Jurnal Teknologi Informasi-Aiti, Vol. 6. No.

2, Agustus 2008: 105-205

Perancangan dan Pembangunan Data Warehouse

pada PLN Salatiga Menggunakan Skema Snowflake
Priyo Ari Handoyo
Sri Yulianto J. Prasetyo, Johan Tambotoh,SE

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
Email : slowly_boy20@yahoo.com

Abstract
We can explain the Data Warehouse as the Data Integration that
is used in processing with historical data for analizing data purposes.
Data Warehousing is a technology that assembles from the compilation
of the new concept and system tolls, which is using as the facilitator of
making the organisation decision. The Data Warehouse in PLN using
Snowflake scheme that modeling Data Warehouse by making the real
data into the table with the smaller dimension and having the details at-
tribute.
Keyword : Data Warehouse, Data Warehousing, Snowflake Scheme.

1. Pendahuluan

Perkembangan teknologi informasi berlangsung dengan cepat. Perkembangan

dalam dunia bisnis berlangsung dengan sangat ketat, sehingga untuk meningkatkan
mutu dan pelayanan organisasi bisnis tersebut diperlukan perbaikan sistem informasi
dan sistem komputer untuk menunjang kegiatan bisnis setiap organisasi bisnis.
Sebagian besar organisasi bisnis mempunyai data yang tersimpan yang besar dan
dalam waktu berkala. Namun banyak dari organisasi bisnis yang belum
mengoptimalkan data warehouse tersebut.
Perusahaan Listrik Negara (PLN) merupakan suatu aset berharga di bidang
bisnis yang cukup berkembang dengan baik. Bidang bisnis yang digeluti oleh PLN
adalah transaksi tagihan penggunaan listrik setiap bulan bagi pelanggannya. Karena
begitu banyak jumlah pelanggan PLN di Salatiga, maka pengelolaannya cenderung
masih terpisah. Oleh karena itu, sepertinya usulan mengenai penggunaan data ware-
house sangat cocok untuk studi kasus pada PLN di Salatiga. Pentingnya penggunaan
data warehouse yaitu untuk mengintegrasikan semua data yang ada di tiap-tiap
kecamatan sehingga diperoleh data yang agregat, dan akhirnya dapat menunjang
kemudahan bagi top manager PLN untuk menganalisis pada data warehouse yang
ada. Diantaranya adalah untuk menganalisa sumber pendapatan, perhitungan laba –
rugi, dan inventaris keuangan pada PLN setempat.
Pada penelitian ini, penulis mencoba mengambil sampel PLN yang ada di
wilayah Salatiga. Salatiga terdiri dari beberapa kecamatan, dan tiap-tiap kecamatan
memiliki tempat pembayaran tagihan listrik yang berperan dalam pengumpulan tagihan
pada tiap-tiap lokasi.

58
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

Dengan pertimbangan inilah muncul keinginan untuk membangun data ware-

house untuk menampung data dari tiap-tiap kecamatan yang ada di Salatiga dan
sekitarnya, yang dapat membantu PLN Salatiga menganalisa data secara otomatis
transaksi yang terjadi, sehingga analisa data yang dulunya manual bisa menjadi lebih
mudah dan cepat. Beberapa hasil analisa yang dapat dipakai untuk kepentingan
PLN Salatiga adalah seberapa besar pendapatan dari beberapa dimensi, yang nantinya
akan mempengaruhi dalam pengambilan kebijakan. Kebijakan tersebut terkait dengan
analisa daya listrik, kemampuan bayar, dan penyalahgunaan produk dari PLN
Salatiga.

