7

BAB 2

LANDASAN TEORI

2.1. Teori Umum

2.1.1. Pengertian Data, Informasi dan Pengetahuan

Data

Menurut Vercellis (2009, p7), pada umumnya data

merepresentasikan kodifikasi terstruktur dari suatu entitas primer

tunggal, serta transaksi yang melibatkan dua atau lebih entitas utama.

Menurut Turban & Rainer (2009, p6), data adalah fakta

mentah atau deskripsi dasar dari benda, peristiwa, aktivitas dan

transaksi yang didapatkan, direkam, disimpan, diklasifikasi tetapi

belum terorganisir untuk menyampaikan suatu arti spesifik.

Sedangkan menurut Williams & Sawyer (2011, p25), data

terdiri dari fakta-fakta, dan gambaran mentah yang akan diproses

menjadi informasi. Data penting karena pengguna memerlukan data

untuk membuat informasi yang berguna.

Informasi

Menurut Vercellis(2009, p7), Informasi adalah suatu hasil

dari ekstraksi dan pemrosesan data menjadi sesuatu yang berarti bagi

yang menerimanya dalam domain tertentu.

Menurut Turban & Rainer (2009, p6), informasi adalah suatu

koleksi fakta (data) yang telah terorganisir dengan beberapa cara

sehingga memberikan suatu arti yang dipahami oleh penerima.Dan

menurut Williams & Sawyer (2011, p25), informasi merupakan data

yang telah di rangkum atau dimanipulasi dalam bentuk lain untuk

tujuan pengambilan keputusan.

8

Pengetahuan

Menurut Vercelis (2009, p7), Informasi diubah menjadi

pengetahuan bila digunakan untuk membuat keputusan dan

mengembangkan tindakan yang sesuai.

2.1.2. Pengertian Sistem

Menurut O’Brien & Marakas (2011, p26), sistem didefinisikan

sebagai sekumpulan komponen yang saling terkait, dengan batas yang

jelas, bekerja sama untuk mencapai suatu serangkaian tujuan umum

dengan menerima input dan menghasilkan output dalam proses

transformasi yang terorganisir.

Menurut William & Sawyer (2011, p492), sistem adalah

kumpulan dari komponen-komponen yang berhubungan yang saling

berinteraksi untuk melakukan suatu tugas untuk mencapai suatu

tujuan.

2.1.3. Pengertian Database

Menurut Connolly & Begg (2015, p63), database adalah

sekumpulan dari data logika yang saling berhubungan dan gambaran

dari data tersebut, dirancang untuk memenuhi kebutuhan informasi

sebuah organisasi.

Menurut Williams & Sawyer (2011, p164), database adalah

setiap koleksi data yang disimpan secara elektronik dalam sistem

komputer.

2.1.4. Pengertian Database Management System (DBMS)

Menurut Connolly & Begg (2015, p64), Database

Management System adalah sistem perangkat lunak yang

memungkinkan pengguna untuk mendefinisikan, membuat,

memelihara, dan mengontrol akses ke dalam database.

9

Komponen – kompenen DBMS Menurut Connolly & Begg (2015, 66)

yakni sebagai berikut :

• Hardware

• Software

• Data

• Procedures

• People

Gambar 2.1 – DBMS Environment

Sumber : Connolly & Begg (2015, p66)

2.1.5. Pengertian Data Warehouse

Menurut Connolly & Begg (2015, p123), Data Warehouse

adalah Sebuah data konsolidasi atau terintegrasi yang ada pada

perusahaan yang diambil dari sumber data operasional yang berbeda

dan berbagai alat untuk memudahkan akses pengguna sehingga

mendukung pengambilan keputusan.

Dikutip dari jurnal sepsugiarto (2011) Datawarehouse memilik

Banyak keuntungan yang tidak terlihat, salah satu keuntungannya

adalah para pembuat keputusan pada akhirnya dapat diperlengkapi

dengan pemecahan masalah pada setiap proses bisnis. Banyak

teknologi lain yang menjamin manajer untuk mengotomasikan proses

bisnis, namun khasanah data mendukung kemampuan untuk memberi

pengertian mengenai permasalahan yang mereka alami dan

menunjukkan beberapa kemungkinan perubahan. Data Warehouse

10

adalah alat bantu bagi para manajer dalam penyimpanan history data

yang dibutuhkan. Keuntungan utama dari data warehouse adalah

membantu dalam proses pengambilan keputusan. Keuntungan yang

lain adalah meliputi:

• mengatur keseluruhan hubungan/peluang pelanggan

• menciptakan nilai tambah bagi pelanggan

• membangun suatu empati dari organisasi

• secara cepat mengontrol berbagai perubahan dan

• peluang mengatur perspektif baik makro maupun mikro

• meningkatkan kemampuan manajerial.

Dan menurut Turban, Sharda, Delen, & King (2011, p52), data

warehouse adalah kumpulan data yang dihasilkan untukmendukung

pengambilan keputusan. danjuga merupakan tempat penyimpanan data

saat ini dan data historikal dari kepentingan manager di seluruh

organisasi.

Sedangkan Menurut Vercellis(2009, p45) seperti namanya, data

warehouse adalah repository utama untuk ketersediaan data, untuk

mengembangkan arsitektur business intelligence dan untuk mendukung

sistem pengambilan keputusan. Istilah Data Warehouse menunjukkan

seluruh rangkaian kegiatan yang saling terkait yang terlibat dalam

merancang, menerapkan dan menggunakan Data Warehouse. Hal ini

memungkinkan untuk mengidentifikasi tiga kategori utama data feeding

ke Data Warehouse yaitu; internal data, external data and personal data.

