PERANCANGAN DAN PEMBUATAN

DATA WAREHOUSE TOKO PENJUALAN

PD SERASI

DISUSUN OLEH :

NOVITA SARI (09031181823132)

RAHMA DESTRIANI (09031281823038)
M. MAFTUH IHSAN (09031281823040)
PUTRI AYU MAYSUROH (09031281823044)
KHAIRUNISA ADABBIA (09031281823052)

DOSEN PENGAMPU :
ALI BARDADI, S.SI., M.KOM

PROGRAM STUDI SISTEM INFORMASI REGULER

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2020
 DAFTAR ISI

DAFTAR ISI...............................................................................................................................................2
ABSTRAK..................................................................................................................................................3
1. PENDAHULUAN...............................................................................................................................4
2. TINJAUAN PUSTAKA......................................................................................................................4
3. METODE PENELITIAN..................................................................................................................11
4. HASIL DAN PEMBAHASAN..........................................................................................................12
KESIMPULAN........................................................................................................................................24
 ABSTRAK

Penelitian ini merumuskan model dan rancangan data warehouse yang sesuai dengan
hasil analisis kebutuhan. Hasil dari penelitian ini yaitu berupa sistem yang dibentuk berdasarkan
data-data secara langsung dari pihak yang membutuhkan, sehingga dapat membentuk suatu
laporan guna memenuhi kebutuhan rekap penjualan PD Serasi. Dengan adanya data warehouse
ini, PD Serasi dapat melakukan perekapan penjualan dengan lebih mudah, lebih cepat serta lebih
terinci, selain itu data warehouse ini juga dapat digunakan untuk menghitung total hasil transaksi
penjualan.
1. PENDAHULUAN

Gudang data atau data warehouse adalah sebuah sistem komputer untuk mengarsipkan
dan menganalisis data historis suatu organisasi seperti data penjualan, gaji dan informasi lain
dari operasi sehari-hari. Data warehouse memisahkan beban kerja analisis dari beban kerja
transaksi dan memungkinkan organisasi untuk menggabungkan/konsolidasi data dari
berbagai sumber. Dengan demikian, data warehouse merupakan metode dalam perancangan
database yang mengacu DSS ( Decission Support System ) dan EIS ( Executive Information
System ).

Sistem toko Pd Serasi ini menggunakan system online yang dimana pelanggan dapat
memilih kategori baik itu menu makanan maupun minuman. Pelanggan juga bisa memesan
barang yang diinginkan dengan berbagai macam kategori secara bersamaan kemudian
pelanggan dapat memesan barang tersebut. Sistem akan merespon setelah data-data telah
masuk lalu barang tersebut dikirimkan sesuai dengan pemesanan. Toko Pd Serasi
memerlukan system yang telah dijelaskan sebelumnya oleh sebab itu perlu penyimpanan data
dalam jumlah besar agar mempermudah toko Pd Serasi dalam penjualan barang menjadi
lebih efektif dan efisien.

Dengan memanfaatkan data yang ada dalam system ini tidak hanya memerlukan proses
system penjualan ini saja namun diperlukan suatu analisis data untuk menggali informasi
yang ada. Oleh karena itu toko Pd Serasi yang dapat dianalisis sehingga mempermudah
dalam pengambilan keputusan yang tepat dan akurat.

2. TINJAUAN PUSTAKA
Menurut Menurut Ralph Kimbali, data warehouse adalah suatu sistem yang mengekstrak,
melakukan pembersihan, menyesuaikan diri serta mengirimkan sumber data pada suatu data
penyimpanan dimensional dan selanjutnya memberi dukungan pada implementasi query serta
analisa dalam rangka pengambilan keputusan.

Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan
memungkinkan organisasi untuk menggabungkan / konsolidasi data dari berbagai sumber.
Dengan demikian, data warehouse merupakan metode dalam perancangan database, yang
Mengacu DSS (Decission Support System) dan EIS(Executive Information System).

A. Karakteristik Data Warehouse

1. Berorientasi kepada subjek (subject-oriented)
Data warehouse berorientasi subject artinya data warehouse didesain
untuk menganalisa data berdasarkan subject-subject tertentu dalam
organisasi,bukan pada proses atau fungsi aplikasi tertentu.
Data warehouse diorganisasikan disekitar subjek-subjek utama dari
perusahaan(customers,products dan sales) dan tidak diorganisasikan pada area-
area aplikasi utama(customer invoicing,stock control dan product sales). Hal ini
dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang
bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi
terhadap data.Jadi dengan kata lain, data yang disimpan adalah berorientasi
kepada subjek bukan terhadap proses.