2. Kajian Pustaka

2.1 Data Warehouse

Data warehouse (DW) merupakan teknologi yang terbangun atas himpunan
konsep baru dan perangkat yang digunakan untuk mendukung aktivitas pekerja
pengetahuan seperti manager, eksekutif dan analis sistem. Materi produk teknologi
ini digunakan untuk perangkat pengambilan keputusan organisasi. Pendekatan
mendasar pembangunan DW adalah tersedianya informasi yang berkualitas untuk
organisasi dari sumber data internal dan eksternal yang berada dalam bentuk
bervariasi mulai dari data dalam bentuk struktur tradisional sampai dengan data
dalam bentuk yang tidak terstruktural seperti tipe data tekstual atau multimedia.
Kebutuhan pemanfaatan DW di sejumlah organisasi didasarkan pada dua
pertimbangan, pertama kebutuhan operasional, yang mendukung fungsional kegiatan
transaksi bisnis setiap hari, optimasi dengan respon yang cepat pada proses transaksi
dan representasi bersifat waktu nyata pada identifikasi status bisnis. Kedua kebutuhan
informasi, digunakan untuk pengelolaan dan pengendalian bisnis dalam bentuk analisis
data untuk pengambilan keputusan status organisasi dimasa sekarang dan masa
mendatang [2]. Data dalam DW bersifat heterogen karena memiliki variabilitas tipe
data yang luas. Data dapat bersumber dari basisdata lain, file lain bahkan sumber
data eksternal seperti data demografi, statistika dan data dari WWW. Sebelum
dilakukan proses integrasi, berbagai tipe data harus dilakukan rekonsiliasi atau
homogenisasi menjadi tipe data yang seragam .
Pada dasarnya sistem DW tersusun atas DW dan keseluruhan komponen
pembangun, akses dan untuk pemeliharaan. Dalam sistem ini terdapat komponen
untuk proses import dan preparasi data yang responsif terhadap akuisisi data, juga
terdapat aplikasi yang digunakan untuk ekstraksi sumber data operasional ke dalam
DW.
Data warehouse dapat didefinisikan sebagai integrasi data yang sedang
digunakan dalam proses dengan data historis untuk tujuan analisis data. Definisi lain
adalah himpunan berorientasi subyek, terintegrasi, non volatile dan data varian
yang digunakan untuk pengambilan keputusan. Berorientasi subyek berarti bahwa
pengembangan DW bertujuan untuk mekanisme analisis pada tingkat manager untuk
proses pengambilan keputusan. Integrasi berarti melakukan penggabungan data dari
sumber berbeda, seperti data internal dan data eksternal dan untuk pemecahan
permasalahan pada perbedaan format data. Non volatile berarti durasi data,

59
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

pengelolaan data dapat dilakukan dengan periode yang panjang. Variasi waktu,
berarti indikasi kemungkinan terjadinya perbedaan nilai dari objek yang sama dapat
berubah oleh waktu [8].

2.1.1 Arsitektur Data Warehouse

Data Warehouse adalah suatu sistem dengan arsitektur yang bersifat terbuka,
jadi untuk membangun suatu arsitektur Data Warehouse sangat tergantung pada
kebutuhan sistem (system requirements). Gambar 2.1 menunjukkan salah satu
contoh dari arsitektur Data Warehouse. Arsitektur tersebut menunjukkan perbedaan
penggunaan Data Warehouse dibandingkan dengan basisdata operasional. Data
dalam Data Warehouse digunakan untuk keperluan spesifik, umumnya berupa
aplikasi analisis dalam sebuah organisasi bisnis .
Sedangkan basisdata operasional umumnya digunakan untuk aplikasi-aplikasi
transaksional yang mampu melakukan read/write terhadap basis data tersebut.

Gambar 2.1 Arsitektur Data Warehouse

Arsitektur di atas dibangun berdasar kebutuhan tertentu, hal ini dapat kita
lihat dari beberapa hal berikut :
1. Data input bagi Data Warehouse tidak lagi hanya berasal dari sistem internal
(sumber operasional pada umumnya), melainkan dirancang untuk dapat
mengakomodasi sumber eksternal (data dari luar sistem operasional)
misalnya: data dari bursa efek, data dari internet (dengan teknologi web
farming), ataupun data dari sistem mobile (misalnya phone cell).
2. Informasi yang tersimpan dalam Data Warehouse dapat dispesialisasikan
lagi menjadi beberapa Data Warehouse yang lebih khusus (Data Mart)
sehingga dalam arsitektur terdapat proses tambahan untuk mempopulasikan
data dari Data Warehouse ke dalam beberapa Data Mart.
3. Aplikasi yang berada pada layer pengguna berkembang menjadi beberapa
model misalnya: berbasis web, berbasiskan desktop, ataupun berbasiskan
sistem mobile [1].