2.1.5.1. Kategori Utama Data Feeding

2.1.5.1.1. Internal Data

Menurut Vercellis (2009, p46), data internal

merupakan bagian terbesar dalam penyimpanan yang

disimpan di dalam database , disebut juga sebagai

system transaksional atau system operasional, yang

merupakan tulang punggung dari sebuah sistem

informasi perusahaan. Data internal diperoleh melalui

11

transaksi aplikasi yang secara rutin memimpin operasi

perusahaan, seperti administrasi, akuntansi, produksi

danlogistik. Kumpulan aplikasi perangkat lunak

transaksi ini disebut enterprise resource planning

(ERP).Data yang disimpan dalam sistem operasional

biasanya berurusan dengan entitas utama yang terlibat

dalam proses perusahaan, yaitu pelanggan, produk,

penjualan, karyawandan pemasok. Data ini biasanya

datang dari komponen yang berbeda dari sistem

informasi:

• Sistem back-office, yang mengumpulkan catatan

transaksi dasar seperti pesanan, faktur,

persediaan, produksi dan data logistik.

• Sistem front-office, yang berisi data yang berasal

dari kegiatan call-center, bantuan pelanggan,

pelaksanaan pemasaran.

• Sistem berbasis web, yang mengumpulkan

transaksi penjualan di situs web e-commerce,

kunjungan ke situs web, data yang tersedia pada

formulir yang diisi oleh pelanggan dan calon

pelanggan.

2.1.5.1.2. External Data

Menurut Vercellis (2009, p46), ada beberapa

sumber data eksternal yang dapat digunakan untuk

memperpanjang kekayaan informasi yang tersimpan

dalam database internal. Sebuah sumber yang

signifikan lebih lanjut dari data eksternal disediakan

oleh geographic information systems (GIS), yang

merupakan satu set aplikasi untuk memperoleh,

mengorganisir, menyimpan dan menyajikan data

teritorial.

12

2.1.5.1.3. Personal Data

Menurut Vercellis (2009, p46), dalam

kebanyakan kasus, pengambil keputusan

dengan menggunakan analisis business

intelligence juga mengandalkan informasi

dan penilaian pribadi yang tersimpan di

dalam lembar kerja atau database lokal yang

terletak dikomputer mereka. Pengambilan

informasi tersebut dan dengan integrasi data

terstruktur dari internal dan eksternal sumber

adalah salah satu tujuan dari sistem

manajemen pengetahuan.

2.1.5.2. Arsitektur Data Warehouse

Menurut Connoly & Begg (2015, p123), komponen

utama data warehouse, antara lain :

Gambar 2.2 – The typical architecture of data warehouse

Sumber : Connoly & Begg (2015, p124)

13

• Data Operasional

Data operasional adalah data yang dapat di

gunakan untuk mendukung proses bisnis.

• Operasional Data Store (ODS)

Operational data store adalah tempat

penyimpanan data operasional yang bersifat current

dan terintegrasi yang di gunakan untuk analisis.

Dengan kata lain, ODS mendukung proses transaksi

operasional maupun proses analisis. Dengan adanya

ODS maka pembangunan data warehouse menjadi

lebih mudah karena ODS dapat menyediakan data yang

telah di ekstrak dari sumber dan telah di bersihkan

sehingga proses pengintegrasian dan restrukturisasi

data untuk data warehouse menjadi lebih sederhana.

• Load Manager

Disebut juga komponen front end menangani

semua operasi yang berhubungan dengan fungsi extract

data (mengambil data) dan fungsi loading data

(menaruh data) ke dalam data warehouse.

• Warehouse Manager

Menangani semua operasi yang berhubungan

dengan management data dalam data warehouse.

Operasi-operasi yang di jalankan oleh warehouse

manager mencakup :

a. Analisis data untuk menjaga konsistensi

data.

b. Melakukan transformasi dan

penggabungan sumber data dari tempat

penyimpanan sementara ke dalam

tabel-tabel data warehouse.

c. Melakukan denormalisasi.

d. Melakukan agregasi.

14

e. Menyimpan (archive) dan back-up data.

• Query Manager

(Di sebut juga komponen backend) menangani

semuaoperasi yang berhubungan dengan management

permintaan user (user queries). Operasi yang di

jalankan oleh query manager meliputi kegiatan

mengarahkan permintaan ke tabel-tabel data yang tepat

dan melakukan penjadwalan eksekusi terhadap

permintaan.

• Detailed Data

Dalam data warehouse, area ini adalah tempat

penyimpanan semua detailed data dalam skema basis

data. Detailed data dibagi menjadi 2, yaitu current

detail data (tempat penyimpanan semua detailed data

yang bersifat current) dan old detailed data (tempat

penyimpanan semua detailed data yang bersifat old).

• Lightly and Hightly Summerized Data

Area ini adalah tempat penyimpanan sementara

data predefinisi yang teringkas secara light dan high

(predefined lightly and highly summarized) yang

dihasilkan oleh warehouse manager. Tujuan dari

ringkasan informasi ini adalah untuk mempercepat

tanggapan terhadap permintaan user. Ringkasan data di

update secara berkala seiring dengan bertambahnya

data dalam data warehouse.

• Archive / Backup Data

Dalam data warehouse, area ini digunakan

untuk menyimpan detailed data dan data yang telah

diringkas. Tujuannya adalah untuk penyimpanan

(archiving) dan backup.Data kemudian ditransfer ke

media penyimpanan seperti magnetic tape atau optical

disk.

15

• Metadata

Digunakan untuk menyimpan semua definisi

metadata (keterangan tentang data) yang digunakan

dalam seluruh proses warehouse. Metadata digunakan

untuk berbagai tujuan, antara lain :

a. Proses extracting dan loading

b. Proses warehouse management

c. Sebagian proses query management

• End-User Access Toolss End-user access tools

Adalah tools yang memanfaatkan kegunaan

dari data warehouse. Kegunaan data warehouse

tersebut, antara lain untuk pembuatan laporan, OLAP,

data mining dan proses informasi eksekutif.

