bab 2 landasan teori - bina nusantara | … yang bersifat subject-oriented, integrated, time-variant...
TRANSCRIPT
8
BAB 2
LANDASAN TEORI
2.1 Database
2.1.1 Pengertian Database
Menurut Connolly dan Begg (2002, p15)¸ database merupakan
suatu kumpulan data logikal yang berhubungan satu sama lain dan
deskripsi dari suatu data yang dirancang sebagai informasi yang
dibutuhkan oleh organisasi, sedangkan menurut McLeod dan Schell (2004,
p196), database adalah kumpulan seluruh sumber data berbasis komputer
milik organisasi. Database yang dikendalikan oleh sistem manajemen
database adalah suatu set catatan data yang berhubungan dan saling
menjelaskan.
Jadi, database adalah kumpulan data yang saling berhubungan
secara logis dan terintegrasi dimana dapat digunakan sebagai sumber
kebutuhan sebuah organisasi.
9
2.1.2 Relational Database
Relational database adalah representasi logikal dari data. Data
tersebut dapat diakses tanpa ada ketergantungan dengan struktur fisik dari
database tersebut. Relational database merupakan sistem database yang
paling banyak dipakai saat ini. Salah satu bahasa yang sering dipakai
untuk memanipulasi data adalah SQL. Data dalam relational database
disimpan di dalam sebuah tabel dimana terdapat kolom dan baris.
2.2 Data Warehouse
2.2.1 Pengertian Data Warehouse
Menurut Inmon (2005, p389), data warehouse adalah sekumpulan
data yang bersifat subject-oriented, integrated, time-variant dan non-
volatile untuk mendukung proses pengambilan keputusan.
Menurut Mcleod dan Schell (2004, p205), data warehouse adalah
perkembangan dari konsep database yang menyediakan suatu sumber
data, data yang lebih baik bagi para pemakai dan memungkinkan pemakai
untuk memanipulasi dan menggunakan data tersebut secara intuitif. Data
warehouse berukuran sangat besar, kualitas datanya tinggi, dan sangat
mudah diambil datanya.
Jadi, data warehouse adalah tempat penyimpanan data historis
yang berorientasi subjek untuk mendukung proses pengambilan
keputusan.
10
2.2.2 Karakteristik Data Warehouse
Seperti yang telah dikemukakan terlebih dahulu pada sub bagian
pengertian data warehouse, karakteristik yang harus dimiliki dalam
sebuah data warehouse antara lain adalah Subject Oriented, Integrated,
Time Variant, dan Non Volatile. Berikut ini dijelaskan lebih lanjut
mengenai karakteristik ini.
• Subject Oriented
Data warehouse berorientasi subjek artinya data warehouse
dirancang untuk menganalisis data berdasarkan subjek – subjek
tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi
tertentu.
Gambar 2. 1 Subject Orientation Data (Inmon, 2005, p30)
11
• Integrated
Sumber data berasal dari sistem – sistem aplikasi perusahaan
yang berbeda – beda. Sumber data sering tidak konsisten misalnya
perbedaan format data. Integrasi sumber data harus dibuat konsisten
dalam menampilkan data agar dapat menyatukan pandangan user
terhadap data.
Gambar 2. 2 Integration (Inmon, 2005, p31)
12
• Non volatile
Karakteristik ketiga dari data warehouse adalah non volatile,
yaitu data pada data warehouse cenderung statis dan berupa data
historical yang digunakan untuk analisis.
Pada gambar 2.3 ini, Inmon (2005, p31-p32) menjelaskan
bahwa “Data operasional pada tiap – tiap record yang ada, umum
diakses dan dimanipulasi, perubahan maupun pembaruan data
merupakan sebuah hal yang wajar dilakukan pada sistem ini. Namun,
data warehouse juga dapat diakses, namun tidak terlalu sering, dan
biasanya diambil dalam jumlah besar. Akan tetapi data yang ada tidak
diperkenankan untuk diperbaharui maupun diubah, apabila terjadi
perubahan atau pembaruan, maka data tersebut akan masuk sebagai
data baru. Oleh karena itu, data yang tersimpan pada sebuah data
warehouse merupakan data yang bersifat historis”.
Gambar 2. 3 Non Volatile (Inmon, 2005, p32)
13
• Time Variant
Data warehouse dibandingkan dengan data operasional,
memiliki perbedaan cakupan pada aspek time variant. Time variant
yang membedakan antara data pada data warehouse dengan data
operasional menurut Ponniah (2001, p22) adalah “Data yang disimpan
pada sistem operasional merupakan keadaan terkini pada perusahaan.
Data transaksi lampau juga ada yang disimpan, namun pada intinya
sistem operasi dirancang memang untuk mendukung operasi harian
dari perusahaan sehingga data yang tersimpan harus mencerminkan
keadaan terkini perusahaan. Namun pada data warehouse, data yang
digunakan merupakan data untuk analisis dan pengambilan keputusan.
Dari tujuan inilah data yang dimiliki oleh sebuah data warehouse
haruslah berupa data historis, bukan sekedar keadaan terkini dari
perusahaan. Data disimpan sebagai gambaran keadaan perusahaan di
masa lampau hingga saat ini.” Masih menurut Ponniah (2001, p23),
time variant memiliki keuntungan sebagai berikut:
• Memungkinkan untuk menganalisis hal yang terjadi di masa
lampau
• Menghubungkan informasi yang ada ke masa kini
• Memungkinkan adanya perkiraan atau ramalan mengenai kondisi
masa yang akan datang.
14
Gambar 2. 4 Time Variant (Inmon, 2005, p33)
15
2.2.3 Kegunaan Data Warehouse
Data warehouse yang digunakan selama ini memberikan
kemudahan dan keuntungan, karena data warehouse biasanya digunakan
untuk melakukan empat tugas berbeda. Menurut Williams dan Sawyer
(2007, p533), keempat tugas data warehouse tersebut adalah sebagai
berikut:
a. Pembuatan laporan
Pembuatan laporan merupakan salah satu kegunaan data
warehouse yang paling umum. Dengan menggunakan query – query
sederhana dalam data warehouse, dapat dihasilkan informasi per
tahun, per kuartal, per bulan bahkan per hari.