2.2 Star Schema (Skema Bintang)

Star Schema (skema bintang) merupakan salah satu skema dalam

60
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

perancangan data warehouse dan merupakan bagan dari DW yang paling sederhana.
Star Schema adalah suatu cara untuk menerapkan multi dimensional database,
yang terdiri dari beberapa tabel, yaitu Fact table (tabel utama) dan beberapa di-
mension table dengan tingkatan tunggal. Fact table adalah tabel data yang utama
sedangkan dimension table pada umumnya lebih kecil dan menguraikan masing-
masing nilai dimensi yang dapat dihubungkan ke fact table bila dibutuhkan. Dimen-
sion table memiliki primary key yang sederhana sedangkan fact table memilki
suatu primary key campuran dari kumpulan relevansi dimension table [10].

Gambar 2.2 StarSchema

2.3 Snowflake Schema (Skema Snowflake)

Snowflake Schema merupakan satu istilah yang menguraikan dari struktur
star skema (skema bintang), dan membuat setiap dimension table pada star skema
menjadi lebih komplek dan detail. Pada snowflake skema, memilki satu fact table
dan beberapa dimension table serta memilki sub dimension table yang merupakan
penjabaran dari dimension table [10].

61
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

Gambar 2.3 Snowflake Schema

Dalam mendesain data warehouse perlu diperhatikan skema yang akan
digunakan, dan berdasar perbedaan diatas maka penulis mencoba membangun dengan
skema snowflake karena snowflake skema lebih kompleks daripada star skema
walaupun sedikit lebih rumit. Skema snowflake mempunyai hirarki dimension table
jamak sehingga informasi yang didapat dari setiap dimension table bisa lebih detail
sesuai dengan kebutuhan.

2.4 OnLine Analytical Processing (OLAP)

OLAP adalah sistem yang disediakan untuk analis dan manager pada aplikasi
yang bersifat enterprise dengan berbagai tipe data multidimensional yang
terorganisir. OLAP menyediakan kemampuan akses data secara cepat, konsisten,
akses interaktif terhadap seluruh kemungkinan informasi yang bisa diperoleh dari
mekanisme ekstraksi, sehingga analisa sistem dapat dibangun dari proses ekstraksi
pengetahuan tersebut. OLAP dapat digunakan untuk meringkas, konsolidasi,
menampilkan, menerapkan suatu formulasi tertentu dan sintesis data dari berbagai
dimensi.
Pendekatan tradisional yang digunakan untuk membangun sistem ini adalah
Relasional Online Analytical Processing (ROLAP). Basisdata relasional sistem
query data digunakan pada sistem ini, namun demikian karena membutuhkan query
untuk analisis yang sangat komplek dan persamaan dalam SQL menjadi tidak efisien
dalam eksekusi maka digunakan teknik multidimensional. Basisdata multidimen-
sional inilah yang digunakan untuk aplikasi pendukung keputusan. Data disimpan
dalam bentuk array multidimensional yang mana secara alamiah dapat digunakan
untuk analisis [3].
Konsep dasar OLAP bersumber dari kebutuhan untuk efisiensi. Rangkuman
atau agregasi data, penjumlahan, rerata, nilai maksimum dan minimum dikalkulasi
dan disimpan dalam data cube yang bersifat multidimensional [7]. Setiap dimensi
mengandung satu atau beberapa aktribut yang menjadi kategori dan struktur data
secara hirarkikal secara umum berada dalam dimensi tersebut.