2.1.5.3. Karakteristik Data Warehouse

Menurut Connoly & Begg (2015, p123). Karateristik pada

data warehouse yakni sebagai berikut :

• Subject Oriented

Sebagai gudang yang terorganisasi di sekitar

subjek utama seperti pelanggan, produk, dan penjualan

yang ada pada aplikasi area utama (faktur pelanggan,

stok kontrol, dan penjualan produk).Hal ini tercermin

dalam kebutuhan untuk menyimpan data pendukung

keputusan dari data yang berorientasi.

• Integrated

Karena sistem aplikasi yang luas bersamaan

datang dari sumber data dari organisasi yang

berbeda.Sumber data sering tidak konsisten,

menggunakan, misalnya, berbeda tipe data dan / atau

format.Sumber data yang terintegrasi harus dibuat

konsisten untuk menyajikan pandangan terpadu dari

data ke pengguna.

16

• Time Variant

Karena data yang ada pada warehouse tersebut

akurat dan hanya berlaku pada titik yang sama dalam

waktu lebih dari beberapa interval waktu

• Non Volatile

Karena data tidak di perbaharui secara real time

tetapi di refresh dari sistem operasional secara teratur.

Data baru selalu ditambahkan sebagai pelengkap ke

database, bukan pengganti.

2.1.5.4. Implementasi Data Warehouse

Menurut Vercellis (2009, p52), terdapat 3 cara dalam

mengimplementasi data warehouse;

1. Top-down

Metodologi top-down didasarkan pada desain

keseluruhan dari data warehouse, dan lebih sistematis.

akan tetapi, pengembangan akan berjalan lebih lama

dan risiko tidak sesuai jadwal akan lebih besar, karena

secara keseluruhan data warehouse sedang

dikembangkan.

2. Bottom-up

Metode bottom-up didasarkan pada

penggunaan prototipe dan oleh karena itu, ekstensi

sistem yang dibuat sesuai dengan langkah-demi-

langkah yang tersedia dalam skema. Pendekatan ini

biasanya lebih cepat, memberikan hasil yang lebih

nyata tetapi tidak memiliki visi keseluruhan dari

seluruh sistem yang akan dikembangkan.

3. Mixed

17

Metodologi mixed didasarkan pada desain

keseluruhan dari data warehouse, akan tetapi hasilnya

tetap menggunakan pendekatan prototyping, dan secara

berurutan diimplementasikan di setiap bagian dari

seluruh sistem. Pendekatan ini sangat praktis dan

biasanya lebih disukai, karena memungkinkan

menampilkan bagian-bagian kecil tetapi tetap

menampakan keseluruhan gambaran.

2.1.6. Extract, Transform, Loading Data (ETL)

Menurut Vercellis (2009, p53), ETL mengacu pada perangkat

lunak yang ditujukan untuk melakukan dengan cara otomatis tiga

fungsi utama : extraction, transformation, and loading data ke dalam

data warehouse.

• Extract

Selama tahap pertama, data diproses dari

sumber internal dan external. Perbedaan logis dapat

dibuat antara awal ekstraksi, dimana tersedia data yang

relatif terhadap semua periode masa lalu dimasukkan

kedalam data warehouse yang kosong, dan ekstraksi

tambahan berikutnya yang memperbarui data

warehouse menggunakan data baru yang menjadi

tersedia dari waktu ke waktu. Pemilihan data yang akan

diimpor didasarkan pada desain data warehouse.Yang

tergantung pada informasi yang dibutuhkan oleh

analisis business intelligence dan sistem pendukung

keputusan (DSS) yang beroperasi di domain aplikasi

tertentu.

• Transformation

18

Tujuan dari fase pembersihan dan transformasi

adalah meningkatkan kualitas data yang diambil dari

sumber yang berbeda, melalui koreksi inkonsistensi,

ketidakak uratan dan nilai-nilai yang hilang.

• Loading

Akhirnya, setelah diekstraksi dan diubah, data

dimuat ke dalam tabel data warehouse untuk membuat

mereka tersedia bagi analis dan aplikasi pendukung

pembuat keputusan.

Sedangkan menurut Kimbaln (2013, p19-20)

bahwa Ekstrak, transformasi, dan load (ETL) adalah

suatu system dari Data Warehouse atau business

inteligence yang terdiri dari area kerja, struktur data

yang dipakai, dan satu set proses. Sistem ETL

adalah segalanya antara hubungan operasional sistem

dan area presentasi dari data warehouse atau business

intelligence

2.1.7. Dimesionality Modeling

Menurut Connolly & Begg (2015, p1261), dimensional

modeling adalah teknik desain logis yang bertujuan untuk menyajikan

data standar, dalam bentuk intuitif yang memungkinkan untuk

mengakses kemampuan kinerja.

2.1.7.1. Star Schema

Menurut Connolly & Begg (2015, p1261), starschema

adalah model data dimensi yang memiliki tabel fakta di

tengah, dikelilingi oleh tabel dimensi denormalized. Skema

bintang mengeksploitasi karakteristik data faktual sehingga

facs dihasilkan oleh peristiwa yang terjadi di masa lalu, dan

tidak mungkin untuk berubah, terlepas dari bagaimana hari

dianalisis. Karena sebagian besar data dalam data warehouse

19

direpresentasikan sebagai fakta, tabel fakta bisa relatif sangat

besar untuk tabel dimensi.