b. Online Analytical Processing (OLAP)
Data warehouse digunakan dalam melakukan analisis bisnis untuk
mengetahui kecenderungan pasar dan faktor – faktor penyebabnya,
karena dengan adanya data warehouse semua informasi baik detil
maupun hasil ringkasan yang dibutuhkan dalam proses analisis mudah
didapat. Dalam hal ini data warehouse merupakan tool yang handal
untuk analisis data yang kompleks. Menurut Connolly dan Begg
(2002, p1153), sebuah organisasi menerapkan beberapa sistem OLTP
yang berbeda untuk menjalankan proses bisnis seperti kendali
inventori, invoicing, dan point-of-sale. Sistem ini menghasilkan data
operasional yang mendetil, up-to-date, dan dapat diubah – ubah. Data
di dalam OLTP, diorganisir berdasarkan kebutuhan transaksi yang
16
berhubungan dengan aplikasi bisnis serta mendukung pengambilan
keputusan operasional harian.
c. Data mining
Penggunaan data warehouse dalam pencarian pola dan hubungan
data, dengan tujuan membuat keputusan bisnis bagi para pihak
manajemen. Dalam hal ini, perangkat lunak dirancang untuk pola
statistik dalam data untuk mengetahui kecenderungan yang ada,
misalnya kecenderungan pasar akan suatu produk tertentu.
d. Proses Informasi Eksekutif
Data warehouse digunakan untuk mencari informasi summary
kunci yang penting, dengan tujuan membuat keputusan bisnis, tanpa
harus menjelajahi keseluruhan data yang ada.
2.2.4 Anatomi Data Warehouse
Menurut Inmon (2005, p193) anatomi data warehouse adalah data
warehouse fungsional, data warehouse terpusat dan data warehouse
terdistribusi.
• Data Warehouse Fungsional
Data warehouse fungsional menggunakan pendekatan
kebutuhan dari tiap bagian dari fungsi bisnis yang ada. Misalnya
departemen atau divisi, untuk mendefinisikan jenis data yang
ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran
data masing – masing.
17
Pendekatan ini banyak digunakan karena sistem memberikan
solusi yang mudah untuk dibangun dengan biaya investasi yang relatif
rendah dan dapat memberikan kemampuan sistem pengumpulan data
yang terbatas kepada kelompok pemakai.
Penerapan jenis sistem pengumpulan data seperti ini beresiko
kehilangan konsistensi data di luar lingkungan fungsi bisnis yang
bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan
fungsional menjadi lingkup perusahaan, konsistensi data perusahaan
tidak lagi dapat terjamin.
Gambar 2. 5 Data Warehouse Fungsional (Prabowo, 1996)
• Data Warehouse Terpusat
Data warehouse terpusat adalah pendekatan yang paling baik
digunakan. Hal ini dikarenakan oleh keterbiasaan pengguna dengan
lingkungan mainframe terpusat. Data diambil dari seluruh sistem
18
operasional dan disimpan di dalam pusat penyimpanan data. Pengguna
kemudian menggunakan data yang telah terkumpul tersebut untuk
membangun data warehouse fungsional, masing – masing sesuai
dengan kebutuhannya.
Keuntungan sistem ini dibanding dengan data warehouse
fungsional adalah bahwa data benar – benar terintegrasi. Sistem ini
mengharuskan data dikirim tepat pada waktunya, agar tetap konsisten
dengan pemasok data lainnya. Di samping itu, pengguna hanya dapat
mengambil data dari pusat pengumpulan saja dan tidak dapat
berhubungan secara langsung dengan pemasok datanya sendiri.
Gambar 2. 6 Data Warehouse Terpusat (Prabowo, 1996)
Penerapan sistem ini membutuhkan biaya pemeliharaan yang
tinggi atas sistem pengumpulan data yang besar. Selain itu diperlukan
waktu yang lama untuk membangun sistem tersebut.
19
• Data Warehouse Terdistribusi
Data warehouse terdistribusi dikembangkan berdasarkan
konsep gateway data warehouse, sehingga memungkinkan pengguna
dapat langsung berhubungan dengan sumber data atau pemasok data
maupun dengan pusat pengumpul data lainnya. Gambaran pengguna
atas data adalah gambaran logika karena data mungkin diambil dari
berbagai sumber yang berbeda.
Gambar 2. 7 Data Warehouse Terdistribusi (Prabowo, 1996)
Pendekatan ini menggunakan teknologi client / server untuk
mengambil data dari berbagai sumber, sehingga memungkinkan tiap
departemen atau divisi untuk membangun sistem operasionalnya
sendiri serta dapat membangun pengumpul data fungsionalnya masing
– masing dan menggabungkan bagian – bagian tersebut dengan
teknologi client / server. Pendekatan ini akan menjadi sangat efektif
20
bila data tersedia dalam bentuk yang konsisten dan pengguna dapat
menambah data tersebut dengan informasi baru apabila ingin
membangun gambaran baru atas informasi.
Penerapan data warehouse terdistribusi ini memerlukan biaya
yang sangat besar karena setiap pengumpul data fungsional dan sistem
operasinya dikelola secara terpisah. Selain itu, agar berguna bagi
perusahaan, data yang ada harus disinkronisasikan untuk memelihara
keterpaduan data.
2.2.5 Struktur Data Warehouse
Inmon (2005, p34) mengutarakan pendapat mengenai struktur dari
data warehouse sebagai berikut, “Ada beberapa tingkatan detail pada
lingkungan data warehouse. Tingkatan ini dikategorikan menjadi 4, yaitu:
Older Detail Level, Current Detail Level, Lightly Summarized Data Level,
dan Highly Summarized Data Level.
Aliran data awalnya terjadi dari environment operasional menuju
environment data warehouse. Pada aliran data inilah proses transformasi
terjadi.
Aliran data pada data warehouse selanjutnya berada pada
tingkatan detail. Seiring berjalannya waktu, data dari Current Detail Level
mengalir menuju Older Detail Level. Apabila terjadi summarize, data akan
beralih dari Current Detail Level menuju Lightly Summarized Data Level
yang kemudian akan menuju Highly Summarized Data Level.
21
Gambar 2. 8 Struktur Data Warehouse (Inmon, 2005, p34)
2.2.5.1 Current Detail Data
Current Detail Data berisi data yang mencerminkan
keadaan yang sedang berjalan saat ini dan merupakan level
terendah dari data warehouse. Oleh karena itu, data di
tingkat ini belum efisien untuk digunakan sekalipun
datanya lengkap/ detail. Hal ini dikarenakan terlalu rumit/
kompleks untuk melakukan analisis dengan data yang
banyak.
2.2.5.2 Older Detail Data
Older detail data merupakan data history dari suatu
perusahaan yang berupa hasil backup yang disimpan dalam
media penyimpanan dengan frekuensi akses yang relatif
22
rendah. Data pada tingkat ini biasanya berupa backup data
dari kurun waktu lama, misalnya dalam ukuran tahunan dan
sudah hampir tidak pernah diakses lagi. Namun
penyusunan directory untuk data ini harus mencerminkan
umur dari data agar mudah untuk pengaksesan kembali.
