Abstract— PT. XXX is involved in energy sector, operates distribution pipes over 3.500 km, supplies for power
plants, industries, commercial business, and others in Indonesia. In supporting the organization's business
processes, they use several information systems. The complexity of the system as well as the differences in
both system databases require breakthrough efforts with the adoption of more sophisticated data management
and information technology with data warehouses. The data warehouse is the source of all data from every
part or division of the organization. In accordance with the needs of the organization, more specifically the
revenue assurance division. After identification, this will be done by developing two data mart subjects, namely
customer data mart and financial data mart.
Abstrak— PT. XXX bergerak dibidang energi, mengoperasikan jalur pipa distribusi sepanjang lebih dari 3.500
km, menyuplai ke pembangkit listrik, industri, usaha komersial, dan lain-lain di Indonesia. Dalam menunjang
proses bisnis organisasi, mereka menggunakan berapa sistem informasi. Kompleksitas sistem tersebut serta
perbedaan sumber basis data kedua sistem, perlu upaya terobosan dengan penerapan teknologi pengelolaan
data dan informasi yang lebih mutakhir yaitu dengan data warehouse. Data warehouse adalah sumber dari
semua data setiap bagian/divisi organisasi. Sesuai kebutuhan organisasi, lebih spesifik lagi pada divisi
Revenue Assurance. Diidentifikasi akan dijadikan menjadi dua subjek data mart, yaitu data mart pelanggan
dan data mart keuangan.
74
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
75
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
76
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
77
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
Regional CUSTOMER JENIS_REK Masa Mulai <data belum tersedia> <data belum
Jaminan USD tersedia>
Sektor Industri CUSTOMER SEKTOR_INDUSTR Nilai jaminan <data belum tersedia> <data belum
I seharusnya IDR tersedia>
Sisa Tagihan IDR RA_CUSTOMER_TRX REVENUE_AMOU Nilai Jaminan <data belum tersedia> <data belum
_LINES_ALL NT seharusnya USD tersedia>
AR_RECEIVABLE_AP AMOUNT_APPLIE Nilai jaminan AR_CASH_RECEIPTS SALDO
PLICATIONS_ALL D tersedia IDR _ALL
AR_CASH_RECEIPTS CURRENCY_CODE
Nilai Jaminan AR_CASH_RECEIPTS SALDO
_ALL
tersedia USD _ALL
Sisa Tagihan USD RA_CUSTOMER_TRX REVENUE_AMOU
Nomor Amandemen AGREEMENT AGREE_ID
_LINES_ALL NT
AR_RECEIVABLE_AP AMOUNT_APPLIE Nomor PJBG AGREEMENT AGREE_ID
PLICATIONS_ALL D
AR_CASH_RECEIPTS CURRENCY_CODE Penerbit Jaminan <data belum tersedia> <data belum
_ALL Pembayaran tersedia>
Status Pelanggan CUSTOMER STATUS Sektor Pelanggan CUSTOMER SEKTOR_INDUSTR
I
Tagihan IDR RA_CUSTOMER_TRX REVENUE_AMOU Volume Kontrak AGREEMENT <JENIS>_MAX_KO
_LINES_ALL NT Maksimum NTRAK
AR_CASH_RECEIPTS CURRENCY_CODE Volume Kontrak AGREEMENT <JENIS>_MIN_KO
_ALL Minimum NTRAK
Tagihan USD RA_CUSTOMER_TRX REVENUE_AMOU
_LINES_ALL NT
AR_CASH_RECEIPTS CURRENCY_CODE
_ALL
D. Staging Area
Tanggal Jatuh RA_CUSTOMER_TRX ATTRIBUTE3 Staging area adalah area penyimpanan perantara yang
Tempo _ALL digunakan untuk pemrosesan data selama proses ETL. Staging
Tanggal Pelunasan AR_RECEIVABLE_AP APPLY_DATE
IDR PLICATIONS_ALL CURRENCY_CODE
area data berada di antara data source dan target data yang
AR_CASH_RECEIPTS berupa data warehouse.[5] Untuk kasus penelitian ini,
_ALL diputuskan menggunakan 3 stage. Gambar 5 memberikan
Tanggal Pelunasan AR_RECEIVABLE_AP APPLY_DATE gambaran rancangan proses staging proses ETL.
