kunci kesuksesan dan

kegagalan dari perusahaan kompetitor dengan cara

mengetahui inisatif BI yang mereka gunakan pada

perusahaan mereka.

2.8.1.2.5 Determine the BI Application Objectives

Jika kita sudah mengetahui masalah bisnis yang berjalan

serta kelemahan dan kekurangan dari lingkungan BI yang

ada, kita dapat memperjelas objektif dari aplikasi BI yang

akan kita bangun.

2.8.1.2.6 Propose a BI Solution

Penggunaan objektif aplikasi BI dan hasil analisis dari

lingkungan BI yang berjalan, termasuk sistem pengambil

keputusan, kita sekarang dapat mengajukan solusi BI.

51

2.8.1.2.7 Perform a Cost-Benefit Analysis

Memastikan biaya yang diperlukan untuk membangun

sebuah aplikasi BI berikut dengan sistem pengambilan

keputusannya. Termasuk juga dengan biaya hardware,

software, alat-alat yang diperlukan serta biaya

maintenance.

2.8.1.2.8 Perform a Risk Assessment

Membuat daftar-daftar tentang seluruh resiko yang

munkin terjadi dalam pembuatan aplikasi BI tersebut. Dan

membuat Risk Assessment Matrix. Jika tidak mempunyai

cukup informasi untuk membuat Risk Assessment Matrix,

kita dapat membuat dengan 6 kategori resiko basis, yaitu :

teknologi, kompleksitas, integrasi, organisasi, tim projek,

dan investasi financial.

2.8.1.2.9 Write the Assessment Report

Mendeskripsikan kebutuhan perusahaan dengan

menggunakan business need, baik itu masalah maupun

kesempatan, dan menyarankan tentang 1 atau lebih solusi

pengambilan keputusan.

52

Ga

mbar 2.12 Business Case Assessment Activities (Moss 2005, p76)

2.8.2 Business Planning

2.8.2.1 Enterprise Infrastructure Evaluation

Beberapa hal yang harus diperhatikan :

• Hardware

Pada platform apa BI ini akan dijalankan ?

53

Hardware apa yang kita perlukan? Jika ada, berapa biaya

yang dibutuhkan ?

Akankah hardware baru yang dipasang tersebut

terintegrasi dengan platform yang kita pakai ?

Apakah kita membutuhkan staff baru untuk maintenance

hardware baru tersebut ?

Bagaimana hardware baru tersebut dapat

mengakomodasikan kebutuhan yang selalu meningkat dan

jumlah Data yang naik secara konsisten ?

• Network

Apa tipe LAN (Local Area Network) yang akan kita

gunakan ?

Apa tipe WAN (Wide Area Network) yang akan kita

gunakan ?

Apakah bandwidth dari WAN tersebut cukup untuk

mengimbangi kebutuhan perusahaan ?

• Middleware

Apa tipe dari Middleware yang sekarang sedang

digunakan ?

Apakah kita mempunyai Middleware yang diperlukan

dalam menerima dan memproses Data dari platform yang

bermacam-macam dan memindahkannya ke linkungan

pengambil keputusan ?

54

Apakah kita membutuhkan Middleware ? Jika ya, berapa

biaya yang diperlukan ?’

Dari Hardware, Software, dan Middleware, yang mana

yang paling penting diantaranya ? Haruskah kita

membelinya ? Atau cukup dengan menyewa saja ?

• Database Management System

DBMS apa yang telah kita miliki ?

Apakah kita perlu untuk membeli DBMS baru ? Jika ya,

berapa biaya yang diperlukan untuk sebuah DBMS baru ?

Apakah DBMS baru tersebut akan kompatibel dengan

sistem kita?

Apakah kita perlu untuk memperkerjakan Database

Administrator baru ? Jika ya, berapa biaya yang

diperlukan?

• Tools and Standards

Bagaimana para Business Analyst sekarang menganalisa

Data perusahaan ? Apakah Reporting and Query Tools

yang mereka gunakan?

Apa peralatan dan perlengkapan tambahan yang

diperlukan?

Apakah kita mengetahui masalah besar pada infrastruktur

di dalam perusahaan?

55

2.8.2.2 Project Planning

Beberapa hal yang harus diperhatikan :

• Business Involvement

Apakah kita mempunya sponsor bisnis yang kuat ?

Apakah kita mempunyai pemegang saham yang kuat dan

bisa berkomunikasi dengan baik ?

• Project Scope and Deliverable

Apakah kita menerima permintaan formal akan projek BI

?

Seberapa detail persyaratannya ?

• Cost-Benefit Analysis

Apakah kita sudah melakukan Cost-Benefit Analysis ?

