Anda di halaman 1dari 39

THE DATA RESOURCE

Oleh :
Kelompok 3
Farida Ariyani

041414253007

Refivia Audie Calcarina

041414253013

MAGISTER AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
SURABAYA
2015

Salah satu komponen teknologi informasi adalah data. Data diproses oleh hardware
dan software lalu dikirim melalui jaringan baik sebelum maupun sesudah diproses.
Ketika data yang tepat tidak diperoleh, disimpan dan disebarluaskan, tiga komponen
lain (input, output dan proses) tidak bernilai. Data mengandung fakta dan informasi
terkait sebuah organisasi yang diperoleh ketka melakukan bisnis dan untuk melakukan
bisnis. Komponen data termasuk angka, teks, suara, video dan data grafis baik yang
dikumpulkan dalam organisasi maupun dari luar. Organisasi yang dapat unggul di abad
21 ini adalah yang dapat mengelola data dan pengetahuan organisasi sebagai sumber
strategis, memahami kegunaan data bagi keputusan bisnis dan dapat menyusun data
secara efisien sehingga data yang tersedia bagi organisasi harus dikelola dan
dikembangkan. Data hanya akan menjadi aset ketika tersedia dan dipahami saat
dibutuhkan serta dihapus ketika sudah tidak bermanfaat sehingga untuk mencapainya
perusahaan perlu mengelola datanya.
Kini organisasi mampu mengumpulkan lebih banyak data melalui mencatat data
transaksi dengan terminal point-of-sale (POS) dan RFID reader serta melalui web dan
situs e-commerce. Tugas mengelola data merupakan tanggung jawab setiap manajer.
Beberapa manajer sering disebut data steward yaitu peran yang diberikan untuk
mengelola data tertentu seperti data pelanggan, produk atau karyawan. Unit organisasi
tertentu biasa disebut administrasi data atau database adalah fungsi terkait manajemen
data. Beberapa organisasi juga menetapkan chief knowledge officer untuk memimpin
fungsi management knowledge.

WHY MANAGE DATA ?


Memenuhi aturan hukum; Ketika data tidak dikelola sehingga menyebabkan
kejujuran data atau dokumen sumber diragukan dan anda melanggar aturan hukum
misal aturan pelaporan keuangan, maka akan membayar denda
Menjaga kelangsungan fungsi organisasi; Ketika data tidak dikelola, dan data
penting bagi bisnis anda seperti pesanan pelanggan, harga produk, saldo akun atau
histori pembelian hancur, fungsi organisasi tidak akan berjalan lancar
Menghemat waktu penyesuaian data; Jika data di seluruh organisasi konsisten,
operasional akan lebih lancar karena tidak perlu waktu untuk menyesuaikan data
Memutuskan bagaimana memperlakukan pelanggan; Kita dapat mengetahui
profitabilitas pelanggan dengan meninjau data pembelian dan tagihan sehingga kita
dapat lebih baik memperlakukan mereka.
Mempermudah dan menghemat biaya untuk mengembangkan dan menjalankan
sistem informasi; Pengembangan sistem yang buruk biasanya disebebakan

kurangnya manajemen data dan beberapa metode seperti prototype tidak dapat
dilakukan kecuali jika sumber data sudah jelas dan data telah tersedia.

TECHNICAL ASPECTS OF MANAGING THE DATA RESOURCE


The Data Model and Metadata
Elemen kunci manajemen data yang efektif adalah data model yaitu keseluruhan peta
bagi data bisnis. Data model menunjukkan hubungan antar data perusahaan. Data model
menunjukkan aturan perusahaan misal apakah pesanan pelanggan harus terkait dengan
sales tertentu, pegawai harus memiliki nomor keamanan atau jumlah maksimum
laporan langsung yang diberikan pada supervisor. Data modeling terkait dengan:

Methodology : tahap yang dilakukan untuk menentukan dan menggambarkan


data

Notation : cara untuk menunjukkan keputusan ini biasanya dengan grafik.

Entity relationship diagram (ERD) menunjukkan entitas (pelanggan, peasanan dan


produk)

dan

hubungannya

(menyampaikan-submit

dan

berisi-include).

ERD

merupakan notation yang umum untuk menggambarkan data yang dibutuhkan dalam
organisasi. ERD berisi entity atau hal mengenai data yang dikumpulkan, attribute atau
elemen data yang akan dikumpulkan serta relationship yaitu hubungan antar entity.
ERD merupakan alat untuk memfasilitasi komunikasi antara pengguna akhir yang perlu
data dengan perancang database serta pengembang (pihak yang membuat dan
mengurus database).
ERD saja tidak akan cukup untuk mendokumentasikan data yang dibutuhkan. ERD
hanya bagian dari metadata. Metadata mendokumentasikan arti dan seluruh aturan
bisnis yang mengemudikan data. Aturan ini berasal dari sifat organisasi sehingga
manajer merupakan sumber pengembangan aturan ini. Contoh metadata mengenai
attribute nama pelanggan akan mendefinisikan istilah, menyatakan panjang maksimum
karakter dan tipe data, apakah setiap pelanggan perlu memiliki nama agar dapat
disimpan dalam database, apakah nama dapat diganti dan siapa yang berhak
memasukkan dan mengubah nama.
Data Modeling
Ada dua pendekatan yang dapat digunakan namun organisasi biasanya memilih
menggunakan keduanya karena merupakan metode yang saling melengkapi, yang
menekankan aspek data yang berbeda oleh karena itu dapat mengecek saldo masingmasing.
1. Enterprse modeling (atas bawah)
Terkait menggambarkan organisasi dan data yang diperlukan, laporan tertentu atau
gambaran rincian pemrosesan data yang dibutuhkan. Beberapa tahap yang dilakukan:

Pekerjaan dalam organisasi akan dibagi dalam fungsi-fungsi utamanya (misal


penjualan, penagihan, produksi).
Masing-masing fungsi akan dibagi menjadi proses dan masing-masing proses dibagi
menjadi aktivitas. Contoh aktivitas tsb adalah meramalkan penjualan kuartal
selanjutnya.
Dengan pemahaman atas setiap aktivitas, daftar data entitas lalu ditetapkan untuk
masing-masing aktivitas. Contohnya aktivitas meramalkan penjualan kuartal
memperlukan data produk entitas dan histori pesanan pelanggan.
Item didaftar lalu diperiksa untuk memastikan bahwa nama yang konsisten telah
digunakan dan makna masing-masing data telah jelas.
Berdasarkan kebijakan bisnis dan aturan operasional, hubungan antar data dapat
diketahui dan diperoleh data model.
Kelebihan metode ini yaitu tidak menjadi bias akibat banyaknya rincian, file dan
database baru atau cara bisnis kini berjalan. Metode ini beriorientasi masa mendatang
dan harus ditentukan kumpulan data yang diperlukan. Namun, metode ini dapat tidak
lengkap atau tidak akurat karena mungkin menolak beberapa rincian sehingga perlu
bantuan metode view integration.
2. View integration (bawah atas)
Setiap laporan, tampilan, bentuk, dokumen yang harus dihasilkan dari database
organisasi ditentukan dengan meminta saran dari pengguna. (disebut user view)
Elemen data yang dihasilkan dari proses ini lalu dimasukkan dalam struktur dasar
yang

disebut

normal

form

(formulir

biasa). Normalization

merupakan

menciptakan struktur data sederhana dari satu yang lebih kompleks, yang berisi
kumpulan aturan yang menghasilkan struktur data yang sangat stabil dan
bermanfaat. Normalisasi digunakan sebagai alat untuk membersihkan data dari
penyimpangan ketika memasukkan, menghapus dan memperbarui dat.
Setelah masing-masing saran pengguna telah dinormalisasi, akan dikombinasikan
atau diintegrasi menjadi satu deskripsi komprensif. Kumpulan hasil normalisasi
akan sesuai dengan enterprise modeling.
Perusahaan dapat membeli data model yang dibuat untuk situasi yang serupa dengan
anda sehingga data modeling dimulai dari luar dengan data model yang universal,
terpaket, dan telah dibuat untuk industri atau area bisnis yang berbeda. Data model ini
lalu disesuaikan dengan terminologi dan aturan di organisasi kita. Oleh karena itu,
konsultan dan pemasok software database menjual titik awal bagi data model
perusahaan. Tindakan ini memiliki beberapa kelebihan yaitu:
Data model dapat dikembangkan menggunakan komponen yang diperoleh dari
pengalaman. Data model ini akan terus diperbarui oleh pembuatnya ketika ada
jenis data baru yang berlaku di industri.

Proyek lebih singkat dan hemat biaya karena komponen dan struktur penting
telah didefinisikan dan hanya perlu disesuaikan dengan cepat untuk situasi
tertentu.
Karena data model ini dikembangkan dari pengalaman praktik, data model akan
lebih mudah dikembangkan ketika dibutuhkan data tambahan. Anda akan
terhindari dari kelupaan komponen penting karena model data ini dirancang
menggunakan ribuan pertanyaan dan indikator kinerja.
Penerapan data model dari satu pemasok berarti data model anda akan mudah
dijalankan dengan aplikasi lain dari pemasok yang sama atau software rekannya
Model data ini memberikan titik awal untuk mengungkap data yang dibutuhkan
namun belum dinyatakan
Data model menggunakan struktur yang menganggap data organisasi fleksibel
Jika banyak perusahaan di industri yang sama menggunakan data model yang
universal sebagai dasar database organisasinya, akan lebih mudah untuk berbagi
data.
Data modeling memerlukan banyak waktu, komitmen organisasi serta manajer data
dan ahli yang kompeten. Untuk menghadapi hal ini, beberapa pedoman dikembangkan:
Tujuan; upaya pemodelan harus dibenarkan oleh beberapa kebutuhan utama
seperti koordinasi pemrosesan data operasional, fleksibilitas mengakses data atau
efektivitas sistem data. Semakin kurang jelas tujuan, semakin tinggi risiko gagal.
Ruang lingkup; Cakupan data model harus dipertimbangkan secara hati-hati.
Semakin luas lingkup, semakin sulit proyek diurus. Pemilihan lingkup mencakup
divisi dan area dimana terdapat dampak besar dan penting bagi fungsi bisnis.
Hasil. Pilihan ini termasuk mendefinisikan subyek area database (misal seluruh
data tentang pelanggan), identifikasi sistem untuk mengumpulkan data yang
dibagikan pada beberapa departemen dan mengakses layanan untuk mendukung
kebutuhan informasi manajemen dan rancangan database mendatang.
Waktu. Beberapa organisasi dapat menunda seluruh pengembangan sistem
sampai data model yang lengkap dikembangkan contohnya mengembangkan data
model hanya pada tingkatan atas lalu mengisi rincian sebagai proyek sistem
utama.
Database Programming
Aktivitas pemrosesan data dengan sebuah database dapat ditetapkan dalam program
yang ditulis dalam 3GL atau special purpose languages yang dikembangkan untuk
pemrosesan database. Dalam program 3GL, instruksi tambahan dimasukkan dalam
bahasa pemrograman. Contohnya pada database pelanggan dan pesanan, penyimpanan
catatan pesanan baru tidak hanya mengharuskan menyimpan data pesanan tsb saja