Gambar 2.4 Arsitektural OLAP Dalam Data Warehouse

62
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

2.5 Data Cube

Basisdata OLAP dibutuhkan untuk meringkas data pada berbagai tingkatan
dan berbagai rekombinasi atribut. Data cube dalam OLAP merupakan basisdata
multidimensional yang dibangun dari subset berbagai atribut dalam basisdata.
Dengan demikian atribut digunakan untuk menentukan atribut lainnya. Beberapa
atribut diseleksi dan dipilih dan ditetapkan sebagai atribut dimensi atau fungsional
[5]. Penentuan atribut didasarkan agregasi dimensi dalam data cube tersebut. Sebagai
contoh adalah atribut dalam bentuk multidimensional dalam data cube PLN kawasan
Salatiga (a) dan klasifikasi hierarkikal dimensi waktu dan tempat dari data cube (b)
Operator data cube berfungsi untuk mendukung berbagai agregat. Data cube
menggunakan agregat untuk menghitung semua kemungkinan kombinasi yang dapat
dicapai dari keseluruhan dimensi yang ada. Operasional ini digunakan untuk
menjawab query OLAP yang menggunakan agregasi dalam berbagai kombinasi
atribut. Data dapat diorganisir ke dalam data cube oleh kalkulasi semua kemungkinan
kombinasi menggunakan group-by. Jadi, jika suatu himpunan data dengan atribut k
maka besarnya kalkulasi kombinasi yang mungkin pada agregat adalah 2k group-
by.
Operator data cube dapat digeneralisasi pada histogram, cross tabulation,
roll-up, drill down dan subtotal yang dibutuhkan dalam analisis financial [4]. Hal
ini dapat ditempuh dengan cara :
1. Pivoting, rotasi pada cube untuk merubah orientasi dimensional pada
laporan, misalkan pada cube 2D terdapat baris dan kolom.
2. Slicing – dicing, melakukan proses seleksi subset pada cube. Memberikan
nilai yang tepat pada atribut dalam dimensi, melakukan visualisasi dalam
bentuk 3D-cube.
3. Roll-up, beberapa dimensi memiliki hirarkikal yang ditentukan sebelumnya.
Agregasi dapat menentukan tingkatan hirarkikal data. Sebagai contoh adalah
penentuan hierarkikal waktu hari ‡minggu‡bulan ‡tahun .
4. Drill-down, Operasional kebalikannya, dari hirarkikal rendah menuju
hirarkikal lebih tinggi secara detail.
5. Analisis trend melalui urutan periode waktu tertentu.

Gambar 2.5 Data Cube Tagihan Pembayaran PLN Salatiga Pada Dimensi
Tempat, Waktu dan Produk

63
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

3. Metode Penelitian

Yang dimaksud dengan penelitian adalah suatu proses dalam menemukan

sesuatu, baik itu berupa analisa atau berupa hasil yang nampak yang dilakukan secara
sistematis dan membutuhkan waktu yang relatif lama. Perwujudan dari proses
tersebut adalah dengan melakukan observasi, analisis, serta pengumpulan data.
Akhirnya tugas akhir ini menghasilkan aplikasi data warehouse yang digunakan
untuk menganalisa data yang ada pada suatu organisasi bisnis, dalam hal ini adalah
PLN Salatiga.

3.1 Permodelan Prototyping

Model prototipe (Prototype model), merupakan suatu teknik untuk
mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi pengguna
secara cepat. Pengguna seringkali menjelaskan sekumpulan sasaran umum perangkat
lunak, namun tidak mengidenifikasikan kebutuhan input, proses dan output.
Pengembang tidak yakin akan efisiensi dari suatu sistem operasi, atau bentuk yang
akan diambil dalam interaksi manusia-mesin. Dalam situasi seperti ini, model
protoyping bisa memberikan pendekatan terbaik [9].

Gambar 3.1 Model Prototyping

3.1.1 Requirments gathering

Model prototyping dimulai dengan komunikasi pengembang dan pengguna
untuk mendefinisikan kebutuhan-kebutuhan menyeluruh dari perangkat lunak yang
akan dibangun.
3.1.2 Quick Design
Iterasi prototyping direncanakan secara cepat, demikian juga rancangan
model segera dibuat. Perancangan yang cepat berfokus pada penggambaran aspek-
aspek perangkat lunak yang akan dilihat oleh pengguna.
3.1.3 Build Prototype
Build prototype dilakukan pembuatan rancangan tampilan antar muka dan
kebutuhan sistem. Rancangan yang cepat ini akan membawa kearah pembuatan
program (kontsruksi) dari prototype.
3.1.4 Evaluated and Refinements
Prototipe diserahkan dan dievaluasi oleh pengguna. Umpan balik dari

64
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

pengguna digunakan untuk memperbaiki kriteria kebutuhan dari perangkat lunak.