Kapankah sampai kita menuju ROI ?

• Infrastructure

Apakah kita telah membahas tentang komponen

infrastruktur yang bersifat teknikal maupun yang tidak ?

Apakah ada keganjilan dalam komponen tersebut ?

• Staffing and Skills

Sudahkah kita mengidentifikasi anggota kelompok ?

Apakah semua member memiliki kemampuan yang

diinginkan ?

56

2.8.3 Business Analysis

2.8.3.1 Project Requirement Definition

Pada bagian ini, akan dibahas beberapa hal tentang cara untuk

menentukan persyaratan, perbedaaan antara bisnis pada umumnya

dengan syarat yang berhubungan dengan projek.

Selain itu, akan dibahas juga bagaimana membuat report penuh

secara lengkap pada bisnis.

2.8.3.2 Data Analysis

Gambar 2.13 Perbandingan Teknik Data Analysis (Moss 2005, p178)

2.8.3.2.1 Top-Down Logical Data Modeling

Merupakan teknik yang paling efektif dalam pencarian dan

pendokumentasian setiap dokumen dan model perusahaan

yang terintegrasi, atau disebut juga Logical Data

Modeling.

Karena kemampuannya yang independen, sebuah logical

Data model ini lebih mengarah ke bisnis, bukan ke arah

57

Database atau aplikasi. Jadi, sebuah Data yang unik, yang

hanya ada di dunia bisnis nyata, juga ada di dalam logical

Data model meskipun secara fisik Data tersebut disimpan

di dalam tempat penyimpanan yang berbeda.

Gambar 2.14 Proses yang independen dari Logical Data Model (Moss 2005, p180)

2.8.3.2.2 Bottom-Up Source Data Analysis

Sebuah analis Data tidak bisa berhenti pada tahap top-

down logical model saja karena sumber Data-nya sering

tidak mengikuti aturan bisnis atau polisi yang berlaku

yang diambil pada saat pembuatan model.

Jika Bottom-Up Analysis ini tidak dilakukan, masalah akan

Data dan pelanggaran aturan bisnis tidak akan terdeteksi

sampai pada tahap ETL (Extract, Transform, Load)

58

dilakukan. Beberapa masalah kualitas Data munkin tidak

akan terdeteksi sama sekali sampai pada tahap

implementasi, atau pada saat pelanggan melakukan

complain.

2.8.3.3 Application Prototyping

Beberapa poin penting tentang prototyping adalah :

Limit the Scope : membatasi lingkup fungsional dan lingkp Data

dari settiap iterasi prototype ke subset aplikasi yang spesifik.

Understand Database requirement early : prototype akan

membantu Database Administrator mengerti kebutuhan akses

access path untuk Database tujuan BI.

Choose the right Data : mengambil Data yang tepat untuk

prototype.

Test tool usability : tes kegunaan dari peralatan akses dan

analisis.

Involve the business people : tes prototype dengan lebih dari

satu pebisnis.

2.8.3.4 MetaData Repository Analysis

Ada 2 kategori metadata:

1. Business metadata

59

Menyediakan pebisnis dengan roadmap untuk mengakses Data

bisnis dalam lingkungan pendukung keputusan BI.

2. Technical metadata

Mendukung teknisi dan power user dengan menyediakan para

teknisi dengan informasi tentang aplikasi dan Database mereka,

yang mereka butuhkan untuk menjaga aplikasi BI.

Gambar 2.15 Business Data vs Technical Data (Moss 2005, p231)

Meta Data Classification dibagi menjadi 4 :

1. Ownership

• Data Owner

• Application Owner

2. Descriptive Characteristic

• Name

• Definition

• Type and Length

60

• Domain

• Notes

3. Rules And Policies

• Relationship

• Business Rules and Business Policies

• Security

• Cleanliness

• Applicability

• Timeliness

4. Physical Characteristic

• Origin

• Physical Location

• Transformation

• Derivation

• Aggregation and Summarization

• Volume and Growth

61

Gambar 2.16 Meta Data Classification (Moss 2005, p234)

2.8.4 Business Design

2.8.4.1 Database Design

Aktifitas dari perancangan Database

Review the Data Access Requirements

Database Administrator harus memeriksa akses Data dan

menganalisa kebutuhan (report, queries), yang dianalisis dan

diselesaikan pada step 6, aplikasi prototyping.

Determine the Aggregation and Summarization requirements

Sebelum berlanjut ke design schema akhir untuk tujan Database

BI, Database Administrator menentukan Data agregat dan

rangkuman kebutuhan dengan representasi bisnis dan pimpinan

developer aplikasi.