tetapi juga memperbarui keterkaitan catatan pesanan tsb dengan catatan pelanggan
terkait.
Kini terdapat dua special purpose language yang digunakan sendiri-sendiri maupun
dikombinasikan dengan 3GL untuk akses database. Contohnya 4GL, special purpose
language non prosedural disebut query language, untuk mengajukan query pada
database. Database 4G; yang umum adalah SQL (Structured Query Language) yaitu
bahasa pemrograman yang telah distandarisasi oleh ISO. Dengan menerapkan standar
internasional untuk menulis query database bermanfaat agar tidak ada atau hanya
sedikit perubahan yang perlu dilakukan pada sebuah program ketika anda mengubah
DBMS.
Ketika tidak memungkinkan untuk menyampaikan data dan queries antar komputer
menggunakan SQL, bahasa pertukaran data yaitu XML (eXtensible Markup Language)
dapat digunakan. XML digunakan untuk menggambarkan struktur data dan memberi
nama data yang dipertukarkan antara program komputer. XML telah menjadi standar
bagi pertukaran data e-commerce. XML adalah dasar layanan Web, yang merupakan
pola untuk berbagi program dan data di internet. Misal kita memungkinkan pelanggan
memesan melalui Web. Organisasi kita menulis program dalam Java dan Microsoft ASP
untuk memproses pesanan via web.
Ketika pelanggan mengisi pesanan, program order entry kita akan mengecek
persediaan untuk menentukan apakah pesanan tsb dapat dipenuhi/tidak. Ketika stok di
gudang kurang, anda akan mampu mengecek persediaan di gudang pemasok. Dengan
XML anda mampu mengirim dokumen dengan identifikasi produk yang dipesan ke
sistem komputer pemasok. Web service akan merespon dengan informasi deskripsi
barang, jumlah persediaan dan biaya untuk membeli barang. Ketika data ini diketahui,
situs e-commerce dapat menentukan apa yang akan ditampilkan ke pelanggan. XML
digunakan untuk menyatakan data yang dipertukarkan menggunakan tanda atau label
yang dipahami oleh 2 pihak terkait. Oleh karena itu, kita harus memahami program,
komputer atau DBMS yang digunakan pihak lain.

MANAGERIAL ISSUES IN MANAGING DATA


Manajer harus mempertimbangkan perencanaan data, pengendalian integritas data,
mengamankan akses dan penggunaan data dan cara agar data dapat diakses. Kualitas
data harus dipertimbangkan dan sumber data, kecukupan ruang untuk penyimpanan
data, pencatatan penggunaan data serta perlakuan terhadap data yang usang
(diidentifikasi, dibuang atau diarsip).
Principles in Managing Data
Kesuksesan mengelola sumber data bergantung pada pemahaman atas pedoman
kunci ini.

The Need to Manage Data is Permanent


Data mungkin berubah, pelanggan baru mungkin ditambahkan, produk ada yang
dihentikan dan karyawan ada yang berhenti dan direkrut tetapi perusahaan akan selalu
memiliki pelanggan, produk, karyawan dan hubungan dengan entitas lain sehingga
perlu menjaga agar data yang ada tetap terkini. Data mungkin mudah berubah tetapi
data akan terus ada dan terus dibutuhkan pengelolaan data. Ketika proses bisnis
berubah, sistem informasi pada akhirnya juga perlu berubah. Contoh jika perusahaan
memutuskan untuk mengubah metode peramalan penjualan, program harus ditulis
ulang namun data yang diperlukan (data pelanggan, pesanan) tetap sama.
Jika data dikelola dengan baik, database cenderung tidak berubah meskipun
organisasi memutuskan untuk mengubah caranya melakukan bisnis namun di saat yang
sama, program yang menganalisa, memproses dan melaporkan informasi mungkin
berubah. Oleh karena itu, data bersifat fundamental bagi bisnis.
Data can Exist at Several Levels

Salah satu cara untuk mengorganisir data adalah data pyramid. Meskipun data baru
dapat masuk ke berbagai tingkat piramid, sebagian besar data baru diperoleh di dasar
piramid di database operasional. Database ini berisi histori transaksi bisnis meliputi
pesanan pelanggan, pembelian dari pemasok, perubahan buku besar, pemindahan
personel dan aktivitas bisnis sehari-hari lainnya. Database strategis dan pengendalian
manajerial (sering disebut data warehouse dan digunakan untuk mendukung
pengambilan keputusan dan business intelligence) merupakan bagian, ringkasan atau
kesatuan operational database dilengkapi dengan data eksternal kunci.
Contoh database ramalan penjualan (managerial function) mungkin berisi ringkasan
penjualan bulan lalu menurut produk atau lokasi geografis yang diperoleh dari data
produk dan pesanan pelanggan. Data ini dilengkapi dengan indikator ekonomi eksternal
6

dan pertimbangan tenaga penjualan untuk menghasilkan estimasi penjualan yang


diperlukan untuk perencanaan dan penjadwalan produksi.
Managerial database harus dikembangkan dari sumber internal untuk menjamin
konsistensi data. Misal penjualan akan menelusuri customer order di database lokal
sebelum memasukkannya dalam order entry. Jika order entry digunakan untuk
meramalkan penjualan final, pesanan yang dibatalkan, ditolak karena limit yang tidak
cukup, retur barang atau penjualan yang gagal karena kapasitas produksi yang tidak
mencukupi tidak akan tercakup dalam meramalkan penjualan karena informasi ini
masuk ke dalam bisnis pada titik koneksi lain dengan pelanggan. Organisasi yang baik
harus mempertimbangkan seluruh transaksi yang menentukan jumlah penjualan agar
menghasilkan sistem peramalan penjualan yang akurat.
Dalam mengelola data resource, kita harus memahami hubungan antar data di
berbagai database. Data secara kesatuan dikumpulkan dari data operasional, bukan
dikumpulkan secara terpisah. Beberapa level data berdasarkan lingkup pengaruhnya
yaitu:
Local; yaitu data yang hanya terkait dengan satu pengguna atau kelompok
kecil dari anggota organisasi. Data lokal umumnya tidak memerlukan
pengendalian yang besar dan tidak perlu mengikuti standar organisasi. Data
lokal mungkin hanya memiliki umur dan penggunaan yang terbatas serta
mungkin digandakan di sepanjang organisasi.
Shared; yaitu data yang saling ditukarkan antar kelompok pengguna yang
berbeda dan oleh karena itu harus ada kesepakatan mengenai definisi, format
dan waktu untuk tukar-menukar data. Data ini ada karena terdapat
ketergantungan antara unit atau fungsi organisasi yang berbeda.
Core; yaitu data yang memerlukan definisi luas dan kejelasan sumber data.
Beberapa level data berdasarkan perbedaan antara data dan metadata yaitu:
Physical; data fisik ada pada database dan file sistem lainnya. Isu kritis bagi
data fisik adalah kinerja komputer, kemampuan diakses, kejujuran dan
keamanan.
Logical; data ini disajikan pada pengguna dengan query language dan apikasi.
Menyajikan data pada tingkat logis mendukung kegunaan dan interpretasi
data yang tepat.
Semantic; data semantik adalah metadata yang menggambarkan data
organisasional. Isu kritis pada data semantik terkait dengan konsistensi,
kejelasan dan kemampuan untuk dibagikan.

Application Software Should be Separate From the Database

Satu tujuan dari manajemen data adalah application independence, pemisahan data
dari application system. Pemrosesan data menjadi informasi seperti pemrosesan bahan
baku dan komponen menjadi barang jadi dalam perusahaan manufaktur. Bahan baku
diterima, diperiksa kualitasnya dan disimpan dalam gudang. Data dalam penyimpanan
digunakan untuk menghasilkan informasi terotorisasi (misal laporan). Data diambil dari
gudang saat diperlukan. Ketika data operasional sudah kuno (misal karena terjadi
peningkatan harga), data akan diganti dengan data yang baru. Secara periodik, data
dipindahkan ke data warehouse jangka panjang yang memungkinkan transaksi historis
dipahami terkait karakteristik pelanggan, produk. Data dipindahkan dari sumber
operasional dan historis ke bagian lain dalam organisasi atau organisasi lain ketika
diotorisasi. Setelah data diproses menjadi informasi, informasi akan ditambahkan ke
warehouse.
Application Software Can Be Classified By How They Treat Data
Proses mengubah data menjadi informasi berguna bagi manajemen transaksi atau
pengambilan keputusan di tingkat lebih tinggi, mencakup tahap berikut.
1. Data Capture
Data capture application memperoleh data dan menempatkan dalam database.
Mereka menyimpan dan menjaga data dalam data pyramid. Bagian organisasi
bertanggung jawab memastikan kualitas sistem pengambilan data.
2. Data Transfer
Data transfer and integration application memindahkan data dari satu database ke
database lain atau mengumbulkan data dari beberapa database untuk memenuhi
kebutuhan. Aplikasi ini disebut bridge atau interface karena menghubungkan database
yang berkaitan. Setelah data diambil, mungkin akan disaring, diubah untuk tujuan baru
8

