Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Jurnal Fisika: Seri Konferensi

KERTAS •AKSES TERBUKA Anda mungkin juga menyukai

- Karbon mesopori berkinerja tinggi karbon

Sistem pendukung keputusan menggunakan data warehouse untuk yang didoping nitrogen yang didukung
elektrokatalis untuk reaksi reduksi oksigen
sistem retail Jingjing Xu, Shiyao Lu, Xu Chen dkk.

- Superkapasitor Hibrida Berkinerja Tinggi

Mengutip artikel ini: Abba Suganda Girsangdkk2019J. Fisik.: Konf. Ser.1367012007 Berbasis Ni(OH) yang Didukung Grafena 2-
Nanowires dan Memesan Karbon
Mesopori CMK-5
Yonggang Wang, Dandan Zhou, Dan
Zhao dkk.
Lihatartikel online untuk pembaruan dan penyempurnaan.
- Nanopartikel Mangan Oksida Dihiasi
Elektroda Karbon Mesopori Terurut
untuk Deionisasi Kapasitif Air Payau

Chunxia Zhao, Xiaoyun Lv, Junshen Li dkk.

Konten ini diunduh dari alamat IP 103.136.57.57 pada 12/09/2022 pukul 15:49
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

Sistem pendukung keputusan menggunakan data warehouse untuk sistem retail

Abba Suganda Girsang1,2,3, Geri Arisandi1, Calista Elisa1, Michelle1, Melva

Hermayanty Saragih2,4

1Jurusan Ilmu Komputer, Program Pascasarjana BINUS – Magister Ilmu

Komputer, Universitas Bina Nusantara, Jakarta, Indonesia
2Jurusan Manajemen, Program Sarjana BINUS Business School, Universitas
Bina Nusantara, Jakarta, Indonesia

Surel:3agirsang@binus.edu ,4melva.saragih@binus.ac.id

Abstrak.Perusahaan CMK adalah perusahaan retail yang menjual dan mendistribusikan barang-barang miniatur kendaraan
ke toko-toko kecil. CMK memiliki beberapa cabang di berbagai negara yang digunakan untuk operasional dan gudang
penyimpanan. Perusahaan ini menghadapi kendala dalam menganalisa penjualan untuk menentukan strategi yang berguna
karena perusahaan ini hanya menggunakan database Online Transaction Processing (OLTP). Penelitian ini
mengimplementasikan database Online Analysis Processing (OLAP) dan gudang data untuk menyediakan informasi yang
berguna bagi perusahaan ini dengan menggunakan metode sembilan langkah yang dirancang oleh Kimball & Ross. Data
akan ditampilkan ke dashboard untuk memudahkan Perusahaan CMK dalam menganalisis data. Selain itu, banyak informasi
yang berguna dapat diberikan dalam waktu singkat dan efisien.

1. Perkenalan
Perusahaan CMK adalah perusahaan retail yang menjual miniatur atau figure kendaraan seperti
mobil, bus, pesawat. dan lain-lain. Perusahaan CMK membeli barang dari vendor dan kemudian
mendistribusikan barang tersebut ke toko yang lebih kecil. Kantor-kantor tersebut tersebar di
beberapa cabang di berbagai negara sebagai gudang operasional dan gudang penyimpanan. Saat ini,
Perusahaan CMK sedang mengalami krisis keuangan karena manajemen yang tidak efisien. Untuk
mengatasi masalah ini, manajemen perusahaan ini harus ditingkatkan. Mendapatkan barang atau
vendor yang memberikan keuntungan tertinggi dan dari segi pemasaran, menyediakan fasilitas bagi
pelanggan yang memiliki nilai tertinggi akan membantu perusahaan untuk mengatasi masalah ini.
Untuk itu perlu diketahui produk-produk dan vendor-vendor top dengan penjualan terbanyak untuk
memberikan informasi produk mana yang perlu ditebar lebih banyak,
Dalam hal ini, Perusahaan CMK masih menggunakan database Online Transaction Processing (OLTP). Hal ini
mempersulit Perusahaan CMK untuk menganalisa penjualan dan mengambil keputusan kedepannya untuk
menyelesaikan permasalahan yang ada. Oleh karena itu, CMK Company berupaya untuk mengimplementasikan data
warehouse yang menggunakan metodologi Kimball [1]. Data warehouse adalah database yang menggunakan database
Online Analysis Processing (OLAP) yang dibuat dengan mengintegrasikan data dari beberapa sumber yang heterogen,
biasanya dari database Online Transaction Processing (OLTP) [2][3].