2. Data yang dimiliki terintegrasi (Data Integrated)

Data Warehouse dapat menyimpan data-data yang berasal dari sumber-
sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi
satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data
yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data
warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti
konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten
dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
 3. Dibuat dalam rentang waktu tertentu (Timeline)
Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada
rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam
mengukur keakuratan suatu data warehouse, kita dapat menggunakan cara antara
lain:
 Cara yang paling sederhana adalah menyajikan data warehouse pada
rentang waktu tertentu, misalnya antara 5 sampai 10 tahun.
 Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang
disajikan dalam data warehouse baik implicit maupun explicit secara
explicit dengan unsur waktu dalam hari, minggu, bulan dsb. Secara
implicit misalnya pada saat data tersebut diduplikasi pada setiap akhir
bulan, atau per tiga bulan. Unsur waktu akan tetap ada secara implisit
didalam data tersebut.
 Cara yang ketiga,variasi waktu yang disajikan data warehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari
sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data
yang ada bersifat read-only.
4. Data yang disimpan bersifat tetap (Non-Volatile)
Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya
data pada data warehouse tidak di-update secara real time tetapi di refresh dari
sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai
suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database
tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental
disatukan dengan data sebelumnya.
Berbeda dengan database operasional yang dapat melakukan update,insert
dan delete terhadap data yang mengubah isi dari database sedangkan pada data
warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data
(mengambil data) dan akses data (mengakses data warehouse seperti melakukan
query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan updating
data).
B. Komponen Data Warehouse
 1. Source Data
Source data merupakan gudang data dari berbagai sumber, yakni dari data
internal, data eksternal, archived, dan lain-lain.
2. Data Stagging
Data yang diekstrak dan load dalam format yang sama yang tidak merubah nilai
data.
3. Data Storage
Media penyimpanan data yang dihasilkan dari data stagging.
4. Metadata
Komponen yang memberi penjelasan tentang data melebihi kamus data.
Metadata terbagi atas Metadata Operasional, Metadata Transformasi & Ekstrak,
serta Metadata User.
5. Information Delivery
Penyampaian informasi pada pengguna yang mana terdapat teknik online,
infraned serta email.
6. Management and Control
Merupakan pengelolaan serta pengendalian yang ada pada data stagging serta
metadata.
C. Skema Bintang (Star Schema)
Star schema adalah salah satu tipe skema yang dibuat untuk memodelkan sebuah
sistem data warehouse. Skema jenis ini dianggap sebagai skema data warehouse yang
paling sederhana yang mudah dibuat dan dimengerti. Dalam skema ini, ada fact table di
tengah dan di sekelilingnya terdapat dimension table. Nama skema ini datang dari
susunan tabelnya yang membentuk bintang seperti contoh di bawah ini.
 Dalam membuat star schema, kita harus memahami karakteristiknya juga.
Beberapa karakteristik utama skema bentuk bintang ini adalah:
 Struktur yang sederhana dan mudah dipahami.
 Jumlah tabel tidak begitu banyak.
 Semua dimensi dalam skema bentuk bintang direpresentasikan hanya
menggunakan tabel satu dimensi.
 Dapat digunakan oleh beragam business intelligence tools.
D. Tabel Fakta
Tabel Fakta adalah tabel yang berisi pengukuran di sepanjang atribut dari tabel
dimensi. Ini dapat berisi informasi pada tingkat serendah mungkin. Beberapa tabel fakta
hanya berisi data ringkasan, yang disebut Tabel Fakta Agregat . Tabel fakta hampir berisi
data cap tanggal . Mari kita bahas karakteristik tabel fakta.
Kunci Rangkaian
Tabel fakta berisi kunci Rangkaian yang merupakan rangkai kunci utama dari
semua tabel dimensi. Kunci gabungan tabel fakta harus secara unik mengidentifikasi
baris dalam tabel fakta.
 Butir Data
 Butir data menunjukkan seberapa dalam pengukuran dalam tabel fakta telah
disimpan. Butir data harus pada tingkat tertinggi yang memungkinkan.
 Tindakan Aditif
Atribut dari tabel fakta dapat sepenuhnya aditif atau semi-aditif . Langkah-
langkah tambahan sepenuhnya adalah yang dapat dengan mudah disimpulkan
untuk semua dimensi dalam tabel fakta. Misalnya quantity_ordered, adalah atribut
yang dapat disimpulkan untuk semua dimensi. Seperti, kita dapat mengambil total
quantity_order, untuk pelanggan tertentu, wilayah, tanggal, merek, dll. Tindakan
semi-aditif adalah yang dapat dijumlahkan sepanjang beberapa dimensi tabel
fakta tetapi tidak semua dimensi. Seperti, jumlah saldo tidak dapat disimpulkan
dari dimensi waktu karena perubahan dari waktu ke waktu.
 Data Jarang
Terkadang kita dapat melihat catatan dalam tabel fakta yang memiliki
atribut dengan ukuran nol . Misalnya, mungkin tidak ada pesanan pada hari libur.
Jadi, atribut untuk tanggal ini akan memiliki ukuran nol. Kami tidak harus
menyimpan ukuran untuk jenis catatan seperti itu karena tidak memberikan
informasi apa pun.
 Dimensi yang memburuk
Kadang-kadang Anda mungkin menemukan beberapa dimensi dalam tabel
fakta, yang tidak aditif sama sekali. Misalnya order_number, customer_id, Anda
tidak dapat menambahkan jenis dimensi ini. Namun, jika Anda perlu menemukan
pesanan yang dibuat oleh pelanggan tertentu di bulan ini; maka Anda akan
membutuhkan customer_id untuk menghubungkan kembali pencarian Anda. Jenis
ini jika atribut atau dimensi tabel fakta disebut Dimensi Degradasi .