2.2.5.3 Lightly Summarized Data
Lightly summarized data merupakan data hasil
ringkasan atau summary dari current detailed data. Pada
tingkat ini, data hasil ringkasan masih belum dapat
digunakan dalam proses pengambilan keputusan karena
belum bersifat “total summary” dan masih bersifat detail.
Lightly summarized data biasanya sering digunakan untuk
gambaran dari keadaan yang sedang berlangsung dan sudah
berlangsung.
2.2.5.4 Highly Summarized Data
Highly summarized data merupakan hasil proses
summary yang bersifat “totalitas”. Data pada highly
summarized ini sangat mudah diakses. Data pada tingkat
inilah yang pada akhirnya dapat digunakan untuk
mendukung pengambilan keputusan terutama di kalangan
eksekutif perusahaan. Hal ini disebabkan karena data pada
tingkat ini dianggap sudah cukup representatif dan ringkas.
Akan tetapi data ini tetap dapat merepresentasikan keadaan
23
data secara keseluruhan. Hal ini tentu saja sangat
memudahkan kalangan eksekutif karena tidak perlu lagi
membaca dan melakukan analisis data untuk waktu yang
cukup lama.
2.2.6 Arsitektur Data Warehouse
Dalam melakukan perancangan data warehouse, harus ditentukan
terlebih dahulu arsitektur yang paling cocok untuk melakukan
pengembangan data warehouse. Connolly dan Begg (2002, p1053)
memberikan suatu gambaran typical arsitektur dari data warehouse, yaitu
sebagai berikut:
Gambar 2.9 Typical Architecture of a Data Warehouse
(Connolly dan Beg, 2002, p1053)
24
Connolly dan Begg (2002, p1156-1161) mengidentifikasi
komponen data warehouse yang terdapat pada arsitektur data warehouse,
yaitu:
1. Operational Data
Data operasional berfokus pada fungsi – fungsi transaksional. Data
ini merupakan bagian dari infrastruktur perusahaan, detil, tidak ada
redudansi (data tidak berulang – ulang), dapat di-update (diubah –
ubah), dan data ini merefleksikan nilai sekarang.
2. Operational Data Source (ODS)
ODS adalah tempat penyimpanan sementara dari data operasional
saat ini yang terintegrasi yang digunakan untuk analisis. Membangun
ODS dapat merupakan tahap yang berguna dalam membangun data
warehouse karena sebuah ODS dapat menyuplai data yang sudah
diekstrak dari sistem sumber dan dibersihkan. Ini berarti pekerjaan
mengintegrasi dan merestrukturisasi data untuk data warehouse
menjadi lebih sederhana.
3. Load manager
Load manager menampilkan semua operasi yang terkait dengan
ekstraksi dan loading data ke dalam data warehouse. Data bisa saja
diekstrak secara langsung dari sumber data atau secara umum dari
ODS.
25
4. Warehouse manager
Warehouse manager menampilkan semua operasi yang terkait
dengan manajemen data dari data warehouse. Operasi yang
ditampilkan oleh warehouse manager meliputi:
a. Analisis data untuk menjamin konsistensi.
b. Transformasi dan penggabungan sumber data dari tempat
penyimpanan sementara ke tabel data warehouse.
c. Pembuatan indeks dan view pada tabel base.
d. Membuat denormalisasi (jika perlu).
e. Membuat agregasi (jika perlu).
f. Backing-up dan archiving data.
5. Query manager
Query manager menampilkan semua operasi yang terkait dengan
manajemen query pengguna. Operasi yang ditampilkan oleh
komponen ini meliputi mengarahkan query pada tabel yang cocok dan
menjadwalkan pelaksanaan query.
6. Detailed data
Komponen ini menyimpan semua detail data dalam skema
database. Detail data terbagi 2 yaitu:
a. Current detail data
Data ini berasal langsung dari operasional database dan selalu
mengacu pada data perusahaan sekarang. Current detail data
diatur sepanjang sisi – sisi subjek seperti data profil pelanggan,
26
data aktivitas pelanggan, data sales, data demografis, dan lain –
lain.
b. Old detail data
Data ini menampilkan current detail data yang berumur atau
histori dari subyek area. Data ini yang dipakai untuk menganalisis
trend yang akan dihasilkan.
7. Lightly and highly summarized data
Area data warehouse ini menyimpan semua data lightly dan highly
summarized yang sudah terdefinisi sebelumnya yang dibuat oleh
warehouse manager. Tujuan informasi yang terangkum ini adalah
meningkatkan performansi query.
8. Archive / backup data
Area warehouse ini menyimpan detail data dan summarized data
dengan tujuan mengarsip dan melakukan backup data.
9. Metadata
Metadata merupakan data mengenai data yang mendeskripsikan
data warehouse. Metadata digunakan untuk membangun, memelihara,
mengatur, dan menggunakan data warehouse. Metadata mengandung
lokasi dan deskripsi dari komponen – komponen data warehouse;
nama, definisi, struktur, dan isi dari data warehouse dan end user
view; identifikasi dari pembuat sumber – sumber data (record system);
aturan – aturan integrasi dan transformasi yang digunakan untuk
mempopulasikan data warehouse; history dari update dan refresh data
27
warehouse; pola – pola matriks yang digunakan untuk performa
menganalisis data warehouse; dan seterusnya.
10. End – user access tool
Tool ini mencakup:
a. Reporting and query tool
Reporting tools meliputi production reporting tools dan
report writers. Productions reporting tools digunakan untuk
menghasilkan laporan operasional yang teratur atau untuk
mendukung sejumlah pekerjaan dengan volume yang tinggi seperti
pesanan pelanggan dan pembayaran karyawan.
Query tool untuk data warehouse relasional dirancang
untuk dapat menerima SQL atau untuk menghasilkan pernyataan
SQL agar dapat melakukan query pada data yang disimpan di
dalam warehouse. Query tool sangat populer di antara pengguna
bisnis aplikasi.
b. Application development tool
Kebutuhan – kebutuhan end-users seperti membangun
kemampuan untuk membuat laporan dan query tools keduanya
sangat tidak memadai karena analisis yang dibutuhkan tidak dapat
dijalankan. Dalam situasi seperti ini, pengguna akan membutuhkan
application development tools yang dirancang untuk kebutuhan
client-server.
c. Executive information system (EIS) tool
28
Executive Information System sebenarnya dikembangkan
untuk mendukung pengambilan keputusan tingkat tinggi. Namun,
semakin meluas untuk mendukung semua tingkat pengelolaan.