Hal ini dilakukan berulang-ulang sehingga kebutuhan perangkat lunak yang diinginkan
pengguna sesuai dengan permintaan dan kebutuhan.
3.1.5 Engineer Product
Merupakan hasil dari rancangan antar muka dan aplikasi yang telah
disetujui oleh kedua pihak yaitu pihak pengembang dan pihak pengguna aplikasi.

3.2 Analisis Kebutuhan dan Desain Sistem

Untuk membuat aplikasi data warehouse pendapatan PLN Salatiga ada
beberapa spesifikasi yang harus dipenuhi dalan sistem ini, baik dari segi teknis maupun
pengguna. Dalam hal ini manager, karyawan IT, dan admin sistem. Dari segi
teknis, hendaknya perangkat keras komputer memenuhi kriteria minimum sebagai
berikut :
Prosesor : Intel pentium IV 2,8 Ghz
RAM memory : 512 MB
Hardisk : 20 GB
Monitor : 15 inchi
Software : Windows XP Profesional Service Pack 2, SQL Server 2000
dan Xampp. Sistem ini berbasiskan aplikasi web yang dibangun menggunakan bahasa
pemprograman PHP dengan SQL Server 2000 sebagai DBMS. Dalam sitem ini,
diberikan hak akses pengguna berdasarkan kepentingan masing-masing. Diantaranya
terdiri dari Admin dan User serta Admin sistem yang bertugas untuk melakukan
maintenance data warehouse. Kebutuhan Brainware dari masing-masing pengguna
sistem adalah :
a. Admin Warehouse
Memiliki pengetahuan dan kemampuan managemen basisdata SQL Server 2000
dan menguasai bahasa pempograman PHP serta terbiasa dengan sistem operasi
Windows XP. Selain itu juga memiliki kemampuan tentang data warehouse.
b. Admin Sistem
Memiliki pengetahuan tentang SQL Server 2000 dan data warehouse serta
mampu menggunakan Windows XP.
c. User
Mampu menganalisis data transaksi yang akan ditampilkan dalam sistem ini dan
juga mampu membaca laporan pembayaran dari pelanggan serta terbiasa
menggunakan sistem operasi Windows XP.

3.3 Desain Sistem

Diagram use case merupakan gambaran secara keseluruhan dari cara kerja
sistem yang ingin dikembangkan. Didalam use case diagram terdapat beberapa
komponen UML yaitu : aktor, use case dan alur kegiatan yang menghubungkan
aktor serta use case yang ada. Aktor didalam use case diagram berarti segala
komunitas baik secara individu maupun kelompok yang terlibat dalam sistem tersebut.
Aktor diwakili dengan simbol orang. Use case merupakan proses yang dilakukan
aktor dengan aktor lainnya, maupun proses yang dilakukan secara individual. Use

65
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

case digambarkan dengan simbol eliptical, sedangkan alur kegiatan dilambangkan

dengan tanda panah dari aktor ke arah sesuai dengan use case yang dilakukannya
[9].

Gambar 3.2 Use Case Diagram Aplikasi Data Warehouse

3.3 Rancangan Aplikasi

Untuk memudahkan user menggunakan aplikasi, maka akan dibuat suatu
rancangan sistem dan perancangan dapat dilihat pada Gambar 3.2.

Gambar 3.2 Rancangan Antar Muka Aplikasi Data Warehouse

Dalam perancangan ini header berisi tentang informasi dari aplikasi data
warehouse dan tanggal pada saat aplikasi dijalankan. Blok kiri Terdapat beberapa
modul di mana ruang kiri didominasi oleh modul menu navigasi. Tengah merupakan
isi tampilan dari menu navigasi yang ada. Footer Terdapat informasi tentang browser,
resolusi layar monitor.

66
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

4. Hasil dan Pembahasan

Implementasi data warehouse menggunakan skema snowflake menghasilkan

sebuah sistem yang komplek dan detail. Data warehouse pendapatan PLN didesain
menjadi lima tabel dimensi, empat sub tabel dimensi dan satu fact table yang
menghubungkan tabel-tabel dimensi yang ada. Dari semua tabel dimensi yang
sudah ada akan dihubungkan oleh satu buah fact table yaitu table transaksi. Dalam
tabel transaksi berisi data transaksi pembayaran pelanggan. Dalam melakukan
pembuatan dan perancangan data warehouse ini, penulis menggunakan skema snow-
flake. Yaitu membangun satu buah tabel utama yang memiliki tabel dimensi dan juga
memilki tabel sub dimensi sehingga akan diperoleh informasi yang detail dan jelas
sesuai dengan kebutuhan, seperti terlihat pada Gambar 4.1.