Design the BI Target Database

Pernyataan rata-rata orang bahwa aplikasi BI hanya tentang

analisis multidimensional dan laporan multidimensional adalah

tidak benar.

Kebutuhan Data akses dan agregat Data dan rangkuman

kebutuhan akan menentukan Database design yang paling

cocok.

Design the Physical Database Structures

62

Clustering, partitioning, indexing dan meletakkan datasets

adalah 4 karakteristik yang paling penting untuk merancang

design Database.

Build the BI Target Databases

Database fisik dibangun pada saat DDL (Data Definition

Language) dijalankan bersama DBMS. Seorang Database

Administrator menggunakan DDL untuk medeskripsikan

struktur Database kepada DBMS.

Develop Database Maintenance Procedures

Pada saat Database menjalani tahan produksi, sangat penting

untuk membuat backup Database dan mengatur ulang tabel-

tabel yang berantakan.

Prepare to Monitor and Tune the Database Designs

Pada saat aplikasi BI diimplementasikan, tujuan dari BI

Database harus dimonitor dan dijaga. Design Database yang

paling baik tidak menjamin performa yang baik selama terus

menerus, sebagian karena tabelnya menjadi tidak tersusun, dan

sebagian karena penggunaan Database BI tujuan yang berganti

setiap saat.

Prepare to Monitor and Tune the Query Designs

Sejak performa adalah sesuatu tantangan pada aplikasi BI, kita

harus dapat mengeksplorasi trik didalamnya untuk mencari

63

sumber masalahnya. Parallel query execution adalah satu dari

beberapa trik untuk meningkatkan performa dari query.

Gambar 2.17 Database Design Activities (Moss 2005, p269)

2.8.4.2 ETL Design

Sumber Data untuk aplikasi BI berasal dari beberapa sumber

platform, dimana sumber tersebut diatur oleh beberapa aplikasi

dan sistem operasi. Tuuan dari penggunaan ETL ini sendiri adalah

untuk menggabungkan Data dari platform-platform yang berbeda

ini kedalam sebuah format standar untuk Database tujuan BI

didalam lingkungan pengambilan keputusan.

64

Gambar 2.18 Sumber Data Heterogen (Moss 2005, p278)

2.8.4.3 Meta Data Repository Design

Jika tempat penyimpanan meta Data berlisensi, maka kemungkinan

besar harus ditingkatkan dengan fitur yang didokumentasikan pada

meta model yang logis tetapi tidak disediakan oleh produk. Jika

tempat penyimpanan meta Data sedang dibangun, keputusan harus

dibuat apakah desain tempat penyimpanan Database akan berbasis

entitas-hubungan atau berorientasi objek. Dalam kedua kasus, desain

harus memenuhi persyaratan meta model yang logis.

2.8.5 Construction

2.8.5.1 ETL Development

Banyak alat yang tersedia untuk proses ETL, ada beberapa canggih

dan beberapa sederhana. Berdasarkan pada persyaratan untuk

pembersihan Data dan transformasi Data dikembangkan pada

65

Langkah 5, Analisis Data, dan Langkah 9, Desain ETL, alat yang

mungkin ETL atau mungkin bukan solusi terbaik. Dalam kedua

kasus, preprocessing Data dan penulisan ekstensi untuk melengkapi

kemampuan alat ETL sering diperlukan.

2.8.5.2 Application Development

Setelah upaya prototyping telah memenuhi persyaratan fungsional,

pengembangan aplikasi akses dan analisis yang sebenarnya dapat

dimulai. Mengembangkan aplikasi dapat menjadi masalah sederhana

dari menyelesaikan prototipe operasional, atau dapat menjadi upaya

pengembangan lebih dengan menggunakan hal yang berberbeda,

akses yang lebih kuat dan alat analisisnya. Dalam kedua kasus,

kegiatan aplikasi front-end pengembangan biasanya dilakukan secara

paralel dengan kegiatan pengembangan back-end ETL dan

pembangunan tempat penyimpanan metadata.

2.8.5.3 Data Mining

Banyak organisasi tidak menggunakan BI pendukung keputusan

dalam lingkungan untuk sepenuhnya. Aplikasi BI sering terbatas pada

laporan, beberapa di antaranya bahkan bukan laporan jenis baru,

tetapi penggantian dari laporan yang lama. Balasan nyata berasal dari

informasi yang tersembunyi dalam Data organisasi, yang dapat

ditemukan hanya dengan alat Data Mining.

66

2.8.5.4 Metadata Repository Development

Jika keputusan dibuat untuk membangun sebuah tempat penyimpanan

meta Data dibandingkan dengan untuk melisensi, sebuah tim yang

terpisah biasanya diisi dengan proses pengembangan. Ini menjadi

sub-proyek yang cukup besar dalam keseluruhan proyek BI.