Sekarang ini batasan perbedaan antara EIS dan decision support
tools lainnya semakin tidak jelas karena para pengembang EIS
menambahkan fasilitas query tambahan dan menyediakan custom-
built application untuk bisnis adalah seperti penjualan, pemasaran,
dan keuangan.
d. Online analytical processing (OLAP) tool
Online Analytical Processing Tools merupakan konsep
database multidimensi dan mengijinkan pengguna untuk
menganalisis data menggunakan view yang kompleks dan
multidimensi. Contoh – contoh bisnis aplikasi OLAP meliputi
penilaian keefektifan strategi pemasaran, prediksi penjualan
produk, kapasitas perencanaan.
e. Data mining tool
Data mining adalah proses menemukan korelasi, pola, dan
gaya baru yang bermanfaat dengan ‘menggali’ (mining) data dalam
jumlah yang banyak dengan menggunakan teknik statistika,
matematika, intelejensia semu.
29
2.2.7 Aliran Data Pada Data Warehouse
Data warehouse memfokuskan pada manajemen dari lima aliran
data utama yaitu inflow, upflow, downflow, outflow, dan meta-flow. Proses
yang berasosiasi dengan setiap aliran data (Connolly dan Begg, 2005,
p1161), yaitu:
a. Inflow: Proses yang berhubungan dengan pengekstrakan (extraction),
pembersihan (cleansing), dan pemuatan (loading) data dari sistem –
sistem sumber ke dalam data warehouse.
b. Upflow: Proses yang berhubungan dengan penambahan nilai dari data
dalam data warehouse melalui peringkasan (summarizing),
pengemasan (packaging), dan pendistribusian data.
c. Downflow: Proses yang berhubungan dengan pengarsipan (archiving)
dan pembuatan cadangan (back-up) data dalam data warehouse.
d. Outflow: Proses yang berhubungan dengan pengadaan data agar
tersedia bagi end-user.
e. Meta-flow: Proses yang berhubungan dengan manajemen dari
metadata.
30
2.2.8 Tahapan Perancangan Data Warehouse
Menurut Kimball dan Ross (2010, p210), diperlukan sembilan
tahapan dalam membangun data warehouse. Sembilan langkah (Nine-Step
Methodology) tersebut, yaitu:
• Choosing the process
Memilih proses (fungsi) bisnis yang merujuk pada subyek masalah
atau kebutuhan bisnis dan menganalisa data yang tersedia pada
perusahaan.
• Choosing the grain
Memilih grain memilih secara tepat apa yang direpresentasikan oleh
record tabel fakta. Grain adalah setiap baris item individual yang ada
di dalam tabel fakta. Ketika grain telah dipilih, pemilihan dimensi
sesuai proses bisnis dapat dilakukan.
• Identifying and conforming the dimensions
Tabel dimensi menyiapkan konteks untuk menanyakan pertanyaan
tentang fakta yang ada di dalam tabel fakta. Kumpulan dimensi yang
dibuat dengan baik akan mempermudah dalam pemahaman serta
menggunakan data mart. Kemudian mengidentifikasikan detail
dimensi yang secukupnya untuk menggambarkan klien dan properti
pada grain yang tepat.
• Choosing the facts
Grain dari tabel fakta menentukan fakta mana yang bisa dipakai dalam
proses bisnis yang ditentukan. Semua fakta harus dinyatakan secara
31
pasti oleh grain. Dengan kata lain, jika grain merupakan setiap baris
item individual pada tabel fakta, maka fakta adalah numerik yang
mengacu pada baris item tertentu.
• Storing pre-calculations in the fact table
Setelah fakta-fakta yang telah dipilih masing-masing harus dikaji
ulang untuk menentukan apakah ada peluang untuk menggunakan pre-
calculations. Sebuah contoh umum dari kebutuhan untuk menyimpan
pre-calculations terjadi ketika fakta – fakta terdiri dari keuntungan dan
kekurangan.
• Rounding out the dimension tables
Pada tahap ini, kita kembali ke dalam tabel dimensi dan menambahkan
deskripsi pada tabel dimensi sebanyak – banyaknya. Deskirpsi harus
jelas dan mudah dimengerti.
• Choosing the duration of database
Memilih durasi database adalah mengukur seberapa lama tabel fakta
tersebut disimpan. Sebagian besar perusahaan, mempunyai kebutuhan
untuk melihat data pada periode tertentu dalam jangka waktu satu atau
dua tahun. Untuk tipe perusahaan lainnya, seperti asuransi, mungkin
membutuhkan data yang periodenya lebih lama yaitu sekitar lima atau
lebih dari lima tahun.
• Tracking slowly changing dimensions
Perubahan dimensi dapat terjadi dengan seiring berjalannya waktu
pada tabel dimensi. Perubahan yang dimaksud adalah penambahan
32
data (insert) ataupun perubahan data (update). Untuk mengatasinya
ada tiga tipe Slowly Changing Dimension (SCD) yaitu :
1. Menulis ulang semua atribut dimensi yang berubah.
2. Menambah atribut dimensi yang berubah menyebabkan record
dimensi baru dibuat.
3. Perubahan atribut dimensi menyebabkan atribut alternatif dibentuk
sehingga baik nilai yang lama dan yang baru dapat di akses secara
bersamaan pada tabel dimensi yang sama.
• Deciding the query priorities and the query modes
Dalam langkah ini, memperkirakan untuk membuat rancangan fisikal.
Yang paling penting dalam rancangan fisikal yang mempengaruhi
persepsi data mart end-user’s adalah urutan dari perintah fisikal yang
ada dalam tabel dan ketersediaan ringkasan. Dibalik semua ini ada
tambahan rancangan fisikal yang mempengaruhi administration,
backup, indexing performance, dan security.
2.3 Tabel Fakta
Fakta adalah sebuah ukuran dari kinerja bisnis, biasanya berupa angka –
angka dan penjumlahan (Kimball dan Ross, 2002, p402).
Menurut Kimball dan Ross, tabel fakta pada sebuah skema bintang ialah
tabel pusat dengan pengukuran performa bisnis dalam bentuk angka yang
memiliki karakteristik yang berupa composite key, yang tiap - tiap elemennya
adalah foreign key yang didapat dari tabel dimensi. Sedangkan menurut Inmon
33
(2005, p497) tabel fakta adalah pusat dari tabel star join dimana data dengan
banyak kepentingan disimpan.