Gambar 4.1 Desain Snowflake Schema

Pada menu laporan dikategorikan berdasar tabel dimensi yang ada pada
data warehouse. Tabel dimensi tersebut diantaranya dimensi lokasi, produk, waktu,
tipe pelanggan. Seorang admin bisa memilih dimensi sesuai dengan kebutuhan laporan
data disajikan dalam bentuk text, diagram batang dan diagram pie. Dengan adanya
penyajian dalam ketiga bentuk tersebut maka akan mempermudah admin dalam
proses analisa data untuk mengambil keputusan.
a) Lokasi
Pada halaman laporan dengan dimensi lokasi seorang admin bisa melihat
total pendapatan dari lokasi pelanggan PLN Salatiga. Untuk kepentingan intern
perusahaan maka pada aplikasi ini lokasi yang ada hanyalah dua kecamatan
yaitu kecamatan Sidorejo dan kecamatan Sidomukti. Pada menu ini admin bisa
melihat tampilan multi dimensi dari setiap lokasi. Gambaran umum dari laporan
secara detail dari dimensi lokasi adalah sebagai berikut

67
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

Gambar 4.2 Diagram Multi Dimensi Lokasi

(a)

(b)

Gambar 4.3 Laporan Total Pendapatan Dimensi Lokasi

(a) Diagram Batang (b) Diagram pie

Dengan adanya laporan yang disajikan dalam bentuk diagram batang dan
detail maka akan membantu pihak managemen PLN Salatiga dalam analisa data
untuk menentukan kebijakan dari setiap kecamatan. Dari Gambar tersebut bisa
dilihat bahwa pendapatan dari kecamatan Sidorejo lebih besar dari kecamatan
Sidomukti. Hal ini dapat mempermudah pihak managemen PLN Salatiga untuk
menentukan bila suatu ketika harus melakukan pemadaman listrik secara bergantian,
dengan pertimbangan bukan sekedar mendapat keuntungan yang besar.

b) Produk
Pada halaman laporan dengan dimensi produk seorang admin bisa melihat
total pendapatan dari produk yang dipakai pelanggan PLN Salatiga. Pada menu
ini admin bisa melihat tampilan multi dimensi dari setiap produk. Secara garis
besar, alur multidimensi pada dimensi produk terlihat pada Gambar 4.4

Gambar 4.4 Diagram Multidimensi Produk

68
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

Dari laporan pendapatan dimensi produk dapat dilihat bahwa produk dengan
kategori Standard paling tinggi jumlahnya. Dengan adanya laporan seperti ini akan
membantu pihak managemenuntuk memberikan kebijakan tarif untuk setiap produk.
Sehingga PLN Salatiga tidak rugi dan pelanggan juga tidak merasa terlalu terbeban
menggunakan layanan dan kebijakan dari PLN Salatiga. Selain itu pihak PLN Salatiga
juga bisa melihat dan mengetahui rata-rata pembayaran dari setiap produk sehingga
kalau terjadi penyalahgunaan produk PLN Salatiga, maka akan segera diketahui
dengan cepat.

(a) (b)
Gambar 4.5 Laporan Total Pendapatan Dimensi Produk
(a) Diagram Batang (b) Diagram Pie

c) Waktu
Pada halaman laporan dengan dimensi waktu seorang admin bisa melihat
total pendapatan dari waktu ke waktu, dimulai dari tahun sampai yang lebih
detail yaitu bulan yang bersangkutan. Pada menu ini admin bisa melihat tampilan
multi dimensi dari setiap tahun. Gambaran umumnya terlihat pada Gambar
4.6

Gambar 4.6 Diagram Multidimensi Waktu

Dari menu laporan ini admin bisa melihat total pendapatan dari setiap tahun
dalam bentuk text, diagram batang dan diagram pie. Pada Gambar 4.7(a)
terlihat diagram batang total pendapatan dari dimensi waktu.

