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