2.8.6 Deployment

2.8.6.1 Implementation

Setelah tim telah menguji secara menyeluruh semua komponen dari

aplikasi BI, tim mengeluarkan Database dan aplikasi. Pelatihan

dijadwalkan untuk staf bisnis dan pemegang saham lainnya yang akan

menggunakan aplikasi BI dan tempat penyimpanan metadata. Fungsi

pendukung dimulai, yang meliputi operasi helpdesk, menjaga

Database sasaran BI, penjadwalan dan menjalankan batch ETL,

pemantauan kinerja, dan mengatur Database.

2.8.6.2 Release Evaluation

Dengan konsep rilis aplikasi, sangat penting untuk mendapatkan

keuntungan yang dipelajari dari proyek-proyek sebelumnya. Setiap

deadline yang terlewati, biaya overruns, perselisihan, dan resolusi

sengketa harus diperiksa, dan proses penyesuaian harus dilakukan

sebelum rilis berikutnya dimulai. Setiap alat, teknik, pedoman, dan

proses yang tidak membantu harus dievaluasi dan disesuaikan,

67

bahkan mungkin dibuang. Tidak perlu melakukan langkah-langkah

pembangunan secara berurutan, tim proyek kemungkinan biasanya

akan melakukan secara paralel. Namun, karena ada susunan alam dari

satu tahap engineering dengan yang lain, ketergantungan tertentu ada.

2.9. Teori Khusus

2.9.1 Perguruan Tinggi

Perguruan tinggi adalah satuan pendidikan penyelengara pendidikan

tinggi. Peserta didik perguruan tinggi disebut mahasiswa, sedangkan tenaga

pendidik perguruan tinggi disebut dosen. Menurut jenisnya, perguruan tinggi

dibagi menjadi dua :

• Perguruan tinggi negeri adalah perguruan tinggi yang diselengarakan

oleh pemerintah.

• Perguruan tinggi swasta adalah perguruan tinggi yang diselengarakan

oleh pihak swasta.

(Wikipedia)

2.9.2 Perguruan Tinggi di Indonesia

Di Indonesia, perguruan tinggi dapat berbentuk akademi, institut,

politeknik, sekolah tinggi, dan universitas. Perguruan tinggi dapat

menyelenggarakan pendidikan akademik, profesi, dan vokasi dengan

program pendidikan diploma (D1, D2, D3, D4), sarjana (S1), magister (S2),

doktor (S3), dan spesialis.

68

Universitas, institut, dan sekolah tinggi yang memiliki program doktor

berhak memberikan gelar doktor kehormatan (doktor honoris causa) kepada

setiap individu yang layak memperoleh penghargaan berkenaan dengan jasa-

jasa yang luar biasa dalam bidang ilmu pengetahuan, teknologi,

kemasyarakatan, keagamaan, kebudayaan, atau seni. Sebutan guru besar atau

profesor hanya dipergunakan selama yang bersangkutan masih aktif bekerja

sebagai pendidik di perguruan tinggi.

Pengelolaan dan regulasi perguruan tinggi di Indonesia dilakukan oleh

Kementerian Pendidikan Nasional. Rektor Perguruan Tinggi Negeri

merupakan pejabat eselon di bawah Menteri Pendidikan Nasional.

Selain itu juga terdapat perguruan tinggi yang dikelola oleh

kementerian atau lembaga pemerintah non-kementerian yang umumnya

merupakan perguruan tinggi kedinasan, misalnya Sekolah Tinggi Akuntansi

Negara yang dikelola oleh Kementerian Keuangan.

Selanjutnya, berdasarkan undang-undang yang berlaku, setiap

perguruan tinggi di Indonesia harus memiliki Badan Hukum Pendidikan yang

berfungsi memberikan pelayanan yang adil dan bermutu kepada peserta

didik, berprinsip nirlaba, dan dapat mengelola dana secara mandiri untuk

memajukan pendidikan nasional.

2.9.3 Kebutuhan Tenaga Kerja

Satuan yang menunjukan kebutuhan sumber daya manusia yang diperlukan

untuk mengisi lapangan pekerjaan pada divisi atau kelompok profesi tertentu.

69

Kebutuhan sumber daya manusia dapat digolongkan berdasarkan profesi,

skill, pendidikan, dan jenis kelamin. Pada thesis ini kebutuhan sumber daya

manusia dikelompokan berdasarkan profesi. Contohnya: Kedokteran,

akuntan, arsitek, teknik informatika, dll.