69
Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 2, Agustus 2008: 105-205

(a) (b)
Gambar 4.7 Laporan Total Pendapatan Dimensi Waktu
(a) Diagram Batang (b) Diagram Pie
d) Tipe Pelanggan
Pada halaman laporan dengan dimensi tipe pelanggan seorang admin bisa
melihat total pendapatan dari tipe pelanggan yang ada. Pada menu ini admin
bisa melihat tampilan multi dimensi dari setiap tipe pelanggan. Terlihat pada
Gambar 4.8

Gambar 4.8 Diagram Multidimensi Tipe Pelanggan

Dari menu laporan ini admin bisa melihat total pendapatan dari tipe pelanggan
yang berbeda dalam bentuk text, diagram batang dan diagram pie. Pada Gambar
4.9(a) terlihat diagram batang total pendapatan dari dimensi tipe pelanggan.

(a) (b)
Gambar 4.9 Laporan Total Pendapatan Dimensi Tipe Pelanggan
(a) Diagram Batang (b) Diagram Pie

5. Simpulan

Dari hasil perancangan aplikasi data warehouse dengan skema snowflake,

penulis dapat menarik kesimpulan, Data warehouse yang dirancang dengan skema

70
 Perancangan dan Pembangunan Data Warehouse (Handoyo, dkk)

snowflake akan lebih komplek dari data warehouse yang dirancang dengan skema
star. Dengan adanya sistem data warehouse maka data yang sebelumnya kurang
bermanfaat akan menjadi lebih bermanfaat. Dalam data warehouse ini data disajikan
dalam bentuk diagram batang dan diagram pie sehingga akan mempermudah
pengguna untuk keperluan analisis data. Dengan tersedianya data dalam bentuk
data warehouse diharapkan proses analisis data dapat seakurat mungkin dan
permasalahan-permasalahan yang timbul dapat ditangani secepat mungkin. Sistem
ini berbeda dengan sistem informasi pada umumnya, perbedaan itu adalah pada
sistem informasi isi dari basis data selalu berubah sesuai dengan kebutuhan, tetapi
pada sistem ini data yang sudah masuk ke dalam data warehouse tidak dapat
diubah dan di update. Data pada data warehouse sifatnya historical. Data tersedia
dalam multidimensi sehingga akan lebih efektif dan efisien untuk keperluan analisa
data.

6. Daftar Pustaka

[1] Darmawikarta, Djoni 2003 Membuat Data Model Untuk Data Warehouse
http://www.IlmuKomputer.com/ datawarehouse (diakses tanggal 4
Desember 2007)
[2] Gatziu S dan Athanasios V., 1999, Data Warehousing: Concepts and
Mechanisms, Zürich : Zürich Oberassistentin am Institut für Informatik der
Universität Zürich
[3] Goil Sanjay dan Alok Choudhary, Evanston : High Performance OLAP
and Data Mining on Center for Parallel and Distributed Computing, North-
western University
[4] Handojo, Andreas, 2004, Pembuatan Data Warehouse Pengukuran Kinerja
Proses Belajar Mengajar Di Jurusan Teknik Informatika Universitas Petra
http://www.petra.ac.id / (diakses tanggal 7 Desember 2007)
[5] Ivanova A dan Boris Rachev, 2004, TU-Varna : Multidimensional models -
Constructing DATA CUBE, International Conference on Computer Sys-
tems and Technologies – CompSysTech, Department of Computer Sciences
and Technologies
[7] Lin Song dan Donald E. Brown , 2002,Outlier-based Data Association:
Combining OLAP and Data Mining, Virginia : Department of Systems
Engineering, University of Virginia Charlottesville
[8] Malinowski dan Zimanyi, 2005, Hierarchies in a Multidimensional Model
:From Conceptual Modeling to Logical Representation, Brussels, Bel-
gium : Department of Computer& Network Engineering, Universiteite Libre
de Bruxelles,1050
[9] Nugroho,Adi 2000, Materi perkuliahan rekayasa perangkat lunak Salatiga :
FTI UKSW
[10] Wiki, 2006, Star_schema http://en.wikipedia.org/ (diakses tanggal 18
Desember 2006)

71