2.4 Tabel Dimensi
Dimensi adalah sebuah entitas independent pada sebuah model
dimensional yang berfungsi sebagai pintu masuk atau mekanisme untuk memecah
– mecah pengukuran tambahan yang ada pada tabel fakta dari model dimensional
(Kimball dan Ross, 2002, p399).
Pengertian tabel dimensi menurut Kimball dan Ross adalah sebuah tabel
pada model dimensional yang memiliki sebuah primary key tunggal dan kolom
dengan atribut deskriptif. Pengertian lain dari tabel dimensi adalah tempat dimana
data tambahan yang berhubungan dengan tabel fakta ditempatkan pada sebuah
tabel multidimensional (Inmon, 2005, p495).
2.5 Skema Bintang
Menurut Connolly dan Begg (2005, p1183) skema bintang adalah struktur
logis fakta yang memiliki tabel yang berisi data faktual di tengah, dikelilingi oleh
dimensi tabel yang berisi data atau referensi yang dapat di-denormalized.
Menurut Poe (1996, p33), skema bintang adalah metode perancangan
yang dilakukan dengan struktur yang sederhana dengan menggunakan beberapa
tabel dan jalur yang terhubung dengan baik dan jelas.
Dengan menggunakan skema bintang ini akan menghasilkan waktu respon
yang lebih cepat dalam query dan dibanding dengan proses transaksional yang
menggunakan struktur normalisasi. Selain itu, skema bintang memudahkan end
user untuk memahami struktur database pada data warehouse yang dirancang.
34
Dalam skema bintang terdapat dua tipe tabel yaitu tabel fakta dan tabel
dimensi. Tabel fakta disebut juga tabel mayor terdiri dari data kuantitatif atau data
fakta mengenai bisnis, informasi yang di-query. Informasi ini sering diukur secara
numerik dan dapat mengandung banyak kolom dan baris. Tabel dimensi disebut
juga tabel minor karena lebih kecil dan mencerminkan dimensi bisnis.
2.5.1 Perancangan Skema Bintang
Menurut Poe (1996, p121-122), skema bintang terdiri dari dua
jenis tabel, yaitu tabel fakta (fact table) dan tabel dimensi (dimension
table). Tabel fakta terdiri dari data kuantitatif atau data fakta mengenai
bisnis, informasi yang akan di-query. Informasi sering berupa
pengumpulan numerik dan terdiri dari banyak kolom dan jutaan baris
sedangkan tabel dimensi lebih kecil dan menunjang data deskriptif yang
mencerminkan dimensi dari baris. Query SQL kemudian digunakan untuk
pendefinisian awal dan digunakan sebagai jalur penghubung antara tabel
fakta dan tabel dimensi, dengan bantuan pada data untuk mengembalikan
informasi yang terpilih.
2.5.2 Jenis – Jenis Skema Bintang
2.5.2.1 Skema Bintang Sederhana
Pada skema bintang sederhana, setiap tabel harus mempunyai
primary key yang terdiri atas satu kolom atau lebih. Primary key dari tabel
fakta terdiri dari satu atau lebih foreign key.
35
Gambar 2. 10 Skema Bintang Sederhana
Pada gambar di atas terlihat hubungan antara tabel fakta dan tabel
dimensi. Terdapat satu tabel fakta dan tiga tabel dimensi. Tabel fakta
memiliki primary key yang terdiri dari tiga foreign key yaitu key-1, key-2,
key-3, yang masing – masing merupakan primary key pada ketiga tabel
dimensi yang ada. Terjadi hubungan many to one antara foreign key pada
tabel fakta dengan primary key pada tabel dimensi.
2.5.2.2 Skema Bintang dengan Beberapa Tabel Fakta
Skema bintang juga dapat terdiri dari beberapa tabel fakta. Hal ini
terjadi karena pada tabel fakta berisi kenyataan yang tidak saling
berhubungan atau dikarenakan perbedaan waktu pemuatan data. Skema
bintang juga dapat meningkatkan kinerja (performance), terutama jika
data tersebut dalam jumlah yang besar. Skema bintang dengan banyak
tabel fakta terlihat seperti pada gambar di bawah ini:
36
Gambar 2. 11 Skema Bintang dengan Beberapa Tabel Fakta
2.6 Skema Snowflake
Menurut Connolly dan Begg (2002, p1080), skema snowflake adalah
bentuk lain dari skema bintang, tabel dimensi tidak berisi data yang
didenormalisasi. Suatu tabel dimensi dapat memiliki tabel dimensi lainnya.
Ciri – ciri snowflake adalah :
1. Tabel dimensi dinormalisasi dengan dekomposisi pada level atribut.
2. Setiap dimensi mempunyai satu key untuk setiap level pada hirarki dimensi.
3. Kunci level terendah menghubungkan tabel dimensi dengan tabel fakta dan
tabel atribut berlevel rendah.
37
Gambar 2. 12 Skema Snowflakes
2.7 Denormalisasi
Berdasarkan Poe (1996, p137), denormalisasi adalah proses penggabungan
tabel agar meningkatkan performance yang ada. Ini merupakan sebuah proses
yang melanggar aturan bentuk normal dalam proses normalisasi. Alasan
melakukan denormalisasi:
• Mengurangi jumlah dari hubungan yang terjadi antara tabel – tabel, yang
menyebabkan harus mengalami proses pada waktu dilakukan pencarian.
• Untuk membuat struktur fisik dari database semakin mendekati model dimensi
dari pemakai.
• Membuat struktur tabel sesuai dengan yang ingin dinyatakan oleh pemakai,
memungkinkan terjadinya akses langsung.
Sedangkan kelemahan yang timbul bila memakai konsep denormalisasi
tentunya memerlukan memory space (tempat penyimpanan) yang besar sehingga
hal ini secara tidak langsung akan membuat redudansi data.
38
2.8 OLAP (On-line Analytical Processing)
Menurut Connoly dan Begg (2005, p1205) OLAP (On-line Analytical
Processing) adalah perpaduan dinamis, analisis, dan konsolidasi dari data multi-
dimensional yang besar.
Menurut Inmon (2005, p533) OLAP merupakan departemen pengolahan
untuk mart dan lingkupan.
Menurut Ponniah (2001, p352) karakteristik OLAP adalah:
a. Pengguna memiliki multidimensional dan logical view dari data di dalam
data warehouse.
b. Memfasilitasi query yang interaktif dan analisis yang kompleks kepada
pengguna .
c. Memungkinkan pengguna untuk menelusuri detail yang lebih baik atau untuk
menelusuri agregasi dari matriks sepanjang dimensi bisnis tunggal atau di
beberapa kumpulan dimensi.
d. Menyediakan kemampuan untuk melakukan perhitungan rumit dan
perbandingan.
e. Menyajikan hasil dalam beberapa cara, seperti chart atau grafik.