USD PLICATIONS_ALL CURRENCY_CODE
AR_CASH_RECEIPTS
_ALL
TABEL IV
JAMINAN PEMBAYARAN PELANGGAN
Data Source Table Source Field
Area CUSTOMER AREA
Jenis Rekening HZ_CUST_ACCOUNT ATTRIBUTE3
S
Harga IDR CUSTOMER_OMZET HARGA_RP Gbr. 5 Proses Staging ETL Data
Harga USD CUSTOMER_OMZET HARGA_USD
Staging 1 adalah proses mereplikasi data dari kedua data
Jenis Pelanggan CUSTOMER JENIS_PELANGGA source ke dalam basis data PostgreSQL. Proses replikasi ini
N diharapkan agar pada proses staging berikutnya tidak
Regional/RD CUSTOMER JENIS_REK
membebani secara langsung pada data source. Staging 2
Kode Harga HARGA KD_HARGA merupakan proses replikasi dan pembaharuan data dari staging.
Nama Pelanggan CUSTOMER NAME Staging 3 mengolah data dari staging 2 menjadi data pembantu
dan data yang siap untuk dianalisa dan dimasukkan ke dalam
Noref Pelanggan CUSTOMER NO._PLG
data mart.
Jatuh Tempo AR_CASH_RECEIPTS RECEIPT_DATE
Jaminan IDR _ALL
Jatuh Tempo AR_CASH_RECEIPTS RECEIPT_DATE
Jaminan USD _ALL
Jenis Jaminan AR_CASH_RECEIPTS TYPE
Pembayaran _ALL
Masa Berlaku AGREEMENT START_DATE
Amandemen
Masa Berlaku PJBG AGREEMENT START_DATE
Masa Mulai <data belum tersedia> <data belum
Jaminan IDR tersedia>
78
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
Oracle Cek dan ambil data ETL Cek dan ambil data Oracle
CRM terbaru/pembaruan data System terbaru/pembaruan data ERP
TABEL V
RENCANA JOB ETL
Pemasukan data
baru/pembaruan No. Staging Nama Job Keterangan
data eksisting
1 1&2 JOB_ALL_STG1_ST Job yang menjalankan
G2 seluruh transformasi
staging 1 dan staging 2
PostgreSQL
(replikasi tabel dari data
Staging1 source)
ARC_STG1_*
2 3 JOB_STG3_MASTER Job yang menyusun data
STG1_* _AGGREMENT master agreement,
STG1_LAST_UPDATED
merupakan data pra-
syarat untuk menjalankan
job staging 3 selanjutnya
Gbr. 6 Proses Staging 1 3 3 JOB_STG3_MASTER Job yang menyusun data
_CUSTOMER master customer,
Gambar 6 proses staging 1 dimana kedua data source merupakan data pra-
dilakukan proses ETL dan hasil transformasi dituliskan ke tabel syarat untuk menjalankan
job staging 3 selanjutnya
Staging1: a. ETL system membaca STG1_LAST_UPDATED
4 3 JOB_STG3_MASTER Job yang menyusun data
sebagai acuan tanggal; b. ETL system mengambil data dari _PRICE_CATALOG master price catalog,
Oracle CRM dan Oracle ERP dari acuan tanggal yang sudah merupakan data pra-
diambil di langkah 1 dan memasukkan ke dalam tabel syarat untuk menjalankan
ARC_STG1_* dan STG1_* (penamaan sesuai dari nama tabel job staging 3 selanjutnya
5 3 JOB_STG3_MASTER Job yang menyusun data
data yang diambil) _ASSET master asset, merupakan
data pra-syarat untuk
Perbarui tanggal data baru/
pembaruan terakhir
menjalankan job staging
3 selanjutnya
6 3 JOB_STG3_MASTER Job yang menyusun data
_CUSTOMER_USAG customer usage
PostgreSQL E
Staging1 Cek dan ambil Pemasukan data PostgreSQL
ETL
data terbaru/
pembaruan data System
baru/pembaruan
data eksisting
Staging2 7 3 JOB_STG3_MASTER Job yang menyusun data
ARC_STG1_*
STG1_* STG2_* _PRICE_AGREEME support untuk menyusun
STG1_LAST_UPDATED
NT_SUMMARY data mart pada tahap
berikutnya
8 3 JOB_STG3_MASTER Job yang menyusun data
Gbr. 7 Proses Staging 2 _CUSTOMER_OMZE mart customer omzet
T
Gambar 7 proses staging 2: a. ETL system mengambil data 9 3 JOB_STG3_PIUTAN Job yang menyusun data
dari STG1_* dan memasukkan/memperbarui data ke dalam G_PELANGGAN mart piutang pelanggan
tabel STG2_*; b. ETL system melakukan truncate pada tabel 10 3 JOB_STG3_JAMINA Job yang menyusun data
N_PEMBAYARAN mart jaminan pembayaran
STG1_* dan memperbarui tabel STG1_LAST_UPDATED
11 3 JOB_STG3_OPPURT Job yang menyusun data
sesuai tanggal eksekusi masing-masing proses staging 2. UNITY_REVENUE mart opportunity revenue
12 3 JOB_STG3_VOLUM Job yang menyusun data
E_PEMAKAIAN mart volume pemakaian
79
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) e-ISSN : 2540-7600
Vol 3, No 1, September 2018 p-ISSN : 2540-7597
1.