2. Pekerjaan Terkait
Data warehouse adalah database relasional yang dirancang untuk proses query dan analisis untuk proses
transaksional [4]. Data warehouse dibuat dengan mengintegrasikan data dari beberapa sumber heterogen yang
biasanya database Online Transaction Processing (OLTP). Data Warehouse adalah sebuah sistem yang melibatkan

Konten dari karya ini dapat digunakan di bawah ketentuanLisensi Creative Commons Attribution 3.0. Distribusi lebih lanjut dari karya
ini harus mempertahankan atribusi kepada penulis dan judul karya, kutipan jurnal dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

pembersihan, integrasi data, dan konsolidasi data [1] [2]. Gudang data membantu organisasi untuk menganalisis tren
berdasarkan penyimpanan data selama periode waktu tertentu. Fungsi utama dari Data Warehouse adalah untuk
memudahkan organisasi dalam melakukan perencanaan strategis berdasarkan data jangka panjang yang tersimpan dan
pengambilan keputusan yang baik dan cepat. Akibatnya, pengguna lebih mudah untuk mengambil informasi yang
dibutuhkan [5]. Data warehouse yang menyimpan data dalam jumlah besar disimpan di server mainframe atau
perusahaan cloud [6]. Data warehouse menggunakan Online Analysis Processing (OLAP) yang merupakan teknik analisis
fungsional seperti summarization, konsolidasi, dan agregasi, yang mampu melihat informasi dari perspektif yang
berbeda [3].
Sistem OLAP memungkinkan pengguna untuk melakukan query dengan payload yang besar dan
secara otomatis mengumpulkan data dari data warehouse yang berfokus pada query yang
berorientasi analitis, khususnya untuk menganalisis data hingga pendukung pengambilan keputusan
[7]. OLAP terdiri dari Cube untuk mengeksplorasi informasi dalam data warehouse. Cube pada OLAP
merupakan struktur data multidimensi yang memungkinkan proses analisis data menjadi lebih cepat.
Pengaturan data pada server kubus untuk mengatasi keterbatasan database transaksi. Data
warehouse dimodelkan ke dalam tabel dimensi dan tabel fakta yang disebut skema bintang. Metode
ini dianggap sebagai langkah yang lebih mudah dan cepat untuk mengeksekusi query [8]. Tabel fakta
[9] berisi data terukur, sedangkan tabel dimensi sebagai data acuan untuk tabel data adalah fakta.

3. Metode yang Diusulkan

Perusahaan CMK membutuhkan sistem baru yang membantu mereka untuk menganalisis penjualan berdasarkan item, vendor,
dan pelanggan yang memberikan keuntungan paling banyak. Dari sistem ini, CMK dapat mengambil langkah maju untuk
memperbaiki krisis keuangan di perusahaan. Saat ini perusahaan melakukan analisis berdasarkan database OLTP yang pada
dasarnya tidak efektif jika digunakan untuk keperluan analisis data. Database OLAP akan memberikan hasil yang lebih baik
dalam hal waktu yang digunakan untuk menganalisis. Oleh karena itu, penting untuk menggunakan data warehouse yang
mampu mengolah data dari database operasional untuk mengidentifikasi dan menganalisis keputusan.
Kimball & Ross [1] mengatakan bahwa / mengatakan ada 9 langkah untuk membuat gudang data, langkah ini dikenal sebagai
metodologi desain sembilan langkah [4] [11] . 9 langkah ini terdiri dari:
Pilih prosesnya. Pilih proses dengan menentukan subjek utama yang merupakan kegiatan bisnis tertentu di
perusahaan. Dimana mata kuliah ini dapat menjawab pertanyaan bisnis yang dibutuhkan dalam analisis. Dalam
hal ini, transaksi penjualan menjadi subyek yang akan digunakan.
Pilih biji-bijian. Menentukan butir berarti menentukan tingkat detail dari tabel fakta untuk
proses bisnis yang dipilih [1]. Detail transaksi per produk menjadi grain yang akan diterapkan
selama proses pembuatan data warehouse CMK Company.
Mengidentifikasi dan menyesuaikan dimensi.Pada langkah ini, tabel dimensi yang terkait dengan tabel fakta dapat
dipilih berdasarkan relasi setiap baris data. Langkah ini juga akan menghubungkan tabel dimensi dengan tabel fakta.