Jadi, OLAP adalah analisis data multidimensional yang besar yang
digunakan untuk mengolah mart serta lingkupannya secara dinamis.
39
2.9 ETL (Extract, Transform, Loading)
Menurut Inmon (2005, p497) Extract, Transform, Loading (ETL) adalah
“the process of finding data, integrating it, and placing it in a data warehouse”.
Proses ETL mengambil data dari source systems menggunakan query.
ETL berkoneksi dengan source system database dan mengambil data dengan
query. Setelah data hasil query diambil langkah selanjutnya dilakukan eksekusi
proses ETL dan mengirimkannya ke database data warehouse.
ETL (Extract, Transform, and Load) adalah proses – proses dalam data
warehouse yang meliputi:
a. Mengekstrak data dari sumber – sumber eksternal.
b. Mentransformasikan data ke bentuk yang sesuai dengan keperluan.
c. Memasukkan data ke target akhir, yaitu data warehouse.
ETL merupakan proses yang sangat penting, dengan ETL data dapat
dimasukkan ke dalam data warehouse. ETL juga dapat digunakan untuk
mengintegrasikan data dengan sistem yang sudah ada sebelumnya.
Tujuan ETL adalah mengumpulkan, menyaring, mengolah, dan
menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam
data warehouse. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi
kriteria data warehouse seperti data yang historis, terpadu, terangkum, statis, dan
memiliki struktur yang dirancang untuk keperluan proses analisis.
40
2.9.1 Extract
Langkah pertama pada proses ETL adalah mengekstrak data dari
sumber – sumber data. Kebanyakan proyek data warehouse
menggabungkan data dari sumber – sumber yang berbeda. Sistem – sistem
yang terpisah sangat mungkin menggunakan format data yang berbeda.
Ekstraksi adalah mengubah data ke dalam suatu format yang berguna
untuk proses transformasi.
Pada hakekatnya proses ekstraksi adalah proses penguraian dari
data yang diekstrak untuk mendapatkan struktur atau pola data yang
diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka
data tidak dimasukkan ke dalam data warehouse.
2.9.2 Transform
Tahapan transformasi menggunakan serangkaian aturan – aturan
atau fungsi – fungsi ke dalam data yang telah diekstraksi, yang akan
menentukan bagaimana data akan digunakan untuk analisis dan dapat
melibatkan transformasi seperti penjumlahan data, data encoding,
penggabungan data, pemisahan data, kalkulasi data, dan pembuatan
surrogate key.
Data akan disimpan dalam bentuk detail dan ringkasan untuk
menyediakan fleksibilitas dalam memenuhi kebutuhan informasi yang
beragam pada pengguna. Data tersebut kemudian dihubungkan dengan
surrogate key (sebuah key yang menghubungkan struktur data warehouse
41
dan terpisah dari sistem sumber) dan diagregasi untuk mempercepat proses
analisis.
Output dari transformasi adalah data yang telah bersih dan
konsisten dengan data yang tersimpan pada warehouse, dan lebih jauh lagi
adalah dalam bentuk yang telah siap untuk dianalisis oleh pengguna dari
data warehouse.
2.9.3 Loading
Loading data ke dalam data warehouse dapat terjadi setelah semua
transformasi dilakukan atau sebagai bagian dari proses transformasi.
Ketika data dimasukkan ke dalam data warehouse, batasan – batasan
tambahan yang didefinisikan di dalam skema database dan trigger
diaktivasi ketika loading data akan dilakukan, yang juga akan memberikan
kontribusi pada keseluruhan kualitas performa dari proses ETL. Jangka
waktu proses loading bergantung pada kebutuhan organisasi.
Jadi, ETL adalah proses – proses dalam data warehouse yang
bertujuan untuk mengumpulkan, menyaring, mengolah, dan
menggabungkan data yang relevan dari berbagai sumber untuk disimpan
ke dalam data warehouse dengan menggunakan query.
42
2.10 Metadata
Metadata adalah data dari data. Menurut Inmon (2005, p102) metadata
adalah sebuah komponen penting dalam data warehouse, yang telah menjadi
bagian dari pengolahan informasi selama ada program dan data. Di dalam dunia
data warehouse, metadata berada dalam level yang penting, yaitu mempengaruhi
tujuan paling efektif dalam data warehouse. Dengan bantuan metadata, end user
dapat dengan cepat menuju data yang penting atau menentukan bahwa data
tersebut tidak ada. Metadata juga bertindak seperti indeks dari sebuah data
warehouse.
Menurut Connoly dan Begg (2005, p1159) metadata juga bisa digunakan
untuk hal-hal berikut ini:
a. Proses pengambilan dan pemuatan data (metadata digunakan untuk
memetakan sumber data ke dalam suatu view data di dalam warehouse).
b. Proses manajemen warehouse (metadata digunakan untuk otomatisasi
produksi dari tabel rangkuman).
c. Sebagai bagian dari proses manajemen query (metadata digunakan untuk
mengarahkan sebuah query ke sumber data yang paling tepat).
2.11 Data Mart
Menurut Connolly dan Begg (2005, p1171) data mart adalah subyek dari
data warehouse yang mendukung kebutuhan suatu departemen atau fungsi bisnis.
Sedangkan menurut Inmon (2005, p370) data mart adalah struktur data
yang didedikasikan untuk memenuhi kebutuhan analisis sekelompok orang,
seperti departemen akuntansi atau departemen keuangan.
43
Menurut Inmon (2005, p371) data mart terdiri dari dua tipe yaitu
independent data mart dan dependent data mart. Independent data mart adalah
data mart yang dibangun langsung dari aplikasi turunannya. Sedangkan
dependent data mart adalah suatu data mart yang dibangun dari data yang berasal
dari data warehouse.
2.12 Granularity
Menurut Inmon (2005, p41) granularity adalah masalah desain paling
penting dalam data warehouse. Karena mempengaruhi volume data yang berada
di dalam data warehouse berbanding terbalik dengan level detail dari sebuah
query. Semakin kecil level dari granularity, semakin fleksibel data yang
dikeluarkan. Semakin tinggi level granularity, data yang dikeluarkan malah
semakin tidak tetap.
2.13 Business Intelligence
2.13.1 Definisi Business Intelligence
Menurut Turban, et. al (2007, p24), business intelligence adalah
kerangka kerja konseptual untuk mendukung keputusan bisnis. Business
intelligence menggabungkan arsitektur, basis data atau data warehouse,
analytical tools dan aplikasi.