Kebutuhan informasi yang didapat dari PT. XXX yang
telah dianalisis membantu dalam membuat perancangan
data warehouse.
2. Dengan dibuatnya data warehouse menjadikan data
perusahaan yang tersebar di berbagai cabang menjadi
terintegrasi dan dalam bentuk yang lebih ringkas dan
menunjang informasi yang dibutuhkan oleh para
eksekutif.
3. Beberapa data yang dibutuhkan dalam data mart belum
tersedia pada data operasional, sehingga dibutuhkan
perubahan requirement pada sistem operasional PT.
XXX
4. Informasi yang ringkas pada data warehouse membuat
para eksekutif lebih mudah dan lebih cepat dalam
menganalisis sehingga pengambilan keputusan dapat
dilakukan lebih cepat.
5. Beberapa proses ETL lebih cepat dilakukan dengan
query langsung dari mesin basis data dibandingan
dilakukan dengan aplikasi ETL.
6. Menjalankan query pada data warehouse membutuhkan
waktu yang lebih lama dibandingkan dengan pada basis
data OLTP. Hal ini disebabkan karena kompleksitas
kompleksitas query yang diterapkan.
Saran untuk pengembangan selanjutnya adalah
mempersiapkan kebutuhan data yang belum tersedia pada data
operasional. Tambahan data ini akan sangat membantu dalam
melakukan analisa lanjutan khususnya pada Divisi Revenue
Assurance. Selain itu beberapa proses ETL yang dimungkinkan
menggunakan SQL query, disarankan diolah langsung dari
mesin basis data yang terkait. Sebab proses query pada mesin
basis data akan lebih cepat dibandingan aplikasi ETL.
REFERENSI
[1] W. H. Inmon, Building the Data Warehouse. Wiley, 2005.
[2] T. Connolly and C. Begg, Database Systems: A Practical Approach to
Design, Implementation, and Management. Pearson Education, 2015.
[3] R. Sharda, E. Turban, D. Delen, J. E. Aronson, T. P. Liang, and D. King,
Business Intelligence and Analytics: Systems for Decision Support.
Pearson, 2014.
[4] W. Inmon, “Data Mart Does Not Equal Data Warehouse,” 2000.
[Online]. Available:
https://web.archive.org/web/20110420134556/http://csis.bits-
pilani.ac.in/faculty/goel/Data Warehousing/Articles/Data
Marts/dataWarehouse_com Article_DM VS DW.htm. [Accessed: 15-
Jan-2018].
[5] R. Kimball and M. Ross, The Data Warehouse Toolkit: The Definitive
Guide to Dimensional Modeling. Wiley, 2013.
[6] Tableau, “Understand Field Type Detection and Naming Improvements.”
[Online]. Available:
https://onlinehelp.tableau.com/current/pro/desktop/en-
us/help.htm#data_clean_adm.html. [Accessed: 20-May-2018].
[7] P. Skålén, J. Gummerus, C. von Koskull, and P. R. Magnusson,
“Exploring value propositions and service innovation: a service-
dominant logic study,” J. Acad. Mark. Sci., vol. 43, no. 2, pp. 137–158,
Mar. 2015.
80
InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)