dan disimpan dalam berbagai database. Contoh database pesanan pelanggan disimpan
dalam beberapa database pendukung penjadwalan produksi, penagihan dan layanan
pelanggan. Jika telah diambil data baru atau terjadi perubahan data, pesan dikirimkan
ke seluruh database yang menyimpan data ini untuk memberi tahun telah terjadi
perubahan.
3. Data Analysis and Presentation
Data analysis and presentation application memberikan data dan informasi pada
pihak yang terotorisasi. Data dapat diringkas, dibandingkan dengan histori, disajikan
dalam grafik atau dimasukkan dalam dokumen. Data dapat dimasukkan dalam decision
support system atau executive information system.
Application Software Should Be Considered Disposable
Hasil dari application independence adalah disposable application. Meskipun
kemampuan penyajian application system telah usang, bila aplikasi juga mengelola data
yang penting bagi bisnis, sistem yang sudah tidak efisien mungkin harus dibiarkan ada
namun yang dimanfaatkan adalah kemampuan akses data.
Data Should Be Captured Once
Implikasi lain dari pemisahan data dari aplikasi adalah data harus diambil dari satu
sumber dan disinkronisasi dengan database yang berbeda. Perusahaan akan
mengeluarkan banyak biaya untuk memperoleh data yang sama beberapa kali dan
menyesuaikan perbedaan antar aplikasi. IT architecture berdasarkan application
independence memungkinkan pendekatan pengelolaan data resource yang lebih
responsif, fleksibel dan bermanfaat.
Data architecture harus berisi persediaan penggunaan data di unit bisnis, rencana
untuk mendistribusikan data ke berbagai database untuk mendukung analisis dan
presentasi yang dibutuhkan oleh kelompok pengguna yang berbeda. Data yang sama
mungkin disimpan dalam beberapa database karena merupakan architecture paling
efisien untuk mengirimkan data pada pengguna. Untuk memastikan data terkini, akurat
dan tersinkronisasi di organisasi, data bisnis harus diambil sekali dan dipindahkan
antar database jika diperlukan.
Three Should Be Strict Data Standards
Shared database dan data transfer system mensyaratkan isi database tidak ambigu.
Tanggung jawab utama dalam mengelola data resource adalah mengembangkan cara
yang jelas dan bermanfaat untuk mengidentifikasi tiap data dan memberikan makna
data yang tidak ambigu. Misal organisasi harus mampu membedakan data terkait satu
pelanggan dengan data pelanggan lain. Ada 5 jenis data standards yang harus
ditetapkan bagi bisnis.

Manajer bisnis memiliki pengetahuan yang diperlukan untuk menetapkan standar ini
dan secara aktif berpartisipasi dalam proses penetapan standar. Partisipasi ini sering
terjadi melalui peran data steward yaitu manajer bisnis yang bertanggung jawab atas
kualitas data dalam subyek atau area proses tertentu.
1. Identifier
Identifier adalah karakteristik obyek atau peristiwa yang membedakan satu kondisi
dengan lainnya. Contoh nomor karyawan adalah ciri khusus tiap karyawan dan nomor
surat jalan mengidentifikasi tiap pengiriman. Identifier dikatakan ideal jika menjamin
bersifat unik dan stabil untuk waktu yang lama. Contoh rumah sakit menggunakan
nomor BPJS untuk mengidentifikasi identitas pasien. Nomor identifikasi pelanggan
berdasarkan daerah geografis tidak akan valid jika pelanggan tsb pindah.
2. Naming
Nama yang jelas dan bermakna harus diberikan untuk tiap data dalam database
organisasi. Jika 2 elemen data memiliki nama yang sama, akan membingungkan
pengguna. Jika elemen data yang sama diberi nama yang berbeda dan tidak terkait,
manajer bisnis akan berfikir bahwa data tsb adalah kepingan data yang berbeda. Oleh
karena itu, organisasi merumuskan skema penamaan untuk penamaan seluruh data.
Misal data nama karyawan yang digaji bulanan menunjukkan perusahaan, periode
waktu dan jenis data yang mana. Komponen nama data akan dibatasi pada kata
tertentu. Nama standar menyebabkan data lebih mudah dan cepat diketahui
3. Definition
Tiap elemen dan kesatuan data diberikan deskripsi yang menjelaskan maknanya.
4. Integrity Rules
Range atau kumpulan nilai yang diperbolehkan harus jelas untuk tiap elemen data.
Integrity rules ditambahkan ke makna data yang disampaikan dengan definisi dan nama
data. Satu standar dan terpusat bagi nilai valid dapat digunakan untuk mengembangkan
data capture application untuk mendeteksi

kesalahan. Karena pengecualian

dimungkinkan, aturan integritas mungkin menentukan siapa yang dapat menyetujui


penyimpangan atau dalam kondisi apa nilai di luar kumpulan yang valid dapat disetujui.
5. Usage Rights
Standar ini menetapkan siapa yang dpaat melakukan apa dan kapan untuk tiap tipe
data. Standar keamanan menyatakan penggunaan yang diijinkan untuk tiap tipe data.
Contoh manajer bisnis mungkin dibatasi hanya boleh mengambil elemen data gaji
karyawan bulanan saat jam kerja dari device yang terotorisasi dan hanya data terkait
orang yang disupervisi.
Standar data ini harus disimpan dalam database standar yang disebut metadata
repository atau data dictionary/ directory (DD/D).

10

Master Data Must Conform


Master Data Management (MDM) terkait disiplin, teknologi dan metode untuk
memastikan kekinian, makna dan kualitas data referensi. MDM memastikan tiap orang
mengetahui deskripsi produk, gaji karyawan, alamat penagihan pelanggan namun MDM
tidak membagikan data transaksi seperti pembelian yang dilakukan pelanggan. Ada 3
architecture populer bagi master data management yaitu:

Identity registry approach : master data tetap berada di sistem asal dan
aplikasi mengacu pada catatan untuk menentukan sumber yang telah
disepakati. Catatan membantu tiap sistem menyesuaikan master record
dengan master record yang sesuai di source system lain. Aplikasi mungkin
memiliki akses terhadap beberapa database untuk memanggil/ memperoleh
kembali seluruh data yang diperlukan dan database memungkinkan akses
dari lebih banyak aplikasi.

Integration hub approach : seluruh perubahan data diumumkan melalui


layanan terpusat ke seluruh database terkait. Data yang berlebih akan
disimpan tetapi terdapat mekanisme untuk memastikan konsistensi tetapi
tiap aplikasi tidak perlu mengumpulkan dan mengelola seluruh data yang
diperlukan.

Persistent approach : menerapkan satu catatan terkonsolidasi dan seluruh


aplikasi mengambil satu golden record untuk memperoleh data umum.
Seluruh data yang diambil di tiap aplikasi akan didorong ke persistent record
sehingga mengandung lebih banyak manfaat terbaru dan mengarah ke
persistent record ketika segala sistem memerlukan data umum.

Pada MDM yang baik, tidak terdapat penundaan bagi aplikasi untuk mengetahui fakta
terkait master data. Agar MDM menjadi sukses, organsiasi harus menciptakan proses
tata kelola data yang kuat. MDS bermanfaat untuk konsistensi dan rencana mengurangi
kelebihan data akan mengurangi kesalahan, kesalahpahaman dan upaya yang terbuang
untuk menyesuaikan antar unit bisnis dan stakeholder.
The Data Management Process
Berikut adalah fungsi umum untuk mengelola sumber daya bisnis yang dihubungkan
dengan data management. Tiap manajer bisnis harus terlibat dalam tiap fungsi ini.
1. Plan
Perencanaan data resource mengembangkan bagan bagi data dan hubungan data
antar unit bisnis dan fungsi. Akan ada perencanaan data tingkat makro, disebut
enterprise data model untuk mengidentifikasi data dan hubungan antar entitas dan
rencana rinci untuk mendefinisikan jadwal penerapan database bagi bagian yang
berbeda. Rencana mengidentifikasi data mana yang diperlukan, dimana data akan
digunakan dalam bisnis, bagaimana akan digunakan dan berapa data yang diharapkan.
11

Rencana ini lalu harus dikomunikasikan ke seluruh fungsi bisnis yang terlibat dalam
aspek data resource management. Misal perencanaan kapasitas sistem harus
diinformasikan sehingga teknologi komputer dan jaringan yang memadai dapat
ditempatkan untuk menjalankan dan mengakses database.
2. Source
Harus dibuat keputusan mengenai ketepatan waktu dan kualitas sumber di tiap
elemen data yang diperlukan. Contoh apakah data penjualan dikumpulkan saat barang
diberikan atau saat nanti, akan mempertimbangkan tingkat kesalahan, frekuensi
perubahan, kemungkinan kehilangan dokumen kertas, biaya teknologi, keharusan
pelatihan. Ketika memilih sumber data dari eksternal (misal dari organisasi riset), kita
harus memeriksa sumber, kehandalan, waktu ketika data diperlukan dan kapan
diikumpulkan dan rincian yang dikumpulkan.
3. Acquire and Maintain
Setelah sumber data terbaik diidentifikasi dan dipilih, data capture system harus
dibangun untuk memperoleh dan menjaga data. Perubahan data perlu diumumkan
(melalui teknik dan teknologi manajemen master data) untuk seluruh database yang
menyimpan data. Pengguna data perlu mengetahui kapan data akan diperbarui dan
mungkin secara otomatis menginformasikan kondisi pengecualian (kehabisan
persediaan, harga saham di bawah tingkat kritis atau penerimaan pesanan pelanggan
dengan jumlah besar). Aplikasi yang tepat perlu dibangun untuk menelusuri perolehan
dan pemindahan data. Misal data daftar pelanggan dikirim ke pemasok telemarketing
untuk promosi dan hasilnya akan dikirim melalui internet. Sistem diperlukan untuk
memastikan bahwa seluruh file dikirim dan diterima seluruh pelanggan.
4. Define/ Describe and Inventory
Kita harus mendefinisikan apa yang dikelola. Untuk manajer perumahan, tiap
properti harus digambarkan, menetapkan standar dan ukuran untuk mendefinisikan
ukuran dan bentuk tiap bangunan. Dalam mengelola data, tiap kesatuan data, elemen
data dan hubungan harus didefinisikan, format penyimpanan dan laporan harus
ditetapkan serta menggambarkan organisasi data sehingga pengguna mengetahui
bagaimana mengakses data.
5. Organize and Make Accessible
Database perlu dirancang agar data dapat diperoleh kembali dan dilaporkan secara
efisien serta dalam format yang diminta manajer. Data harus disusun dan disimpan
sehingga informasi dapat dihasilkan dengan mudah. Potensi penggunaan data harus
didefinisikan dan tugas ini lebih baik dilakukan oleh manajer bisnis. Dua aspek
penggunaan data yang diperlukan bagi organisasi yaitu (1) data apa yang diperlukan
dan (2) bagaimana data terpilih. Contoh perancang database perlu mengetahui bahwa
data pelanggan akan terpilih berdasarkan daerah, produk yang dibeli, atau sales yang