Pilih fakta.Menentukan informasi atau fakta apa yang akan ditampilkan dalam tabel fakta, termasuk ukuran yang
diperlukan.
Simpan pra-perhitungan di tabel fakta.Pada langkah ini diperlukan review untuk mengetahui apakah
masih ada atribut yang harus dihitung terlebih dahulu dan apakah perlu disimpan di database.
Lengkapi tabel dimensi. Properti apa yang harus ada di tabel dimensi untuk menggambarkan tabel. Untuk
mendeskripsikannya dapat dilakukan dengan memuat informasi terstruktur mengenai atribut-atribut pada tabel
dimensi, misalnya: memberikan informasi tentang tipe data dari masing-masing atribut. Tabel dimensi harus jelas
dan menggambarkan hierarki atribut sehingga mudah digunakan untuk analisis.
Pilih Durasi database.Pilih durasi waktu data yang akan digunakan di data warehouse. Jangka waktu yang
digunakan dalam hal ini adalah 3 tahun terhitung dari tahun 2003-2005.
Tentukan kebutuhan untuk melacak Dimensi yang Berubah Perlahan (SCD)[12] . Perubahan dimensi tidak
dapat diprediksi tetapi dapat menimbulkan masalah. Ada perubahan fisik seperti perubahan alamat baru
pelanggan, tetapi ada juga perubahan yang terjadi karena koreksi kesalahan input data [2].
Tentukan desain fisik. Desain fisik data warehouse akan dilakukan pada langkah ini. Dimana diperlukan
perhatian yang besar terhadap masalah yang mungkin timbul dalam desain fisik yang dapat
mempengaruhi persepsi subjek.

2
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

Gambar 1 adalah skema bintang [13] untuk proses penjualan di Perusahaan CMK. Skema bintang terdiri dari 1
tabel fakta: OrderFact dan 5 tabel dimensi: ProductDim, CustomerDim, EmployeeDim, OfficeDim, dan TimeDim.

Gambar 1.Skema Bintang

Proses ETL [2] [14] [15] untuk proses penjualan dapat dilihat pada Gambar 2, Gambar 3, Gambar 4, Gambar 5, Gambar 6 ,
Gambar 7 dan Gambar 8.

Gambar 2. Beban Pelanggan

Gambar 3.ProdukLoad

Gambar 4.Beban Karyawan

3
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

Gambar 5.Beban Kantor

Gambar 6.Pemuatan Tanggal

Gambar 7.OrderFactLoad

Angka 8.Pekerjaan

4. Laporan Analisis
Setelah ETL dibuat, pengguna dapat melihat laporan dari data yang ada. Dengan laporan ini, pengguna bisa mendapatkan gambaran
tentang analisis data tentang perusahaan. Data ini nantinya dapat digunakan dalam pengambilan keputusan untuk kemajuan
perusahaan. Pentaho report designer digunakan untuk menghasilkan laporan pada Gambar 9 dan Gambar 10.
Gambar 9 menunjukkan record data transaksi secara detail, dimana setiap baris data mengacu pada setiap item pada setiap
nomor urut. Gambar 10 adalah contoh diagram batang yang menunjukkan total transaksi per bulan dan per kota. Parameter
tahun digunakan untuk bagan ini. Pada contoh ini, tahun yang diambil adalah tahun 2003. Gambar 11 menampilkan dashboard
dengan 2 parameter yaitu tahun dan negara. Pengguna dapat menampilkan data sesuai keinginannya berdasarkan 2 parameter
tersebut. Dashboard menampilkan informasi tentang nama produk, 10 pelanggan teratas, dan 9 vendor teratas yang
menghasilkan penjualan terbanyak. Dashboard ini dibuat menggunakan Qlik Sense

4
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

Gambar 9.Catat Data Transaksi

Gambar 10.Bar Chart total Transaksi perbulan perkota

Gambar 11.Dasbor

5
Konferensi Internasional Tentang Rekayasa, Teknologi, dan Penelitian Inovatif Penerbitan IOP
Jurnal Fisika: Seri Konferensi 1367(2019) 012007 doi:10.1088/1742-6596/1367/1/012007