Fakta yang paling berguna dalam tabel fakta numerik

dan aditif, karena aplikasi data warehouse hampir tidak pernah

mengakses catatan tunggal, mereka mengakses ratusan, ribuan,

atau bahkan jutaan catatan pada waktu dan yang paling

berguna untuk melakukan dengan begitu banyak catatan

adalah untuk agregat mereka.

Sedangkan menurut Vercellis (2009,p55), star schema

memiliki dua tipe tabel yaitu tabel fakta (fact table) dan tabel

dimensi (dimension table). fact table adalah tabel yang

umumnya mengandung sesuatu yang dapat diukur dan bersifat

historis, dan merupakan kumpulan foreign key dari primary

key yang terdapat pada masing-masing dimension table.

Tabel dimensi (dimension table) adalah table yang

berisikan kategori-kategori dengan ringkasan detil yang dapat

berupa laporan. Secara umum, dapat disebut dengan dimensi

yang terkait dengan entitas sekitarnya dalam proses organisasi.

Gambar 2.3 – Contoh Star Schema

Sumber : Vercellis (2009,p56)

2.1.7.2. Perbandingan Star Schema, Snowflake dan Starflake

20

Sebuah skema bintang dapat memiliki sejumlah tabel

dimensi. Cabang-cabang pada akhir dari link yang

menghubungkan tabel menunjukkan hubungan One-to-many

antara tabel fakta dan tabel dimensi masing-masing.

Gambar 2.4 – Contoh Star Schema

Sumber : Vercellis (2009,p56)

Snowflake terdiri dari satu tabel fakta yang

terhubung banyak ke tabel dimensi, yang dimana

dimensi tersebut dapat dihubungkan ke tabel dimensi

lain dengan relationship one-to-many. Tabel dalam

snowflake schema biasanya dinormalisasi ke bentuk

normal ketiga.

21

Gambar 2.5 – Contoh Snowflake

Sumber : Vercellis (2009,p56)

Sebuah starflake schema adalah kombinasi daristar

schema dan snowflake. Starflake schema adalah snowflake

schema di mana hanya beberapa tabel dimensi telah

denormalize.

Starflake schema bertujuan untuk memanfaatkan

keuntungan dari kedua star snowflake scheme. Hirarki dari

star schemas denormalized, sedangkan hierarki snowflake

schemas dinormalisasi.

Starflake schemas dinormalisasi untuk

menghilangkan redudansi dalam dimensi. Untuk

menormalkan skema, hirarki dimensi bersama

ditempatkan di Outriggers. Sebuah outriggers adalah tabel

dimensi atau entitas yang bergabung ketabel dimensi lain

dalam star schema

22

Gambar 2.6 – Contoh Starflake schema

Sumber : Vercellis (2009,p57)

2.1.8. Pengertian Data Mart

Menurut Connolly & Begg (2015, p347),Data Mart adalah

subset dari Data Warehouse yang mendukung kebutuhan dari

departemen tertentu atau fungsi bisnis. Isu-isu yang terkait dengan

data mart termasuk fungsi, ukuran, kinerja beban, akses pengguna

kedata dalam beberapa data mart, Internet /intranet akses,

administrasi, daninstalasi.

Menurut Vercellis(2009, p49),Data mart adalah sistem yang

mengumpulkan semua data yang dibutuhkan oleh perusahaan pada

departemen-departemen tertentu, seperti pemasaran atau logistik,

untuk bertujuan melakukan analisis business intelligence dan untuk

menjalankan aplikasi pendukung keputusan khusus untuk fungsi itu

sendiri.

Data mart juga dapat dianggap sebagai fungsional atau

departemen Data Warehouse dalam ukuran yang lebih kecil dan jenis

yang lebih spesifik dari pada keseluruhan Data Warehouse

perusahaan. Oleh karena itu, sebuah data mart berisi subset dari data

yang disimpan di data warehouse perusahaan, yang biasanya

terintegrasi dengan data yang lain pada perusahaan. Misalnya, data

23

mart pemasaran akan berisi data yang diambil dari pusatdata

warehouse, seperti informasi pelanggan dan transaksi penjualan, tetapi

juga terdapat data tambahan yang berkaitan dengan fungsi pemasaran,

seperti hasil pemasaran yang berjalan di masa lalu.

2.1.9. Meta Data

Menurut Vercellis (2009, p54), dalam mendokumentasikan data

yang terdapat dalam data warehouse, dianjurkan untuk membuat sebuah

struktur informasi spesifik yang dikenal sebagai metadata. Metadata

disebut juga deskripsi data. Metadata menunjukkan setiap atribut data

warehouse sumber asli dari datanya, yang berarti data tersebut dan

semua transformasi yang telah dilakukan. Dokumentasi yang

disediakan oleh metadata harus terus menerus up-to-date, dalam rangka

untuk mencerminkan perubahan dalamstruktur data warehouse. Dan

dokumentasi harus langsung dapat diakses oleh pengguna data

warehouse.

Berdasarkan teori diatas disimpulkan bahwa metadata

merupakan data mengenai data dimana metadata ini mengandung

informasi mengenai isi suatu data yang dipakai untuk keperluan

manajemen. Data itu nantinya dalam suatu basis data yang dapat

berbentuk nama ruas (field), panjang field, dan tipe fieldnya: integer,

character, date, dll.

2.1.10. Pengertian Data Mining

Menurut Connolly (2015, p 1316) Data mining adalah proses

penggalian informasi yang valid, yang sebelumnya tidak dikenal,

dipahami, dan ditindaklanjuti dari database besar dan

menggunakannya untuk membuat keputusan bisnis penting. Ada

empat kegiatan utama yang terkait dengan teknik data mining:

pemodelan prediktif, segmentasi basis data, analisa link, dan deteksi

deviasi.