12

melayani. Peningkatan kecepatan pemrosesan dapat dicapai ketika data organisasi


ditetapkan dengan baik sesuai dengan kebutuhan pemrosesan.
Satu metode populer untuk membuat data dapat diakses oleh banyak orang di
organisasi untuk pengambilan keputusan dan data intelligence adalah data warehouse.
Contoh pada perusahaan penghasil mebel, sebelum membuat data warehouse,
perusahaan menjalankan beberapa application system dimana masing-masing berisi
data yang sulit diringkas padahal diperlukan oleh unit lain dalam organisasi. Kesulitan
analisa timbul karena buruknya penyusunan data. Data warehouse diciptakan dimana
data tertentu dari sistem yang ada dan data dari sistem yang baru disarikan secara rutin
dan ditempatkan dalam operational store. Di tempat ini data dibersihkan dan disusun
untuk analytical application lalu dipindah ke data warehouse. Dengan data warehouse,
perusahaan mebel mulai menerapkan teknik data mining untuk membantu di area
analisis dan peramalan. sehingga meningkatkan kemampuan peramalan dan
mengurangi waktu analisa.

6. Control Quality and Integrity


Pengendalian kualitas dan integritas harus ditempatkan pada data resource
contohnya sertifikasi karyawan, audit laporan keuangan dan pengujian kerusakan
bangunan. Konsep application independence menunjukkan bahwa pengendalian harus
diletakkan saat definisi data dan ditegakkan selama perolehan dan pemeliharaan data.
Kualitas data akan lebih dipertimbangkan ketika data merupakan aset perusahaan.
Semakin banyak data yang digunakan untuk mendukung operasional organisasi,
semakin jelas data yang diperlukan. Kualitas data berhubungan langsung dengan
kualitas proses yang dilakukan oleh sistem. Misal ketika data dikombinasikan dengan
aplikasi CRM, permasalahan kualitas data dapat menyebabkan hubungan yang salah
dan kita akan kehilangan penjualan. Data yang berkualitas meningkatkan kepercayaan

13

terhadap informasi sehingga proses pengambilan keputusan akan lebih cepat,


mengurangi waktu untuk mencocokkan data, meningkatkan kepuasan pelanggan,
mengurangi biaya dan meningkatkan pendapatan.
7. Protect and Secure
Hak setiap manajer terhadap tiap jenis data harus didefinisikan mencakup definisi,
akses, memasukkan, menghapus dan memperbarui data. Misal manajer bisnis mungkin
diperbolehkan untuk melihat gaji tiap orang di departemennya namun tidak dapat
mencocokkan nama dengan gaji. Keamanan harus dipertimbangkan ketika database dan
application system dibangun.
8. Account for Use
Terdapat biaya besar untuk memperoleh, merawat dan melaporkan data sehingga
biaya ini perlu diidentifikasi dan sistem akuntansi harus dikembangkan untuk
melaporkannya. Ada 2 kondisi yang menyebabkan akuntansi penggunaan data sulit
dilakukan. (1) Unit yang bertanggung jawab untuk memperoleh data bukan merupakan
pengguna data. (2) Pemakaian bersama karena data tidak habis jika digunakan.
9. Recover/ Restore and Upgrade
Ketika database rusak karena terjadi malfungsi/ kerusakan hardware atau software,
prosedur harus dilakukan untuk memperbaiki database. Biasanya backup periodik
database akan dibuat dan electronic log akan menyimpan update atas database
sehingga perbaikan dapat dilakukan dengan cepat. Manajer bisnis harus mengantisipasi
apa yang perlu dilakukan jika database tidak dapat diakses karena perbaikan atau
pembaruan sehingga sementara database tidak dapat berjalan.
Manajer bisnis harus menentukan tindakan atau keputusan salah yang sekiranya
timbul dari data yang buruk dan memperbaikinya. Misal jika file persediaan mengalami
perubahan secara tidak tepat dan penambahan persediaan telah diajukan, manajer
harus segera menganalisa apakah pengerjaan, pembelian atau percepatan pesanan
harus dibatalkan.
10. Determine Retention and Dispose
Manajer bisnis harus memutuskan bagaimana histori data harus disimpan. Beberapa
data harus disimpan dalam database aktif sementara data yang lain akan diarsipkan dan
hanya digunakan saat dibutuhkan. Pada akhirnya, data akan diringkas, dihapus dan atau
dipindah ke data warehouse. Menyimpan data terlalu lama akan memakan biaya untuk
ruang penyimpanan dan penggunaan data yang sudah kuno menyebabkan peramalan
dan analisis menjadi bias. Data warehouse menimbulkan mekanisme baru untuk
menyimpan data untuk membantu organisasi mengambil keputusan. Misal Walmart
telah menyimpan data dalam data warehousenya sejak akhir 1980an sehingga ia
mampu memeriksa dan memprediksi tren pembelian selama 1 dekade. Kebijakan
penyimpanan data harus konsisten dengan strategi organisasi dan penggunaan data.

14

11. Train and Consult for Effective Use


Manajer bisnis yang ingin menggunakan data harus dijelaskan data apa yang
tersimpan dalam database, apa maknanya, presentation system yang melaporkan data
dan bagaimana cara mengakses. Pelatiha mungkin mencakup review isi data dictionary
perusahaan dengan penekanan pada kelompok pengguna tertentu (misal bagian
pemasaran) atau pelatihan mengenai cara menggunakan paket statistik (seperti SAS)
dalam mengakses database untuk mendukung pengambilan keputusan.
Data Management Policies
Kebijakan mengenai kepemilikan dan administrasi data harus dikembangkan melalui
sebuah proses yang disebut data governance yakni proses organisasi untuk
menetapkan strategi, tujuan, kebijakan bagi data organisasi. Data governance bertujuan
menciptakan dan menjaga pandangan entitas mengenai data. Proses ini mencakup
pengawasan terhadap aktivitas manajemen data.
Data governance timbul karena ada data governance council (dewan), dimana
anggotanya berasal dari bagian TI dan area kunci bisnis lain. Dewan bertemu secara
rutin untuk membahas isu penting. Dewan menetapkan standar dimana keputusan
tentang metadata, kepemilikan data dan hak akses serta data infrastructure dan
architecture dapat diambil. Keputusan ini akan dikomunikasikan pada stakeholder
sistem informasi internal.
Dewan juga dapat melakukan audit untuk menilai apakah kebijakan dan proses yang
ia tetapkan telah diikuti dan mereview laporan periodik mengenai kualitas data untuk
menentukan apakah kebijakan baru perlu ditetapkan, kebijakan yang ada harus
dikomunikasikan dengan lebih baik atau pelanggar kebijakan harus ditangani. Dewan
data governance mungkin bertanggung jawab untuk menjamin regulasi kualitas
pelaporan didukung oleh praktik manajemen kualitas data. Data governance council
meninjau apakah pengendalian integritas data telah ditempatkan dalam database dan
tempat penyimpanan meta data sehingga perubahan data dan metadata akan diproses
secara tepat serta kecurangan dan pelanggaran keamanan dapat dicegah.
Berikut 2 are kebijakan penting bagi data governance.
1. Data Ownership
Manajer bisnis dapat bersikap posesif terhadap data karena alasan berikut.
Perlu melindungi privasi pribadi
Perlu melindungi rahasia perdagangan
Tuntutan agar hanya memperbolehkan pihak yang perlu mengetahui, untuk
melihat rencana bisnis atau produk
Pertimbangan untuk menimbulkan persaingan internal dan membenarkan
penggunaan sumber daya yang terbatas

15

Pertimbangan untuk menunjukkan komitmen terhadap pekerjaan dan


kepemilikan data untuk melakukan satu pekerjaan
Pertimbangan untuk menggunakan informasi sebagai kekuatan utuk
memperoleh keuntungan politik
Sikap posesif atas pengelolaan data resource bermanfaat untuk pengendalian biaya
manajemen data dan penggunaan data untuk keunggulan strategis namun sikap tsb juga
dapat membatasi akses data dan mengurangi kemampuan untuk menjawab pertanyaan
bisnis penting.
Corporate information policy merupakan dasar pengelolaan kepemilikan data. Chief
Information Officer (CIO) merumuskan kebijakan ini setelah ada kejelasan bahwa
manajer tidak menyebarkan data penting ke pihak lain dalam organisasi. Kebijakan
dikomunikasikan ke seluruh manajer melalui pengumuman tertulis dan rapat.
Kebijakan menyatakan tiap manajer bertanggung jawab untuk mengelola data sebagai
sumber daya yang menguntungkan keseluruhan organisasi, bukan hanya area tertentu.
Kebijakan juga dapat membedakan kelompok data menjadi data untuk pribadi,
departemen atau organisasi.
Ketika organisasi mulai beroperasi secara global, regulasi, standar dan budaya
internasional terkait kepemilikan data akan mempengaruhi proses manajemen data.
Transborder data flow merupakan pergerakan data elektronik melewati batas negara
untuk memproses, menyimpan atau memperoleh data. Aturan untuk mengendalikan
transborder data flow dibenarkan karena perlunya:
Mencegah perubahan nilai sosial dan perebutan kekuasaan untuk menentukan
pengambilan keputusan lokal yang dilakukan perusahaan multinasional
Melindungi industri domestik, mencakup industri hardware, software dan layanan
komputer.
Melindungi privasi individu, mencakup perlindungan penyimpanan data kesehatan,
pekerjaan dan hubungan politik agar tidak tersimpan di luar negeri
Membantu mengembangkan perdagangan internasional
Contoh mekanisme untuk melindungi transborder data flow mencakup tarif,
perumusan dan penerapan kebijakan oleh kementrian perdagangan dan telekomunikasi
dan ketetapan untuk melakukan aktivitas pemrosesan data dalam negeri.
2. Data Administration
Untuk meningkatkan pengelolaan data, organisasi dapat membentuk suatu unit
untuk memimpin upaya manajemen data. Unit ini disebut data administration, yang
bertanggung jawab pada pimpinan SI. Peran manajer bisnis dalam aktivitas data
administration dan peran unit data administration harus tetapkan dalam kebijakan data
governance. Unit data administration membantu perancangan database agar berjalan
efisien dalam pemrosesan. Kelompok ini bekerja bersama analis, perancang dan