E. Tabel Dimensi
Tabel Dimensi adalah komponen kunci untuk Skema Mulai. Tabel dimensi berisi atribut
yang mewakili dimensi, di mana pengukuran dilakukan dalam tabel fakta. Selanjutnya,
kita akan membahas beberapa karakteristik tabel dimensi.
 Atribut dan Kunci
 Setiap tabel Dimensi harus memiliki kunci utama yang secara unik
mengidentifikasi setiap rekaman tabel. Secara umum diamati bahwa tabel dimensi
mengandung banyak atribut. Oleh karena itu, tampaknya luas yaitu ketika Anda
membuat tabel dimensi Anda akan menemukannya menyebar secara horizontal .
 Nilai atribut
Nilai atribut dalam tabel dimensi jarang numerik, sebagian besar waktu Anda
akan menemukan nilai dalam atribut dalam format tekstual . Misalnya nama
produk, merek, kategori, sub-kategori, dll.
 Hubungan antar Atribut
Seringkali Anda dapat mengamati, atribut yang Anda temui dalam tabel dimensi
tidak terkait langsung. Seperti, Product_brand tidak melakukan apa-apa dengan
package_date tetapi keduanya masih bisa menjadi atribut dari tabel dimensi
Produk.

F. ETL (Extract, Transform, Load)

ETL atau Extract Transform Load adalah proses integrasi data yang
menggabungkan data dari berbagai sumber ke dalam satu penyimpanan yang konsisten
dan dimuat ke dalam gudang data atau sistem lainnya. Singkatnya, sistem ETL adalah
dasar dari pengolahan data, khususnya big data.
ETL pertama kali diperkenalkan pada tahun 1970-an untuk mengintegrasikan
proses pemuatan data ke dalam superkomputer untuk dianalisis lebih lanjut. Sejak akhir
1980 hingga pertengahan 200, ETL menjadi proses utama untuk membuat gudang data
yang mendukung aplikasi business intelligence (BI). Di masa sekarang, ETL lebih
direkomendasikan untuk menyimpan data yang lebih kecil dan tidak memerlukan
pembaruan terlalu sering. Alternatifnya, kamu bisa menggunakan data integrasi lain,
seperti ELT, CDC, dan virtualisasi data untuk mengolah data real time dan selalu
berubah.
1. Extract
Proses extract merupakan tahap pertama dari sistem ETL. Extract merupakan
proses memilih dan mengambil data dari satu atau beberapa sumber (misalnya
database), kemudian mengakses data yang diambil.
 2. Transform
Setelah data telah diambil melalui proses extract, selanjutnya dilakukan cleaning
data dengan menghilangkan data yang tidak dibutuhkan (misalnya data anomali).
Kemudian mengubah data dari bentuk aslinya menjadi bentuk yang sesuai dengan
kebutuhan.
3. Load
Langkah terakhir dari sistem ETL adalah load. Pada proses load terjadi:
a. Penyimpanan data ke data warehouse
b. Menampilkan data ke aplikasi

Proses ETL dilakukan dengan menjalankan perintah SQL secara periodik. Pada
proses ini dilakukan pengubahan data dalam bentuk Diemnsional Data Store agar format
data cocok digunakan untuk proses analisis keperluan bisnis.
Data warehouse didasarkan oleh proses ETL. Proses ETL ini penting karena akan
mempengaruhi kualitas data yang disimpan pada data warehouse.