24

1. Pemodelan prediktif

Pemodelan prediktif dapat digunakan untuk

menganalisis database yang sudah ada untuk menentukan

beberapa karakteristik penting (model) mengenai kumpulan

data. Model ini dikembangkan dengan menggunakan

pendekatan pembelajaran terawasi, yang memiliki dua fase:

pelatihan dan pengujian. Aplikasi pemodelan prediktif

meliputi manajemen pelanggan retensi, persetujuan kredit,

cross selling dan direct marketing.ada dua teknik yang terkait:

klasifikasi dan prediksi nilai.

2. Segmentasi basis data

Segmentasi basis data partisi database ke nomor tak

dikenal segmen atau cluster catatan serupa. Pendekatan ini

menggunakan pembelajaran tanpa pengawasan untuk

menemukan sub-populasi homogen dalam database untuk

meningkatkan akurasi dari profil.

3. Analisis link

Bertujuan untuk membangun link, asosiasi disebut,

antara catatan individu, atau set cattan, dalam database. Ada

tiga spesialisasi analisis link: asosiasi penemuan, pola

penemuan sekuensial, dan penemuan urutan waktu yang sama.

Asosiasi penemuan menemukan item yang menyiratkan

keberadaan barang-barang lainnya dalam acara yang sama.

Pola penemuan berurutan menemukan pola antara peristiwa

tersebut bahwa kehadiran satu set item diikuti oleh satu set

item dalam database peristiwa selama periode waktu.

Penemuan urutan waktu yang sama digunakan, misalnya,

dalam penemuan hubungan antara dua set data yang

bergantung waktu, dan didasarkan pada tingkat kesamaan

antara pola yang kedua seri waktu menunjukkan.

25

4. Deviasi deteksi

Deviasi deteksi sering menjadi sumber penemuan yang

benar karena mengidentifikasi outlier, yang mengungkapkan

penyimpangan dari beberapa harapan yang diketahui

sebelumnya dan norma. operasi ini dapat dilakukan dengan

menggunakan statistik dan teknik visualisasi atau sebagai

produk membeli dari data mining.

Menurut Vercellis (2009, p77) Kegiatan Data mining

merupakan proses berulang-ulang yang ditujukan untuk

menganalisis database atau data dalam jumlah yang besar,

dengan tujuan penggalian informasi dan pengetahuan yang

akurat agar dapat memberikan pengetahuan untuk para pekerja

dan dapat berguna untuk terlibat dalam pengambilan

keputusan dan pemecahan masalah.

Kegiatan Data mining dapat dibagi lagi menjadi dua

penyelidikan besar, sesuai dengan tujuan utama dari analisis

yaitu: interpretation dan prediction.

• Interpretation : Tujuan interpretasi adalah

untuk mengidentifikasi pola-pola yang teratur pada

data dan untuk mengekspresikan mereka melalui

aturan dan kriteria yang dapat dengan mudah

dipahami oleh para ahli dalam domain aplikasi. Aturan

yang dihasilkan harus asli dan non-trivial dalam rangka

untuk benar-benar meningkatkan tingkat pengetahuan

dan pemahaman tentang suatu sistem yang penting.

• Prediction : Tujuan dari prediksi adalah untuk

mengantisipasi nilai variable yang acak di masa depan

atau untuk memperkirakan kemungkinan kejadian yang

akan terjadi di masa depan.

26

Berikut adalah pengertian data mining yang dikutip

dari jurnal Eka Miranda (2008) Data mining adalah proses

analisis terhadap data dengan penekanan menemukan

informasi yang tersembunyi pada sejumlah besar data yang

disimpan ketika menjalankan bisnis perusahaan. Teknik data

mining merupakan implementasi yang khusus dengan

algoritma, yang digunakan pada operasi data mining.

Terdapat 6 teknik umum data mining, antara lain

sebagai berikut. Pertama, association. Digunakan untuk

mengenali kelakuan dari kejadian-kejadian khusus atau proses.

Link asosiasi muncul pada setiap kejadian. Kedua,

sequence.Mirip dengan asosiasi, namun menghubungkan

kejadian- kejadian sepanjang waktu dan menentukan

keterhubungan antar item untuk sepanjang waktu.Ketiga,

classification. Melihat pada kelakuan dan atribut dari

kelompok yang telah didefinisikan.Tool data mining dapat

memberikan klasifikasi pada data baru dengan memanipulasi

data yang ada, yang telah diklasifikasi dan dengan

menggunakan hasilnya untuk memberikan sejumlah

aturan.Aturan-aturan tersebut digunakan pada data-data baru

untuk diklasifikasi. Teknik ini menggunakan supervised

induction, yang memanfaatkan kumpulan pengujian dari

record yang terklasifikasi untuk menentukan kelas-kelas

tambahan. Keempat, cluster.Dapat digunakan untuk

menganalisis pengelompokan berbeda terhadap data.Mirip

dengan klasifikasi, namun pengelompokan belum

didefinisikan sebelum dijalankannya tool data mining.

Biasanya menggunakan metode neural network atau

statistik. Clustering membagi item menjadi kelompok-

kelompok berdasarkan yang ditemukan tool data mining.

Kelima, regression (forecasting). Menggunakan nilai dari data

yang diketahui untuk memperkirakan nilai di masa depan atau

27

kejadian masa depan berdasarkan kecenderungan sejarah dan

statistik. Keenam, time series (forecasting). Perbedaan dengan

regresi adalah bahwa time series hanya memperkirakan data

yang bergantung pada waktu.