16

pengguna sistem untuk mengidentifikasi database dan teknologi database yang


diperlukan.
Unit data administration harus berisi staf teknis (disebut database administration)
dan staf manajerial (disebut data administration). Unit bertanggung jawab untuk
menentukan atau mengkoordinasi manajemen data mulai tahap perumusan kebijakan
sampai penerapan. Fungsi utama tim data administration yaitu:

Promote and control data sharing.

Tim harus mendorong seluruh unit bisnis untuk mendefinisikan data dan
meningkatkan penggunaan sumber data di berbagai application system yang berbeda.
Tim harus menentukan kepemilikan yang tepat untuk setiap data dan tanggung jawab
pemilik data.

Analyze the impact of changes to application systems when data


definitions change.

Ketika application interdependence tidak diterapkan secara penuh, perkembangan


dan perubahan database mungkin memerlukan perubahan programming. Jadwal sistem
mana yang perlu diubah harus mempertimbangkan seluruh kebutuhan pengguna
database.

Ketika

Maintain metadata
metadata

repository

dan

data

dictionary

mulai

digunakan,

data

administration harus menghapus definisi data yang ada dan menetapkan definisi
dimana sebelumnya tidak ada. Ketika data baru ditambahkan atau terdapat
ketidakjelasan definisi atau ketidakcukupan format, maka data dictionary perlu diubah.

Reduce redundant data and processing

Tim harus mendorong penghapusan salinan data yang tidak perlu dan program yang
memfasilitasinya, sengaja mensinkronisasi salinan data berlebih dan mengelola
distribusi data antar computer system dalam organisasi.

Reduce system maintenance costs and improve systems development


productivity

Data administration bertugas membuat database organisasi yang mudah digunakan,


memilih teknologi database yang mengurangi jumlah pemrograman dan melatih analis
dan programer dengan metode terkini. Upaya ini meningkatkan pengembangan dan
pelaksanaan application system.

Improve quality and security of data

Tim harus membantu manajer bisnis dan dewan data governance untuk menetapkan
standar kualitas data dan keamanan serta bekerja dengan pusat data operasional untuk
menerapkan pedoman ini

Insure data integrity

17

Data administration harus secara aktif mereview database untuk memastikan


integritas data telah terpenuhi. Meningkatnya hacking berbasis internet, meningkatkan
perhatian terhadap data yang rusak sehingga diperlukan review rutin.
Pihak utama yang bertanggung jawab dalam manajemen database komputer adalah
database administrator (DBA). DBA dapat ditempatkan di unit teknis yang
mendukung berbagai software dan hardware sistem. DBA berfokus pada:

Menyetel database management system

Memilih dan mengevaluasi serta melatih penggunaan teknologi database

Merancang database fisik

Merancang metode untuk mengatasi kerusakan pada database

Penempatan database pada komputer dan media penyimpanan tertentu

Interface database dengan telekomunikasi dan teknologi lain.

18

Membuat Virtual Data Warehouse untuk Industri Manufaktur


Jigeesh, Nasina; Kondabolu, Santhi Sree. IUP Journal of Operations Management 10.2
(May 2011): 47-59.

Data warehousing adalah solusi terbaik untuk meringankan database management


systems dari memegang data lama yang terakumulasi dari transaksi bisnis sehari-hari.
Namun, menciptakan dan mengelola data warehouse adalah tugas yang kompleks, dan
di samping itu, data warehouse tools yang tersedia sangat mahal. Untuk membuat solusi
data warehouse hemat biaya, pembuatan virtual data warehouse adalah salah satu
pilihan dalam kasus aplikasi yang memiliki ruang lingkup yang terbatas atau durasi
terbatas. Tulisan ini berkaitan dengan perkembangan seperti data warehouse virtual
untuk manajemen rantai pasokan yang efektif untuk pengembangan perangkat lunak
dan konsultasi perusahaan multinasional yang berurusan dengan industri manufaktur
semikonduktor besar. Desain dan pengembangan data warehouse virtual dijelaskan
secara rinci dengan menggunakan sistem manajemen database yang ada dan database
besar yang ada dari perusahaan. Data warehouse telah dibuat berdasarkan kebutuhan
bisnis yang paling penting, mengidentifikasi data resources eksisting yang relevan yang
dapat diintegrasikan untuk menghasilkan dimensi masing-masing tabel, tabel fakta, dan
akhirnya menyelesaikan model multidimensi untuk mendapatkan jawaban atas
permintaan yang bersangkutan . Makalah ini juga menyajikan beberapa screen shot dari
antarmuka aplikasi.

Pengantar
Ketika data transaksional bisnis biasa terakumulasi, ruang penyimpanan database
operasi secara bertahap akan mendapatkan lelah dan pengolahan columnar data
dengan tabel terkait permintaan bisnis akan memakan waktu yang lama dan kadangkadang mengakibatkan kesalahan. Data warehouse adalah solusi terbaik untuk menjaga
data historis di satu ujung dan mengatur data untuk pengolahan yang tepat untuk
memenuhi kebutuhan informasi bisnis di ujung lain. Data warehousing adalah proses
penggalian data dari sumber data yang berbeda, mengubah dan menggabungkan data,
dan mengakses data yang terintegrasi dengan cara yang efisien dan fleksibel sehingga
menghasilkan jawaban untuk pertanyaan berbeda yang diajukan. Levin (1996)
menunjukkan beberapa contoh tujuan data warehouse, yaitu, mendukung pengambilan

19

keputusan strategis dan rantai nilai bisnis yang terintegrasi, mempercepat waktu
respon untuk permintaan bisnis, dan kualitas data.
Sebuah data warehouse adalah model database yang kuat yang secara signifikan
meningkatkan kemampuan user untuk menganalisa data set yang besar dan
multidimensi secara cepat (Mohanty, 2006). Menurut Mattison (1996), data warehouse
seperti database diselenggarakan sebagai tempat penyimpanan data yang netral;
digunakan oleh data mining dan aplikasi lain; memenuhi satu set khusus kebutuhan
bisnis; dan menggunakan data yang memenuhi standar set kriteria bisnis. Setiap data
warehouse memiliki struktur dan metodologi yang melakukan transformasi yang luas
dari data, dan selama periode waktu data warehouse dapat tumbuh menjadi aset
pendukung keputusan perusahaan yang kuat (Catherine et al., 2000). Meskipun data
warehouse mirip dengan database, hal itu berbeda dari sistem database dalam kasus
pemodelan karena utilitas integrasi yang lebih tinggi. Normalisasi data lebih disukai
dalam sistem manajemen database, sedangkan kurang disukai dalam normalisasi dalam
sistem data warehousing.
Data warehousing molds data menjadi informasi dan bertindak sebagai sistem
pendukung keputusan untuk membantu membuat keputusan yang tepat pada berbagai
tingkat hirarki dalam sistem manajemen suatu organisasi. Ketika organisasi sibuk
beroperasi, transaksi rutin dan penyimpanan data sehari-hari mereka dalam sistem
manajemen database yang besar, permintaan normal, dapat menggunakan Sequential
Query Language (SQL), dapat memecahkan masalah analisis dan pelaporan sampai
batas tertentu saja. Padahal, reorganisasi data ke dalam data warehouse dan query data
warehouse sepanjang dimensi data yang berbeda akan memungkinkan organisasi untuk
membuat analisis mendalam dan keputusan taktis dan strategis. Untuk melakukan hal
ini, semua data transaksional harus dimodelkan dengan cara seperti memiliki data
warehouse yang diperlukan. Metodologi pengembangan data warehouse dalam kasus
yang berbeda telah dilaporkan dalam literatur (Inmon, 1996; Kimball, 1998; Kimball
dan Ross, 2002; Chang et al, 2005;. Dan Mohanty, 2006).
Ketika struktur organisasi yang tinggi dengan database besar, disarankan untuk
membuat jumlah yang tepat dari data mart untuk divisi fungsional independen dan
kemudian mengintegrasikan semua dari mereka untuk mendapatkan total data
warehouse. Menurut Craig (1997), data mart store subset dari informasi tentang
penjualan produk dan topik lain dan dapat mempercepat proses mendapatkan data