5. Kesimpulan
Dengan mengembangkan data warehouse dengan metode ini, data dapat dilaporkan lebih cepat dan efisien untuk pengambilan
keputusan. Dengan menggunakan alat Pentaho BI, manajer dapat melihat laporan tentang persentase barang yang paling laku,
baik dilihat dari segi produk, pelanggan, maupun vendor. Hasil analisis ini, CMK dapat mengambil tindakan strategis untuk
meningkatkan keuntungan perusahaan. Beberapa manfaat sampel dijelaskan sebagai berikut. Untuk Mengetahui produk dan
vendor teratas dengan penjualan terbanyak, dapat memberi kita gambaran tentang produk mana yang perlu ditebar lebih
banyak, dan dari vendor mana produk tersebut paling banyak diminati. Informasi tentang 10 pelanggan teratas juga dapat
membantu dalam memberikan hadiah untuk menarik pelanggan.

Referensi
[1] Kimball R dan Ross M 2010Pembaca Grup Kimball: Alat Praktis Tanpa henti untuk
Pergudangan Data dan Intelijen Bisnis
[2] Kimball R dan Ross M 2011Perangkat Gudang Data
[3] Martins D, Ramos CMQ, Rodrigues JMF, Cardoso PJS, LAM R, dan Serra F 2015 “Tantangan
dalam Membangun Gudang Data Besar yang Diterapkan pada Intelijen Bisnis Hotel,”Prok. 6th Int.
Kon. Teori Komputasi Informatika Terapan.
[4] Breslin M 2004 Data Warehousing Battle of the Giants : Membandingkan Dasar-dasar Kimball
dan Model Inmon,”Intelijen9 hal 6–20
[5] Bizarro P dan Madeira H 2002 Menambahkan Perspektif Berorientasi Kinerja pada Desain Gudang
Data,Gudang Data. tahu. penemuan, 2454 12 hal 232–244
[6] Rouse M 2015 Apa itu gudang data? - Definisi dari WhatIs.com, [Online]. Tersedia:
https://searchdatamanagement.techtarget.com/definition/data-warehouse. [Diakses: 13-
Nov-2018].
[7] Review Dewan S, Aggarwal Y, dan Tanwar S tentang Data Warehouse, Data Mining dan Teknologi OLAP:
Sebagai Aspek Prasyarat dari kegiatan pengambilan keputusan bisnis,IJRI Int. J. Re. Inf. teknologi.
Int. J. Re. Inf. teknologi.1 10 hal 30–39
[8] Doreswamy, Gad I, dan Manjunatha BR 2017 Model gudang data hybrid untuk data besar iklim
analisis,Prok. IEEE Int. Kon. Sirkuit, Komputasi Daya. teknologi. ICCPCT 2017
[9] Dehne F, Kong Q, Rau-Chaplin A, Zaboli H, dan Zhou R 2015 OLAP real-time yang dapat diskalakan di cloud
ilmu bangunan,J. Distribusi Paralel. Hitung.79–80, hlm 31–41
[10] Johnson JC 2015OCP : Oracle9iTMPenyesuaian Kinerja.
[11] Girsang AS, Isa SM, Adytiansya N, Utomo OK, dan Simarmata J 2018 Data warehouse untuk
administrasi uang muka di Mahkamah Konstitusi Republik Indonesia,Konferensi IOP
Ser. ibu. Sci. Ind.420 hal.012104
[12] Ricky MY 2014 Model penjualan dan suplai barang Datawarehouse berbasis HTML5,J. Teori.
aplikasi Inf. teknologi.61 1 hlm. 175–182
[13] Chaudhuri S, 1998 Gambaran Umum Data Warehousing dan Teknologi OLAP Surajit
[14] Gill R dan Singh J 2014 Tinjauan Isu Kualitas Data Kontemporer di Lingkungan ETL Data
Warehouse,J. Ide Hari Ini - Teknologi Masa Depan.2 2 hal 153–160
[15] Hashem IAT, Yaqoob I, Anuar NB, Mokhtar S, Gani A, dan Ullah Khan S 2015 Munculnya 'big data' pada
komputasi awan: Tinjau dan buka masalah penelitian,Inf. Sistem, 47 hal. 98–115