2.1.11. Pengertian OLAP (Online Analitical Processing)

Menurut Connolly & Begg (2015, p1286) Online analytical

processing(OLAP) adalah sintesis dinamis, analisis, dan konsolidasi

volume besar data multidimensi. Aplikasi OLAP ditemukan di daerah

fungsional yang sangat beragam termasuk penganggaran, analisis

kinerja keuangan, analisis penjualan dan peramalan, analisis riset

pasar dan segmentasi pasar/pelanggan. Karakteristik utama dari

aplikasi OLAP mencakup pandangan multidimensi data, dan

dukungan untuk perhitungan yang rumit.

Sedangkan menurut Scheps (2008, p68) OLAP memiliki arti

sebagai sebuah konsep multidimensional data dengan melakukan

konseptualisasi data transaksional perusahaan. Selain memberikan

tampilan yang lebih ringkas, OLAP juga memberikan cara baru dalam

melihat data pada sistem business intelligence

Menurut (Turban, Sharda, Delen, & King, 2011, p77). Struktur

operasional utama dalam OLAP didasarkan pada konsep yang disebut

kubus (cube). Kubus (cube) didalam OLAP adalah struktur data

multidimensi (aktual atau virtual) yang memungkinkan analisis data

yang cepat. Juga dapat didefinisikan sebagai kemampuan dari

memanipulasi dan menganalisis data secara efisien dari berbagai

perspektif. Susunan data kedalam kubus bertujuan untuk mengatasi

keterbatasan database relational. Database relational tidak cocok

untuk analisis yang cepat dan dekat dari sejumlah besar data.

Sebaliknya, mereka lebih cocok untuk memanipulasi record

(menambahkan, menghapus, dan memperbarui data) yang

mewakili serangkaian transaksi.

28

2.1.12. Structured Query Language (SQL)

Menurut Connolly & Begg (2010, p184) SQL (Structured

Query Language) adalah contoh dari transform-oriented-language

atau bahasa yang didesain dengan menggunakan relasi untuk

mengubah input menjadi output yang diinginkan.

Sebuah database language dapat memungkinkan user untuk :

• Membuat hubungan struktur dan database.

• Melakukan operasi penyisipan (insert), perubahaan

(modification) dan penghapusan (deletion).

• Menampilkan query sederhana dan kompleks

2.1.12.1. Database Language

2.1.12.1.1. Data Definition Language

Menurut Connolly & Begg (2010, p92),

mendefiniskan data definition language (DDL) sebagai

bahasa yang memungkinkan database administratior

untuk menambahkan dan menanamkan entitas, atribut

dan hubungan yang dibutuhkan dalam aplikasi, terkait

dengan itegritas dan kendala keamanan aplikasi.

2.1.12.1.2. Data Manipulation Language

Menurut Connolly & Begg (2010, p92)

mendefiniskan bahwa Data Manipulation Language

(DML) sebagai bahasa yang menyediakan suatu fungsi

yang dapat memanipulasi data-data yang ada di dalam

database.

29

2.1.13. Pengertian Business Intelligence

Menurut Vercellis (2009, p3), Bussiness intelligence di

definisikan sebagai suatu kumpulan dari model matematika dan

metodologi analisis untuk mengeksploitasi ketersediaan data untuk

mendapatkan informasi dan pengetahuan yang berguna untuk

pembuatan keputusan yang kompleks.

Dan berikut ini merupakan kutipan dari jurnal Siswono (2013)

BI adalah teknologi baru untuk memahami masa lalu dan

memprediksi masa depan. Teknologi yang dimaksudkan disini adalah

teknologi yang mampu mengumpulkan, menyimpan, mengakses dan

menganalisis data untuk membantu para pengambil keputusan

menghasilkan keputusan yang lebih baik. Sebagai sebuah aplikasi,

maka BI meliputi aktivitas decision support systems, query dan

reporting, OLAP (OnLine Analytical Processing), analisis statistik,

peramalan dan data mining.

2.1.13.1. Keuntungan Business Intelligence

Menurut Vercelis (2009, p5), Tujuan utama dari

business intelliegence adalah untuk menyediakan pengetahuan

bagi pekerja dengan tools dan metodologi yang dapat

membantu mereka dalam mengambil keputusan secara efektif

dan tepat pada waktunya. Terdapat 2 keuntungan besar dalam

menggunakan business intelligence menurut vercellis yaitu :

• Effective decision

Business intelligence menerapkan

metode analisis yang ketat sehingga pengambil

keputusan dapat mengandalkan informasi dan

pengetahuan yang dapat diandalkan dalam

mengambil keputusan.Sebagai hasilnya,

manajer mampu membuat keputusan yang lebih

baik dan dapat menyusun strategi yang

30

memungkinkan tujuan mereka dicapai dengan

cara yang lebih efektif.

• Timely decision

Perusahaan beroperasi di lingkungan

ekonomi yang ditandai dengan tingkat

persaingan yang tinggi dan perkembangan yang

dinamis.Akibatnya, kemampuan untuk secara

cepat bereaksi terhadap tindakan pesaing dan

pasar kondisi-kondisi baru merupakan faktor

penting dalam keberhasilan atau bahkan

kelangsungan hidup perusahaan.

Gambar 2.7 Benefits of a business intelligence

system

Sumber : Vercellis (2009, p6)

Berikut adalah beberapa manfaat yang di ambil

dari jurnal Suparto Darudianto (2010) beberapa

manfaat yang bisa didapatkan apabila perusahaan

31

mengimplementasikan business intelligence adalah

sebagai berikut :

1. Pertama, meningkatkan nilai data dan

informasi organisasi. Melalui

pembangunan BI, seluruh data dan

informasi dapat diintegrasikan sedemikian

rupa sehingga menghasilkan pengambilan

keputusan yang lengkap

2. Kedua, memudahkan pemantauan kinerja

organisasi dengan menggunakan Key

Performance Indicator (KPI).

3. Meningkatkan nilai investasi teknologi

informasi yang sudah ada.