20

pendukung keputusan penting kepada pengguna akhir. Tapi proliferasi data mart dapat
menjadi kerumitan untuk staf pergudangan yang harus menjaga semuanya dalam
sinkronisasi. Mencari jalan keluar dari perangkap itu, beberapa perusahaan sedang
membangun data mart virtual dengan berbagi database tetapi disajikan kepada
pengguna sebagai entitas yang terpisah. Barb (1995) menyebutkan sesuai analisanya
bahwa, virtual data warehouse yang menarik karena mereka merupakan cadangan
pengguna dari biaya dan pekerjaan yang menyiapkan data warehouse khusus; Namun,
menurut analis yang sama, virtual data wareouse tidak mungkin untuk menggantikan
dedicated warehouse. Virtual data warehouse paling cocok untuk aplikasi dengan
lingkup terbatas atau durasi. Sebuah virtual data warehouse akan ideal jika rumah sakit
menghasilkan banyak informasi rinci tentang satu pasien. Bagaimanapun, sebuah
dedikasi physical warehouse akan lebih baik untuk pemusnahan informasi tentang
beberapa pasien dari waktu ke waktu (Barb, 1995).
Sementara Lin (2001) melaporkan desain dan pengembangan data warehouse
virtual untuk administrasi universitas, Changet al. (2005) melaporkan pembangunan
sebuah data warehouse di bidang manufaktur semikonduktor. Mereka menamakan data
warehouse mereka sebagai Production WEB yang secara otomatis menyorot masalah
produksi dan menginformasikan orang-orang terkait sesuai dengan mekanisme
manajemen. Mereka membangunnya dalam kecerdasan buatan sehingga pengalaman
aturan dapat menyaring masalah produksi.
Untuk mencapai efisiensi rantai pasokan yang optimal dan memiliki visi yang jelas
untuk memenuhi tuntutan pelanggan untuk produk dan organisasi untuk bahan baku,
dan pada saat yang sama mengelola pasokan bahan baku dari vendor, sistem informasi
organisasi harus mendukung model data yang terintegrasi yang menawarkan integritas
data dengan mencerminkan skenario bisnis yang sebenarnya dan menawarkan
visibilitas di seluruh rantai pasokan. Tapi sementara mencapai integritas data dengan
mengintegrasikan modul sistem informasi yang diperlukan, database akan terus
meningkat dan data menjadi terlalu berat untuk dikelola dan dianalisis. Untuk
menghindari erosi data tersebut dan untuk mendapatkan manfaat dari data yang
dipenjara tersebut, akan lebih baik untuk membuat sebuah data warehouse yang sesuai
untuk menjawab pertanyaan terkait bisnis.
Tulisan ini, yang merupakan versi revisi dari kertas konferensi (Jigeesh dan Santhi,
2008), menyajikan desain dan pengembangan data warehouse virtual tanpa

21

menggunakan alat pihak ketiga. Terdapat oracle database besar dari transaksi yang
terjadi di beberapa organisasi manufaktur semikonduktor besar yang telah digunakan
sebagai sumber data operasional. Beberapa layar interface umum telah dikembangkan
untuk mengakses informasi yang relevan dan terkait dengan layar antarmuka data
warehouse tunggal. Makalah ini menyajikan berbagai tabel database yang diidentifikasi
untuk membuat virtual data warehouse yang diusulkan, model dimensi yang diperlukan
dan agregasi data, dan juga beberapa hasil query diperoleh dari data warehouse
sehingga diciptakan untuk manajemen rantai pasokan organisasi manufaktur
semikonduktor. Hasil query mencakup informasi tentang item, kategori, revisi, dan
persediaan, penjualan, routings attached pada pabrik di lokasi, operation attach pada
routing dan sumber daya yang dibutuhkan, dan juga jumlah pajak yang dibayar.

Metodologi
Virtual data warehouse dikembangkan untuk perusahaan konsultan IT global
menengah yang terletak di India selatan, yang telah memperluas layanan konsultasi di
bidang Enterprise Resource Planning (ERP), Supply Chain Management (SCM),
Customer Relationship Management (CRM ), dll untuk beberapa industri manufaktur,
terutama, perusahaan manufaktur semikonduktor. Oleh karena itu, penelitian ini
difokuskan pada pengembangan data warehouse virtual dari database yang ada dari
perusahaan manufaktur semikonduktor hanya dengan mengidentifikasi tabel database
yang relevan yang berbeda untuk digunakan dan terkait bersama-sama. Tujuan dan
sasaran dari perusahaan bisnis telah benar-benar diperiksa bersama dengan berbagai
analisis

penting

yang

mereka

butuhkan

untuk

membuat,

mengevaluasi,

memperkirakan, dan meramalkan bisnis dalam arah yang berbeda dan isu-isu yang
berbeda dari data transaksional besar yang dibuang secara teratur ke dalam database
selama beberapa tahun. Berikutnya, persyaratan data awal dan bidang studi potensial
telah diidentifikasi dengan menyelesaikan persyaratan informasi. Berdasarkan
kebutuhan informasi tersebut, dimensi yang berbeda dari analisis dan fakta telah
dirumuskan. Setiap fakta berkaitan dengan dimensi tertentu dengan membentuk model
dimensi yang unik untuk mengekstrak informasi yang relevan sebagai pengganti
dengan tujuan bisnis tertentu. Setelah model dimensi telah dirancang, berdasarkan
pada desain, tabel database yang dikembangkan menggunakan versi Oracle 9,2 dari
software DBMS. Kode SQL digunakan untuk mengembangkan kedua dimensi diperlukan

22

fakta tabel dan query. Setiap hasil query telah diperiksa untuk memvalidasi model
dimensi masing-masing. Secara keseluruhan, data diambil dari sumber data
operasional, berubah menjadi dimensi dan fakta-fakta dan kemudian dimuat ke dimensi
meja dan tabel fakta.
SQL Plus dan PL / SQL Developer Oracle 9.2 telah digunakan untuk mengembangkan
dimensi dan fakta tabel dan query. Data warehouse sehingga dirancang telah
diimplementasikan pada antarmuka JAVA, yang terdiri dari beberapa layar interface
query.

Studi kasus
Perusahaan yang diteliti didirikan 10 tahun yang lalu di Amerika Serikat, dan itu
memberikan

konsultasi

dan

sistem

integrasi

solusi

untuk manufaktur

dan

semikonduktor industri besar dan teknologi tinggi. Ini menyediakan solusi Teknologi
Informasi (TI) bagi perusahaan. Ini berfokus pada memberikan kepuasan pelanggan
dengan menawarkan solusi kelas dunia untuk pengembangan usaha, jasa profesional,
pemasaran dan penjualan ke pasar teknologi tinggi yang dinamis dan berkembang.
Produk dan solusi mencerminkan penelitian yang berharga dan fokus pelanggan. Saat
ini, perusahaan telah menjadi perusahaan global dengan kantor di seluruh dunia,
termasuk sebuah kantor di India selatan.
Perusahaan ini menyediakan berbagai produk TI, layanan dan solusi dalam bentuk
ERP, SCM, CRM, dll untuk perusahaan manufaktur untuk meningkatkan produktivitas
mereka dan mengoptimalkan kinerja supply chain dan juga mengikat bersama data
bisnis dan sistem yang berbeda, serta memberikan pelanggan konsolidasi tampilan realtime dari aktivitas bisnis perluasan perusahaan mereka.
Dalam kasus solusi supply chain, perusahaan menangani berbagai proses bisnis di
bidang manufaktur, termasuk perencanaan, pengadaan, penjualan, dll. Untuk memiliki
sistem informasi yang terintegrasi dalam menangani proses bisnis seperti, data yang
diperlukan diambil dari sumber-sumber basis data operasional. Ukuran besar database
membutuhkan banyak waktu pemrosesan, sehingga terlalu kompleks untuk
mengekstrak informasi. Oleh karena itu, lebih baik jika menciptakan sebuah sistem data
warehousing ekonomis untuk mengekstrak informasi tingkat tinggi dari database yang
ada.

23

Desain dan Pengembangan Virtual Data Warehouse


Dalam hal data warehouse, sumber data operasional dapat menjadi satu atau
beberapa skema. Dalam kasus ini, 40 tabel database operasional telah diidentifikasi
untuk membentuk virtual data warehouse yang diusulkan. Gambar 1 menunjukkan
operational data sources yang tersedia pada perusahaan dan tabel yang sesuai dalam
tiga skema.
Perusahaan manufaktur semikonduktor secara umum telah menggunakan sekitar 40
tabel database untuk menyimpan data transaksional mereka. Misalnya, T_FACTORIES
table stores the different factory/organization details,
T_FACTORY_PROPERTIES table stores the different factory properties,
T_FACTORIES_ALTERNATES stores the alternate names for each factory,
T_FACTORY_RESOURCES stores the resource names for each factory,
T_SUPPLIERS table stores different supplier details, etc, dll

24

Mempelajari tujuan dan sasaran dari bisnis perusahaan, 24 persyaratan bisnis umum
yang berbeda diidentifikasi. Misalnya, persyaratan R1 menghitung jumlah item dalam
sebuah pabrik yang terletak di lokasi, R6 menghitung jumlah revisi yang ada untuk item
di pabrik, R9 menghitung jumlah item dari kategori tertentu yang terjual habis dari
pabrik di lokasi , R18 menghitung jumlah item manufaktur yang sedang berlangsung
dari sebuah pabrik yang terletak di lokasi tertentu, R21 daftar inventarisasi item
terakumulasi dalam sebuah pabrik yang terletak di lokasi, R23 daftar tanggal ketika
persediaan diciptakan dari sebuah pabrik di lokasi, dll Tabel 1 memberikan daftar
semua kebutuhan bisnis ini.

Berdasarkan pemodelan dimensi untuk memenuhi kebutuhan informasi yang


ditentukan sesuai dengan tujuan bisnis, 20 dimensional tables diciptakan dengan
bantuan query, dan memiliki kesamaan, tujuh tabel fakta dikembangkan dari tabel
database dan setiap tabel fakta terkait dengan kelompok yang relevan dari tabel

25

dimensi. Sebagai contoh, model dimensi yang dirancang untuk mengukur penjualan
ditunjukkan pada Gambar 2.

Dari desain model dimensi, dimana tabel fakta berhubungan dengan masing-masing
tabel dimensi, baik dimensi dan tabel fakta diciptakan oleh kode SQL. Sebagai contoh,
Tabel 2 memberikan kode SQL yang dikembangkan untuk membuat tabel fakta, yaitu,
SALES_FACT dan PRODUCTION_FACT.