Menurut Forrester Research, business intelligence adalah
serangkaian metodologi, proses, arsitektur, dan teknologi yang mengubah
data mentah menjadi informasi yang bermakna dan berguna untuk
44
menambah wawasan tactical dan operasional serta untuk pengambilan
keputusan. (http://en.wikipedia.org/wiki/Business_intelligence).
Jadi, business intelligence adalah serangkaian metodologi,
arsitektur, dan teknologi yang mengubah data menjadi informasi yang
berguna untuk mendukung keputusan bisnis perusahaan.
2.13.2 Arsitektur Business Intelligence
Menurut Vercellis (2009, p9), arsitektur dari sebuah business
intelligence system, terdiri dari enam komponen utama yaitu:
1. Data sources
Pada tahap pertama, diperlukan suatu proses untuk mengumpulkan dan
mengintegrasikan data yang disimpan dalam berbagai sumber yang
bervariasi, yang mana saling berbeda baik itu asal maupun jenisnya.
Sumber ini kebanyakan berasal dari data yang terdapat pada operational
systems, tetapi bisa juga berasal dari dokumen yang tidak terstruktur
seperti email dan data yang dikirimkan oleh pihak luar.
2. Data warehouse dan data marts
Dengan menggunakan extraction dan transformation tool yang dikenal
sebagai ETL (extract, transform, load), data yang berasal dari berbagai
sumber yang berbeda disimpan ke dalam database yang ditujukan untuk
mendukung analisis business intelligence. Database inilah yang biasanya
dikenal dengan sebutan data warehouse dan data marts.
45
3. Data exploration
Pada level ketiga ini, tool yang berfungsi untuk keperluan analisis business
intelligence pasif digunakan. Tool ini terdiri dari query dan reporting
systems, serta statistical methods. Metodologi ini bersifat pasif karena para
pengambil keputusan harus mengambil keputusan berdasarkan hipotesis
mereka sendiri atau mendefinisikan kriteria dari data extraction, kemudian
menggunakan tools analisis untuk menemukan jawaban dan
mencocokkannya dengan hipotesa awal mereka.
4. Data mining
Level keempat ini terdiri dari sejumlah metodologi business intelligence
yang bersifat aktif yang tujuannya adalah untuk mengekstrak informasi
dan pengetahuan dari data.
Metodologi ini berisi sejumlah model matematika untuk pengenalan pola,
pembelajaran mesin, dan teknik data mining. Tidak seperti tool yang
digunakan pada level sebelumnya, model dari business intelligence yang
bersifat aktif ini tidak mengharuskan para pengambil keputusan untuk
mengeluarkan hipotesis apapun.
5. Optimization
Pada level ini, solusi terbaik harus dipilih dari sekian alternatif yang ada,
biasanya sangat banyak dan beragam.
6. Decisions
Pada level terakhir ini yang menjadi persoalan utama adalah bagaimana
menentukan keputusan akhir yang akan diambil yang dikenal sebagai
46
decision making process. Walaupun metodologi business intelligence
berhasil diterapkan, pilihan untuk mengambil sebuah keputusan ada pada
para pengambil keputusan. Pertimbangan untuk mengambil keputusan ini
biasanya diambil juga dari informasi yang tidak terstruktur serta tidak
formal dan memodifikasi rekomendasi serta kesimpulan yang dicapai
melalui penggunaan model matematika.
2.13.3 Jenis – Jenis Business Intelligence
Menurut Turban, et. al (2007, p257), business intelligence terbagi
ke dalam lima jenis yaitu:
1. Enterprise reporting
Enterprise reporting digunakan untuk menghasilkan laporan – laporan
statis yang didistribusikan ke banyak orang. Jenis laporan ini sangat
sesuai untuk laporan operasional dan dashboard.
2. Cube analysis
Tools cube yang berbasis pada business intelligence digunakan untuk
menyediakan analisis OLTP multidimensional yang ditujukan untuk
manajer bisnis dalam lingkungan yang terbatas.
3. Ad hoc querying and analysis
Tools relational OLAP digunakan untuk memberikan akses kepada
user agar dapat melakukan query pada database, dan menggali
informasi sampai pada tingkat paling dasar dari informasi
transaksional. Query ini berfungsi untuk mengeksplor informasi yang
dilakukan oleh user.
47
4. Statistical analysis and data mining
Tools statistic, matematis, dan data mining digunakan untuk
melakukan analisis prediksi atau menentukan korelasi sebab akibat
diantara dua matrik. Analisis keuangan serta ramalan juga dilakukan
pada jenis ini.
5. Report delivery and alerting
Mesin distribusi laporan digunakan secara proaktif untuk mengirimkan
laporan secara lengkap atau memberikan peringatan kepada populasi
user yang besar (internal dan eksternal). Distribusi ini berdasarkan
pada jadwal dan event yang disimpan dalam database.
2.13.4 Siklus Hidup Business Intelligence
Menurut www.athena-solutions.com, siklus hidup untuk
pengembangan dan implementasi untuk business intelligence, data
warehousing, dan coorporate performance management yaitu:
1. Perancangan proyek, organisasi dan manajemen.
2. Bekerja dengan bisnis untuk mengumpulkan dan menemukan
kebutuhan bisnisnya, membuat model data berdasarkan pada
kebutuhannya dan mendesain fungsional business intelligence dari
kebutuhan yang telah ditemukan.
3. Mendesain model data dan basis data untuk mengimplementasikan
model ini.
48
4. Mengintegrasikan data dari aplikasi yang lain seperti CRM (Customer
Relationship Management), ERP (Enterprise Resource Planning), dan
Web.
5. Memilih dan menggunakan tools ETL (Extract, Transform, and Load)
kepada database yang dibutuhkan.
6. Memilih dan menggunakan tools Business Intelligence dan OLAP
(Online Analytical Processing) untuk menyediakan fungsi bisnis yang
berguna bagi perusahaan.
2.13.5 Manfaat Business Intelligence
Menurut Williams, et. al (2007, p38), business intelligence dapat
digunakan untuk memberikan manfaat bagi sebuah bisnis secara umum
serta menghasilkan contoh - contoh nyata yang berhubungan dengan
fungsi bisnis tersebut. Manfaat tersebut yaitu:
1. Efisiensi transaksi
Efisiensi transaksi ini dapat dicapai karena dapat mengubah
proses - proses yang tidak terstruktur menjadi proses yang terstruktur
dan berulang - ulang. Contohnya adalah model optimisasi pendapatan
yang digunakan pada industri hotel dan penerbangan, model optimasi
jaringan logistic dan rantai suplai yang digunakan pada industri
penyaluran dan jasa.