4. Menciptakan pegawai yang memiliki akses

informasi yang baik (well-informed

workers).

5. Kelima, meningkatkan efisiensi biaya. BI

dapat meningkatkan efisiensi karena

mempermudah seseorang dalam

melakukan pekerjaan, hemat waktu, dan

mudah pemanfaatannya. Waktu yang

dibutuhkan untuk mencari data dan

mendapatkan informasi yang dibutuhkan

semakin singkat dan cara untuk

mendapatkannya pun tidak memerlukan

pengetahuan (training) yang rumit.

32

2.1.13.2. Siklus Business Intelligence

Menurut Vercellis (2009, p12), Setiap analisis business

inteligence mengikuti jalannya sendiri sesuai dengan aplikasi

domain, sikap pribadi para pengambil keputusan dan

ketersediaan metodologi analitis. Namun, adalah mungkin

untuk mengidentifikasi jalur siklus ideal yang mencirikan

evolusi analisis business inteligence yang khas, seperti yang

ditunjukkan pada Gambar 2.8.

Gambar 2.8 – Cycle of a business intelligence analysis

• Analysis

Selama tahap analisis,perlu untuk

mengenali dengan baik dan akurat dalam

menguraikan masalah yang dihadapi. Para

pembuat keputusan kemudian harus membuat

representasi dari suatu kejadian untuk

dianalisis, dengan mengidentifikasi faktor kritis

yang dianggap sebagai yang paling relevan.

Ketersediaan metodologi business intelligence

dapat membantu dalam tahap ini, dengan

mengijinkan para pengambil keputusan untuk

secara cepat mengembangkan berbagai jalur

analisis.

33

• Insight

Pada tahapkedua memungkinkan

pengambil keputusan untuklebih baik danlebih

mendalam, dalam memahami masalah yang

dihadapi. Informasi yang diperoleh melalui

tahap analisis adalah kemudian berubah

menjadi suatu pengetahuan selama fase

wawasan. Disatu sisi, ekstraksi pengetahuan

dapat terjadi karena intuisi dari pembuat

keputusan dan oleh karena itu ini didasarkan

pada pengalaman pembuat keptusan dan

mungkin informasi tidak terstruktur yang

tersedia bagi mereka.

• Decision

Selama fase ketiga, pengetahuan yang

diperoleh sebagai hasil dari fase insght yang

diubah menjadi keputusan dan kemudian

menjadi tindakan. Ketersediaan metodologi

business inteligence memungkin kanan alisis

dan fase insight akan dieksekusi lebih cepat

sehingga keputusan yang lebih efektif dan tepat

waktu, dapat dibuat dan sesuai dengan prioritas

strategi organisasi yang dibutuhkan.

• Evaluation

Akhirnya, fase keempat dari siklus

business intelligence melibatkan pengukuran

kinerja dan evaluasi. Maka metric yang luas

harus dibuat yang tidak terbatas ke

eksklusifannya pada aspek keuangan, tetapi

juga memperhitungkan indicator kinerja utama

34

yang ditetapkan untuk departemen-departemen

yang berbeda pada perusahaan.

2.2. Teori Khusus

2.2.1. Entity Relationship Diagram (ERD)

Menurut Satzinger, Jackson dan Burd (2012, p90) entity-

relationship diagram adalah sebuah diagram yang terdiri dari entitas

(satu set hal) dan hubungan mereka

Gambar 2.9 Cardinality Symbol Of ERD Relationships

Sumber : Satzinger, Jackson dan Burd (2012, p91),

Introduction to Sytem Analysis and Design : An Agile Iterative

Approach

35

Gambar 2.10 Entity Relationship Diagram

Sumber : Satzinger, Jackson dan Burd (2012, p92),

Introduction to Sytem Analysis and Design : An Agile Iterative

Approach

2.2.2. Activity Diagram

Menurut Satzinger, Jackson dan Burd (2012, p55), activity

diagram adalah mendeskripsikan kegiatan user (atau sistem), orang

yang melakukan setiap kegiatan, dan aliran kegiatan yang berurutan

Gambar 2.11 Notasi Activity diagram

Sumber : Satzinger, Jackson dan Burd (2012, p56), Introduction to

Sytem Analysis and Design : An Agile Iterative Approach.

36

Gambar 2.12 Activity diagram

Sumber : Satzinger, Jackson dan Burd (2012,

p57), Introduction to Sytem Analysis and

Design : An Agile Iterative Approach

2.2.3. Use Case

2.2.3.1. Pengertian Use Case

Use case menurut Satzinger, Jackson and Burd (2012,

p63) adalah suatu kegiatan yang dilakukan oleh sebuah sistem,

biasanya dalam merespon permintaan user

2.2.3.2. Use Case Diagram

Use case diagram menurut Satzinger, Jackson and

Burd (2012, p72) adalah UML model yang digunakan untuk

37

mengambarkan use case dan hubungannya dengan actor atau

pengguna system.

Gambar 2.13Use Case Diagram

Sumber : Satzinger, Jackson dan Burd (2012, p77),

Introduction to Sytem Analysis and Design : An Agile

Iterative Approach

Menurut Satzinger, Jackson dan Burd (2012, p77)

<<includes>> relationship adalah suatu hubungan antara use

cases dimana satu use case memiliki hubungan atau kesamaan

termasuk dalam use case lainnya.

38

Gambar 2.14 Use Case Diagram<<includes>>

Sumber : Satzinger, Jackson dan Burd (2012, p78), Introduction to

Sytem Analysis and Design : An Agile Iterative Approach

2.2.3.3. Use Case Specification

Menurut Arlow & Neustadt (2005,p78),setelah

membuat use case diagram mulailah menjelaskan tiap use

case dengan membuat use case specification. Tidak ada

standarisasi UML, dalam penulisan use case specification.