26

Hasil dan Diskusi


Biasanya, query database yang dihasilkan dari satu atau lebih (terbatas) jumlah tabel
dengan less complexity, sedangkan permintaan data warehouse yang relatif kompleks
karena kompleksitas yang terlibat dalam menciptakan kedua tabel dimensi dan tabel
fakta, kemudian mereka berhubungan mereka Model dimensi. Pada penelitian ini,
kedua dimensi dan tabel fakta yang dibentuk dari set attribute yang dipilih, belonging to
the respective existing database tables dan berubah menjadi format yang seragam
sesuai dengan persyaratan dari data warehouse. Semua tabel fakta yang terkait dengan
kelompok masing-masing tabel dimensi, dan seluruh proses menyebabkan terciptanya
virtual data warehouse yang diusulkan pada organisasi manufaktur untuk menganalisis
status kegiatan yang berbeda dari supply chain, selling chain, customer relationship,
sales, etc. Beberapa query interface screens yang dikembangkan di JAVA memudahkan
akses data dari data warehouse thus created.
The data warehouse interface screen terdiri dari delapan tab, masing-masing
menangani satu jenis tindakan seperti customer-wise measures, sales-wise measures,
etc. Gambar 3 menunjukkan the initial interface screen of the virtual data warehouse di
mana customer-interface screen dibuka dari selecting customer tab. In the customer
interface screen, setelah mengetahui nilai-nilai komponen permintaan di masingmasing bidang, hasilnya muncul dalam kotak teks yang diberikan di bagian bawah layar.

Oleh karena itu, berdasarkan persyaratan, pengguna dapat memilih tab masingmasing dan pilihan dari daftar yang ada nilai-nilai atau feed data di bidang masingmasing interface screen sehingga opened dan mendapatkan hasil. Sebagai contoh,

27

Gambar 4 merupakan layar customerinterface yang mengambil hasil tentang jumlah


barang yang dibeli oleh pelanggan dari sebuah pabrik di lokasi, bersama dengan jumlah
kategori dalam produksi dan lintas-referensi dari item tertentu dalam produksi.
Gambar 5 menunjukkan interface screen yang dikembangkan untuk mengambil hasil
inventarisasi akumulasi oleh item yang dipilih / BOM dari sebuah pabrik di lokasi
bersama dengan item yang memiliki lebih persediaan dan tanggal pembuatan
persediaan.
Gambar 6 menunjukkan hasil query dari routings melekat pabrik di lokasi, operasi
melekat pada routing, sumber daya yang dibutuhkan untuk operasi.

28

Desain seluruh maya data warehouse, berdasarkan pemodelan dimensi yang biasa
diikuti oleh semua aplikasi data warehousing, telah divalidasi dengan baik dengan
bantuan dari hasil query yang dihasilkan dari layar interface query. Dengan bantuan
layar antarmuka yang user-friendly, pengguna dapat mengoperasikan sistem dengan
mudah, makan data dan melihat hasil dalam kotak teks. Kode latar belakang
memungkinkan data warehouse virtual untuk bertindak sebagai antarmuka antara
pengguna dan database yang ada dan menangani semua kegiatan penggalian, mengubah
dan memuat data diolah menjadi layar antarmuka dalam menanggapi permintaan yang
diberikan. Seluruh aplikasi dikembangkan dalam bentuk berbagai layar antarmuka
menggunakan JAVA. Layar ini terkait dengan sumber data operasi masing melalui kode
SQL.

Implikasi praktis
Mengingat beban keuangan harus berinvestasi dalam pengadaan software data
warehouse yang mahal, berdasarkan persyaratan informasi, setiap organisasi, yang
memiliki sistem manajemen database penuh, dapat membuat data warehouse sendiri
secara ekonomi dari perangkat lunak DBMS khusus, asalkan ada cukup ruang di
dalamnya untuk mengekstrak data yang relevan dari sumber data yang berbeda terkait
dan proses itu sesuai dengan query yang kompleks. Tujuan bisnis dan persyaratan
informasi strategis sekitar yang query harus dirancang dan dikembangkan menciptakan
ruang lingkup untuk setiap data warehouse. Ruang lingkup, bersama dengan jumlah

29

sumber data dan ukuran data, memberikan gambaran yang jelas tentang kelayakan
menciptakan sebuah virtual data warehouse. Jika berdedikasi DBMS dapat memenuhi
semua persyaratan tersebut, organisasi dapat pergi untuk sebuah virtual data
warehouse, yang akan menjadi solusi yang sangat ekonomis. Ketika lingkup gudang dan
data sumber data dan data mereka terlalu besar harus didukung oleh data warehouse
virtual, organisasi harus memikirkan baik pengadaan fullfledged Off-The-Shelf (OTS)
data warehouse yang dapat disesuaikan nanti berdasarkan persyaratan, atau
menjatuhkan gagasan pergi untuk solusi data warehouse dan hanya tergantung pada
informasi yang dihasilkan oleh query database sederhana dari database. Dalam kasus
ini, kebutuhan informasi yang dipelajari organisasi dipenuhi dengan bantuan sebuah
virtual data warehouse.

Kesimpulan
Meskipun data warehouse adalah alat yang ampuh untuk memungkinkan pengguna dalam
menganalisis data set besar dan multidimensi, mengembangkan dan memelihara data
warehouse seperti dengan bantuan alat yang tersedia di pasar adalah sesuatu hal yang kompleks
dan mahal. Untuk organisasi-organisasi yang mencari solusi ekonomi, virtual data warehouse
adalah pilihan yang lebih baik. Ketika pengguna sepenuhnya menyadari kebutuhan bisnis,
mereka dapat membantu tim teknis dengan menyediakan akses ke sumber data yang ada dan
merinci kebutuhan informasi mereka, sehingga tim teknis dapat mengembangkan virtual data
warehouse dengan memanfaatkan sumber daya yang ada pada basis data. virtual data
warehouse dibuat dengan mengakses, menyortir dan mengintegrasikan data perusahaan dalam
bentuk repositori. Pekerjaan adalah bagian dari sebuah pendekatan menyeluruh untuk
meningkatkan efektivitas manajemen informasi dengan memutar data operasional yang tersebar
di seluruh organisasi menjadi informasi yang berguna dan dengan memberikan informasi ke
pengguna untuk pengambilan keputusan. Virtual data warehouse adalah desain yang berpusat
pada pengguna yang memenuhi kebutuhan semua proses bisnis. Persyaratan data warehouse
dianalisis dengan cermat sebelum merancang. Data warehouse diimplementasikan melalui JAVA
interface yang terdiri dari beberapa layar permintaan terkait dengan sumber data yang ada
melalui kode SQL. Perangkat lunak ini telah dikembangkan sedemikian rupa sehingga perangkat
tambahan di masa depan dengan mudah dapat dibuat. Hal ini dapat dilakukan dengan
memodifikasi desain tabel dimensi, tabel fakta dan permintaan dan akhirnya kode SQL.

30

PERANCANGAN MODEL DATA WAREHOUSE DALAM


MENDUKUNG PERUSAHAAN JASA PENGIRIMAN
(Studi Pada: PT Atlas Transindo Raya)
Tanty Oktavia
Seminar Nasional Informatika 2011 (semnasIF 2011) UPN Veteran Yogyakarta
2 Juli 2011
ISSN: 1979-2328

Dalam proses pengambilan keputusan untuk periode waktu jangka pendek maupun
panjang, para eksekutif membutuhkan berbagai macam kolaborasi data yang tersimpan
dalam database operasional perusahaan. Sinergi ini tentunya akan menyerap space dari
database operasional sendiri. Namun, space dari kapasitas database yang digunakan
dalam menampung data operasional tentunya sudah diprioritaskan dalam men-support
kegiatan operasional yang berjalan. Apabila database operasional juga digunakan untuk
menggenerate kebutuhan analisis data bagi pihak eksekutif, kemungkinan akan
menimbulkan masalah dalam proses penggeneratetan data yang dibutuhkan pihak
eksekutif tersebut karena antara kegiatan operasional dan proses generate laporan
akan menggunakan kapasitas dari sumber yang sama, sehingga hal tersebut dapat
memperlambat operasional transaksi dan menghambat proses analisis dalam
pengambilan keputusan. Selain itu, kebutuhan informasi yang diperlukan bagi pihak
eksekutif pun biasanya melibatkan beberapa sudut pandang (dimensi) yang ingin
dianalisis, akan tetapi jika menggunakan data dari database operasional, maka format
laporan yang dihasilkan tidak dapat dilihat secara multidimensi, seperti yang
diinginkan.
Untuk mengatasi masalah tersebut, maka perusahaan PT Atlas Transindo Raya
sebagai sebuah perusahaan yang bergerak dalam bidang jasa pengiriman barang
melalui udara (domestik) membutuhkan peran serta data warehouse dalam
mengintegrasikan berbagai data yang tersebar pada banyak tabel dalam database
operasional perusahaan.
Dengan demikian, penyajian informasi yang dibutuhkan dalam proses pengambilan
keputusan

akan

menjadi

lebih

cepat

dan

mudah.

Selain

itu,

dengan

31

mengimplementasikan sistem data warehouse dapat memberikan nilai positif bagi


perusahaan, diantaranya:
Dapat dijadikan sebagai keunggulan kompetitif perusahaan

Keunggulan kompetitif diperoleh dengan memungkinkan para pembuat keputusan


untuk dapat mengakses data yang sebelumnya tidak tersedia, tidak diketahui, ataupun
informasi yang tidak tercatat karena kemungkinan informasi tersebut tersebar ke
seluruh distribusi database yang ada, sehingga membutuhkan data warehouse dalam
mengintegrasikan seluruh data tersebut. Selain itu, dengan mengimplementasikan data
warehouse dipercaya tingkat pengembalian investasi yang diperoleh akan tinggi bagi
perusahaan yang sukses mengimplementasikan data warehouse tersebut.
Peningkatan produktifitas para pengambil keputusan perusahaan

Data warehouse mengintegrasikan data dari berbagai sistem yang terpisah menjadi
suatu bentuk yang menyediakan satu pandangan utuh mengenai suatu perusahaan.
Melalui proses pengubahan data menjadi informasi yang lebih berarti, data warehouse
memungkinkan para eksekutif untuk melakukan analisis yang lebih substansial, akurat,
dan konsisten sehingga dapat mendukung proses pengambilan keputusan.
Dalam pembentukan sistem data warehouse pada PT Atlas Transindo Raya,
melibatkan empat komponen utama dari sistem yang saling berhubungan, yang terdiri
dari:

Data source merupakan sumber asal dari database perusahaan yang digunakan
dalam pembentukan data warehouse. Dalam perancangan data warehouse ini
yang menjadi data source adalah data dari database transaksional perusahaan
yang berkaitan dengan proses utama perusahaan, yaitu proses penjualan jasa
pengiriman barang, proses pengiriman barang, dan proses penagihan pada PT
Atlas Transindo Raya.