49
2. Otomatisasi proses manual
Proses – proses yang tadinya dilakukan secara manual dapat
dibuat menjadi otomatis karena keberadaan manusia dapat dihilangkan
atau digantikan dalam sebuah proses. Contohnya adalah perencanaan
operasi dan penjualan, segmentasi pelanggan, perancangan anggaran,
analisis perubahan, laporan kinerja, analisis produktivitas.
3. Penerapan teknik analisis
Sejumlah mode analisis yang kompleks dapat diintegrasikan ke
dalam proses - proses yang ada. Metode analisis ini memiliki
kemampuan analisis yang dapat dipercaya untuk dapat digunakan oleh
user dengan hanya membutuhkan kurva pembelajaran yang singkat.
Contohnya adalah dashboard dan scorecard eksekutif, aplikasi
pendeteksi kecurangan dan penilaian kredit, analisis pengaturan
kampanye penjualan, ramalan penjualan, segmentasi pelanggan.
4. Pengiriman informasi
Business intelligence dapat mengirimkan rincian informasi
dalam jumlah yang besar ke dalam sebuah proses. Kumpulan
informasi transaksional yang ada pada perusahaan dapat dimanfaatkan
untuk mendeteksi penjualan serta mengurangi biaya. Contohnya
adalah pengenalan pola dan data mining, analisis rantai suplai, analisis
operasi, analisis tren pendapatan, aplikasi manajemen retail.
50
5. Pelacakan
Business intelligence memberikan kebebasan untuk melacak
status, input, dan output dari sebuah pekerjaan atau secara terperinci.
Sistem pelacakan yang dilakukan secara manual berdasarkan pada
lembar kerja dapat digantikan oleh sistem yang bersifat otomatis.
Contohnya adalah dashboard, scorecard pemasok, inventori.
2.14 Teori Pendukung
2.14.1 Retailing
Menurut Berman dan Joel (2006, p4), retailing adalah aktivitas
bisnis yang meliputi penjualan barang – barang dan jasa kepada konsumen
untuk kebutuhan pribadi mereka, keluarga, ataupun kebutuhan rumah
tangga.
Sedangkan menurut Ronald dan Ricky (2009, p169) retailers
adalah mereka yang menjual produk secara langsung kepada pelanggan.
2.14.2 Pembelian
Menurut Mulyadi (2001, p299), sistem pembelian digunakan
dalam perusahaan untuk pengadaan barang yang diperlukan oleh
perusahaan. Transaksi pembelian digolongkan menjadi dua yaitu
pembelian lokal dan impor. Pembelian lokal adalah pembelian dari
pemasok dalam negeri sedangkan pembelian impor adalah pembelian dari
pemasok luar negeri. Fungsi yang terkait dalam sistem pembelian adalah:
51
1. Fungsi Gudang: bertanggung jawab untuk mengajukan
permintaan pembelian sesuai dengan posisi persediaan yang
ada di gudang dan untuk menyimpan barang yang telah
diterima oleh fungsi penerimaan.
2. Fungsi Pembelian: bertanggung jawab untuk memperoleh
informasi mengenai harga barang, menentukan pemasok
yang dipilih dalam pengadaan barang, dan mengeluarkan
order pembelian kepada pemasok yang dipilih.
3. Fungsi Penerimaan: bertanggung jawab untuk memeriksa
mutu, jenis, dan kuantitas barang yang diterima dari pemasok
guna menentukan dapat tidaknya barang tersebut diterima
oleh perusahaan, dan untuk menerima barang dari pembeli
yang berasal dari transaksi retur penjualan.
Menurut Mulyadi (2001, p301), di dalam prosedur order
pembelian, fungsi pembelian mengirim surat order pembelian kepada
pemasok yang dipilih dan memberitahukan kepada unit – unit organisasi
lain dalam perusahaan (misalnya fungsi penerimaan, fungsi yang meminta
barang) mengenai order pembelian yang sudah dikeluarkan oleh
perusahaan.
Sedangkan dalam prosedur penerimaan barang, fungsi penerimaan
melakukan pemeriksaan mengenai jenis, kuantitas, dan mutu barang yang
diterima untuk menyatakan penerimaan barang dari pemasok tersebut.
52
Menurut Mulyadi (2001, p335), retur pembelian adalah barang
yang sudah diterima dari pemasok adakalanya tidak sesuai dengan barang
yang dipesan menurut surat order pembelian. Hal tersebut terjadi
kemungkinan karena barang yang diterima tidak cocok dengan spesifikasi
yang tercantum dalam surat order pembelian, barang mengalami
kerusakan dalam pengiriman, atau barang diterima melewati tanggal
pengiriman yang dijanjikan oleh pemasok. Sistem retur pembelian
digunakan dalam perusahaan untuk pengembalian barang yang sudah
dibeli kepada pemasoknya.
2.14.3 Service Level Agreement
Menurut Hurwitz, et. al (2009, p152), negosiasi SLA (service level
agreement) merupakan perpaduan antara teknologi informasi dan bisnis.
Beberapa service-level adalah non-negotiable. Teknologi informasi dan
bisnis harus bekerja sama untuk membangun SLA tersebut.
Tipe SLA meliputi:
1. Lama respon.
2. Ketersediaan pada hari – hari yang ditentukan.
3. Perfect Order.
4. Adanya persetujuan terhadap suatu prosedur apabila terjadi
penurunan tingkat layanan yang telah disetujui.
2.14.4 Service Metrics
Menurut Ayers dan Odegaard (2008, p137) kebutuhan akan service
metrics didorong oleh keinginan untuk men-deliver dan menghasilkan
53
kualitas pelayanan yang tinggi. Service metrics merepresentasikan
indikator – indikator. Indikator – indikator yang digunakan adalah:
1. Order fill rate
Order fill rate adalah persentase pemenuhan kuantitas pemesanan
barang oleh supplier. Order fill rate merupakan salah satu komponen
yang menentukan perfect order.
2. On-time delivery
On-time delivery adalah pemenuhan ketepatan pengiriman barang oleh
supplier. On-time delivery juga merupakan salah satu komponen dari
perfect order
3. Perfect order
Perfect order berarti semua barang yang dipesan, dikirim tepat waktu
dan dokumen pemesanan yang terkait dilaksanakan dengan sempurna.
Perfect order tergantung pada order fill rate dan on-time delivery