3. METODE PENELITIAN
Sistem ini mempunyai metode penelitian yang memiliki 2 tahap, yaitu :
1. Interview
Dibutuhkannya system ini diperlukan data-data yang akan menjadi system sesuai
keinginan. Untuk mendapatkan data-data tersebut diperlukan wawancara terhadap
pemiliki toko PD Serasi baik dari kebutuhan, permasalahan maupun keinginan
pemiliki toko terhadap perusahaanya agar penjualan menjadi lancar.
2. Analisis
Setelah melakukan wawancara terhadap pemilik toko Pd Serasi, terdapat beberapa
kekurangan selama di toko tersebut, yaitu :
 Terjadi kesalahan dalam mendata barang masuk dan keluar karena barang belum
tersimpan secara komputerisasi
 Terjadi kekeliruan dalam pencatatan data pengiriman barang ke pelanggan.
  Pencatatan data pelanggan masih dilakukan secara manual sehingga sering
kehilngan data.

4. HASIL DAN PEMBAHASAN

a. Proses Bisnis yang Sedang Berjalan
System ini berbasis online dimana pelanggan dapat memesan/memilih makanan atau
minuman . dan juga pelanggan dapat memesan barang yang diinginkan secara
bersamaan berdasarkan kategori. Setelah memilih, system akan merespon data-data
pesanan dan memprosesnya. Kemudian system akan memproses catatan data
pengiriman barang ke pelanggan
b. .Analisis Kebutuhan Informasi
Data dan Informasi yang dibutuhkan adalah laporan pencatatan data barang masuk
dan keluar dan laporan pencatatan data pengiriman barang.
c. Arsitektur Data Warehouse
d. Star Schema
Berikut merupakan star schema pada perancangan data warehouse penjualan di toko
PD Serasi
 dimensi_barang

 dimensi_kategori
 dimensi_customer

 dimensi_pemesanan
 dimensi_pengiriman

 fact_detail_pemesanan
e. Tabel Dimensi

1. Tabel dimensi_barang
2. Tabel dimensi_customer

3. Tabel dimensi_kategori

4. Tabel dimensi_pemesanan

5. Tabel dimensi_pengiriman
f. Tabel Fakta

g. Proses shema workbench

1. Aktifkan MySQLDatabase dengan membuka XAMPP
2. Buka Skema Workbench
3. Pilih Option > Connection, untuk mengatur connection
4. Connect Database dengan nama database “penjualan” dan pilih database dan
sesuaikan.

5. Klik kanan Schema, pilih AddCube untuk menambahkan Cube, dan sesuaikan
isinya.
6. tambahkan table fakta dengan klik kanan Cube>AddTable>table Fakta

7. Setelah menambahkan table fakta, lalu tambahkan dimensi dengan klik kanan
Cube>AddDimension. Sesuaikan atribut dan Valuenya.
8. Kemudian step AddHirarki dengan klik kanan Dimensi>AddHierarchy
9. Selanjutnya adalah step AddLevel dengan klik kanan Hierarchy>AddLevel.

10. Kemudian melakukan Add table dimensi

11. Lakukan step diatas untuk semua tabel dimensi lainnya
12. Download Biserver dan jalankan Start-Pentaho
13. Kemudian masukkan ke url localhost:8080/pentaho, akan muncul tampilan login
masukkan username : admin dan password : password
14. Kemudian publish schema-workbench yang telah dibuat tadi dengan ketentuan
sebagai berikut

15. Kemudian pilih publish

16. Jalankan localhost:8080/pentaho tadi dan pilih menu create new -> JPot View

17. Kemudian pilih schema dan cube yang telah di buat di schema workbench tadi
18. Kemudian pilih OK, tetapi pada tampilan tugas kami masih adanya error
 KESIMPULAN

Berdasarkan hasil rancangan data warehouse yang kami buat, Maka dapat disimpulkan
bahwa datawarehouse ini dapat membantu dalam perekapan penjualan PD Serasi untuk
menghitung total hasil transaksi penjualan. Data warehouse ini dapat membuat perekapan PD
Serasi menjadi terintegrasi dan menunjang informasi yang dibutuhkan oleh PD serasi sehingga
akan lebih mudah, lebih cepat serta lebih terinci dalam merekap dan menghitung total hasil
transaksi penjualan. Selain itu rancangan data warehouse yang kami buat masih memiliki
kekurangan yaitu tampilannya masih error.