Data transformation merupakan proses pengubahan data yang awalnya berasal


dari database operasional diubah menjadi bentuk yang sesuai dalam sistem data
warehouse. Proses ini dikenal dengan proses ETL (Extract, Transform, Loading).
Extract adalah proses pengambilan data operasional dan memilih data yang akan
digunakan di dalam data warehouse. Transformasi (transformation) dilakukan
agar data memiliki sifat yang konsisten dan terjamin integritasnya sehingga dapat
menghasilkan informasi yang tepat dan akurat. Loading merupakan proses
penyimpanan data yang telah ditransformasikan ke dalam data warehouse.

32

Tahapan transformasi data dari database operasional ke dalam data warehouse


adalah sebagai berikut.
a) Membaca dan memilih data dari database operasional yang berkaitan dengan
proses penjualan jasa pengiriman, proses pengiriman, dan penagihan.
b) Melakukan penyeragaman data tertentu untuk membuat data menjadi
konsisten dan terintegrasi, dan melakukan penghitungan pada data sesuai
dengan output yang akan dihasilkan oleh data warehouse.
c) Melakukan proses transformasi data sehingga data tersebut siap untuk
dimasukan ke dalam data warehouse. Proses ini dilakukan dengan
menggunakan fasilitas Data Tranformation Services (DTS) yang terdapat pada
DBMS SQL Server.

Data warehouse merupakan suatu media yang digunakan untuk menyimpan data
historis dari perusahaan berdasarkan periode atau jangka waktu tertentu yang
telah melalui tahap penyaringan dan diintegrasikan untuk digunakan sebagai
sumber analisis pada proses pengambilan keputusan yang dilakukan oleh pihak
pimpinan perusahaan.

User merupakan pengguna akhir yang akan mengakses atau menggunakan


aplikasi data warehouse yang telah dirancang. Sistem data warehouse ini akan
mempermudah dan mempercepat end user dalam memperoleh data yang
dibutuhkan dalam bentuk laporan guna mendukung keperluan analisis pada sisi
eksekutif.

Berikut tahapan-tahapan yang dilalui dalam proses pembentukan sistem data


warehouse pada perusahaan PT Atlas Transindo Raya:

Memilih Proses. Berdasarkan hasil analisis yang dilakukan, maka diputuskan


orientasi pembentukan sistem data warehouse dilakukan pada proses penjualan
jasa pengiriman, proses pengiriman barang, serta proses penagihan.

Memilih Grain. Grain merupakan data dari calon fakta yang akan dianalisis.
Dengan melakukan pemilihan grain, maka dapat diputuskan hal-hal apa saja yang
akan direpresentasikan pada record tabel fakta. Grain-grain yang terdapat dalam
perancangan sistem data warehouse perusahaan ini meliputi:
a) Penjualan. Pada proses penjualan jasa, data yang dianalisis meliputi cabang
mana yang paling produktif dalam melakukan penjualan jasa, jenis servis apa

33

saja yang paling sering dipilih oleh pelanggan, jenis barang apa yang sering
dikirim, dan jumlah transaksi penjualan jasa yang terjadi.
b) Pengiriman. Dalam proses pengiriman barang, data yang dianalisis meliputi
kota mana yang paling sering melakukan transaksi pengiriman dan menjadi
tujuan pengiriman, kota mana yang kerap kali dijadikan tempat transit, rute
yang sering digunakan, rata-rata periode waktu yang dibutuhkan untuk
mengirimkan barang sampai kota tujuan, serta faktor-faktor yang sering kali
menjadi alasan pengiriman tidak diterima oleh pihak penerima.
c) Penagihan. Pada proses penagihan, data yang dianalisis, meliputi jumlah
pelanggan yang melakukan kredit, pelanggan mana saja yang telah melewati
batas jatuh tempo, jumlah transaksi penagihan, serta masa jatuh tempo setiap
invoice.

Identifikasi dan penyesuaian dimensi. Pada tahap ini dilakukan penyesuaian

dimensi dengan grain yang ada.

Pemilihan Fakta. Dalam tahap ini dilakukan pemilihan fakta-fakta yang sesuai
dengan kebutuhan. Setiap fakta yang terbentuk, terdiri dari atribut dimensi dan
data measure. Fakta-fakta yang telah diidentifikasikan selanjutnya akan
diformulasi dalam bentuk laporan, diagram, ataupun grafik yang dapat
merepresentasikan data-data dalam bentuk yang mudah dipahami bagi pengguna.
Fakta yang terbentuk dari perancangan data warehouse ini adalah:
a) Penjualan, meliputi WAKTU, KODE_CABANG, KODE_JASA, KODE_PRODUK,
JUMLAH_TRANSAKSI
34

b) Pengiriman,

meliputi

WAKTU,

KODE_RUTE,

KODE_ALASAN,

DURASI,

JUMLAH_TRANSAKSI
c) Penagihan, meliputi WAKTU, KODE_PELANGGAN, KODE_CABANG, STATUS,
JUMLAH_PENAGIHAN, TOTAL_INVOICE, DURASI_PEMBAYARAN

Menyimpan Prekalkulasi pada tabel fakta. Prekalkulasi yang dilakukan pada


perancangan data warehouse ini meliputi:

Melengkapi tabel dimensi. Pada tahapan ini dilakukan penambahan deskripsi


teks pada dimensi. Deskripsi tersebut harus mudah dipahami oleh user. Berikut
deskripsi teks dari tabel dimensi:

Pemilihan Durasi Basis Data. Periode waktu dari data yang digunakan dalam
data warehouse ini adalah:

35

Melacak Perubahan dari Dimensi secara Perlahan. Mengamati perubahan dari


dimensi pada masing-masing tabel dimensi dapat dilakukan melalui tiga cara,
yaitu mengganti secara langsung pada table dimensi, pembentukan record baru
pada setiap perubahan yang terjadi, dan perubahan data yang membentuk kolom
baru yang berbeda. Dalam perancangan ini digunakan cara yang kedua, yaitu jika
terdapat perubahan atribut pada tabel, maka akan menyebabkan pembentukan
suatu record baru. Contohnya, seperti terdapat perubahan alamat pelanggan,
maka akan mengakibatkan penambahan record baru pada tabel dimensi dengan
tetap menyimpan record yang lama. Hal ini dilakukan untuk menjaga data yang
lama agar tetap tersimpan, sehingga dapat diketahui perubahannya yang terjadi
dari awal sampai akhir.

Memutuskan Prioritas dan Mode dari Query. Dalam tahap ini dibahas
mengenai proses ETL (extract, transform, and loading), backup yang dilakukan
secara berkala, dan analisis kapasitas media penyimpanan data.
a) Proses ETL (Extract, Transform, and Loading)

b) Proses backup

c) Analisis kapasitas media penyimpanan. Dalam proses pengolahan data,


kapasitas media penyimpanan menjadi salah satu faktor yang perlu dijadikan
bahan pertimbangan. Transaksi yang terjadi setiap hari pada data
transaksional/operasional

perusahaan

(OLTP)

akan

menyebabkan

pertumbuhan data pada database operasional perusahaan, yang nantinya juga


akan berpengaruh terhadap pertumbuhan data pada data warehouse. Oleh
karena itu, perlu dilakukan analisis pertumbuhan data untuk membantu dalam
memperkirakan besarnya media penyimpanan data yang dibutuhkan untuk
beberapa periode tahun ke depan. Hal ini dilakukan dengan melakukan
perhitungan terhadap jumlah record yang dihasilkan permasing-masing tabel
yang ada selama periode tertentu, kemudian diakumulasi dengan penggunaan

36

ukuran space berdasarkan jenis tipe data yang digunakan pada masing-masing
atribut yang terdapat pada tabel yang terbentuk dalam database. Sehingga
dapat menjadi bahan pertimbangan dalam proses pengimplentasian sistem
yang dilakukan nantinya.

Pada perancangan sistem data warehouse perusahaan ini menggunakan skema


bintang, dimana tabel fakta ditempatkan di tengah, dikelilingi oleh tabel-tabel dimensi.
Penggunaan skema bintang ini dipilih karena bentuk skema ini mudah dipahami dan
digunakan, sehingga memudahkan dalam melakukan proses pembentukan query.
Skema bintang yang dihasilkan pada penelitian ini terdiri dari tiga skema, yaitu skema
penjualan, skema pengiriman, dan skema penagihan.

Berdasarkan hasil pengumpulan data, analisis, dan perancangan sistem yang


dilakukan pada PT Atlas Transindo Raya, maka dapat ditarik beberapa simpulan sebagai
berikut:

37

Melalui aplikasi data warehouse yang dibentuk, pihak ekskutif dapat melakukan
kegiatan analisis terhadap laporan yang dihasilkan berdasarkan berbagai dimensi
yang ada.

Selain berfungsi sebagai alat penunjang pelaporan, aplikasi data warehouse yang
dihasilkan juga dapat digunakan sebagai alat untuk menganalisis tren atau
kecenderungan

yang

saat

ini

berlangsung.

Hal

ini

dilakukan

dengan

mengimplementasikan penggunaan dashboard.

Sistem yang dikembangkan dapat menyajikan laporan dalam bentuk yang sangat
interaktif, yaitu dengan menyediakan tampilan grafik maupun tabel sesuai dengan
kebutuhan pihak eksekutif sehingga mempermudah dalam pemahaman terhadap
informasi yang dihasilkan.

38