Gambar 2.15 merupakan contoh use case specification.

39

Gambar 2.15 - ContohUse Case

Specification

(Sumber: Arlow& Neustadt,

2005, p78)

2.2.4. Forecasting

Heizer dan Render (2009:162), Peramalan (forecasting) adalah

seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini

dapat dikakukan dengan melibatkan pengambilan data masa lalu

dan menempatkannya kemasa akan datang dengan suatu bentuk

model matematis. Bila juga merupakan prediksi intuasi yang bersifat

subjektif. Atau bisa juga dengan menggunakan kombinasi model

matematis yang disesuaikan dengan pertimbangan yang baik dari

seorang manajer.

Menurut sellani, Robert J (2009) dalam Journal of the

International Academy for Case Studies. The Sales forecast is the

most important plan in an organization. For a manufacturing

company, the Sales forecast must be in sufficient detail for

Manufacturing to translate those requirements into physical products.

Therefore it is not sufficient for the Sales forecast to be equal to last

years' sales plus 10%.Manufacturing must know which products are

going to be obsolete, which will be increasing and decreasing in

sales, and which will require new manufacturing methods in

production.

40

2.2.5. Key Performance Indicator

Menurut Parmenter (2007 , p3), Key Performance Indicator

adalah suatu kegiatan yang berfokus pada aspek-aspek kinerja

organisasi yang paling penting untuk keberhasilan organisasi pada

masa ini dan masa depan

key performance indicator (KPI) adalah jenis pengukuran

kinerja dari suatu organisasi atau perusahaan, KPI dapat menilai atau

menjadi suatu ukuran keberhasilan dari suatu organisasi. kadang-

kadang keberhasilan didefinisikan pada saat suatu proses atau

kegiatan sedang berjalan untuk mencapai tujuan organisasi. Oleh

karena itu, memili KPI yang tepat bergantung pada pemahaman yang

baik tentang apa yang penting bagi organisasi, KPI sering tergantung

pada departemen pengukuran kinerja. misalnya KPI berguna untuk

keuangan akan berbeda dari KPI ditugaskan untuk penjualan. Karena

ada kebutuhan untuk memahami dengan baik apa yang penting untuk

organisasi, berbagai teknik untuk menilai kondisi bisnis pada saat ini,

dan kegiatan utama yang terkait dengan pemilihan indikator kinerja.

Penilaian ini sering mengarah pada identifikasi potensi perbaikan,

sehingga indikator kinerja secara rutin terkait dengan inisiatif

peningkatan kinerja. Sebuah cara yang sangat umum untuk memilih

KPI adalah dengan menerapkan kerangka manajemen seperti balanced

scorecard.

2.2.6. Product Positioning

Menurut Kotler dan Amstrong (2011, p49), Positioning adalah

tindakan mengatur produk untuk menempati tempat yang tepat, khas,

dan diinginkan. terhadap produk-produk pesaing dalam benak target

konsumen. Pemasar produk merencanakan posisi yang bisa

membedakan produk mereka dari merek pesaing dan memberi produk

keuntungan dalam target pasar perusahaan.

Adapun menurut Kotler (2012, p276), Positioning adalah

strategi perusahaan untuk merancang produk dan nilai pemasaran

41

yang tepat sehingga dapat tercipta sesuatu yang diingat oleh pangsa

pasar.

2.2.7. Penjualan

Menurut Kotler (2010, p528), Penjualan merupakan sebuah

proses dimana kebutuhan pembeli dan kebutuhan penjual terpenuhi,

melalui antar pertukaran informasi dan kepentingan. Konsep

penjualan juga dapat diartikan sebagai cara untuk mempengaruhi

konsumen untuk membeli produk yang ditawarkan.

Sedangkan menurut Mulyadi (2008, p160), Penjualan

memiliki peranan penting dalam perusahaan karena penjualan

merupakan sumber kelangsungan hidup suatu pembayaran.Semakin

besar jumlah penjualan semakin besar pula laba yang diperoleh.

Penjualan terjadi apabila pihak yang satu (penjual) menyerahkan hak

milik suatu barang, sedangkan pihak lain (pembeli) membayar barang

baik secara tunai maupun kredit sebagai imbalan dari perolehan hak

milik tersebut.

2.2.8. Pembelian

Menurut Mulyadi (2008, p316), Pembelian adalah suatu usaha

yang digunakan dalam perusahaan untuk pengadaan barang yang

diperlukan oleh perusahaan

2.2.9. Distribusi

Menurut Chopra (2010, p86) Distribusi adalah sebuah

kegiatan untuk memindahkan produk dari pihak supplier ke pihak

customer dalam suatu supply chain. Distribusi adalah sebuah kunci

dari keuntungan yang akan diperoleh perusahaan karena distribusi

sangat mempengaruhi biaya dari supply chain dan kebutuhan

customer, jaringan distribusi yang tepat dapat digunakan untuk

mencapai berbagai tujuan dari supply chain, dimulai dari biaya yang

rendah sampai yang tertinggi terhadap permintaan customer.

42

2.2.10. Dashboard

Menurut Rainer dan Cegielski (2011,p366), Digital

Dashboard biasanya disebut executive dashboard atau management

cockpit menyediakan akses informasi yang cepat dan tepat waktu, dan

akses langsung ke laporan manajemen.Digital Dashboard sangat

user-friendly dan didukung dengan grafik.Digital Dashboard

memperbolehkan manager untuk memeriksa laporan tertentu dan

laporan yang rinci.

Menurut Laudon dan Laudon (2010,p81), Digital Dashboard

merupakan dashboard yang menampilkan, pada satu layar, semua

hasil pengukuran yang penting untuk mengarahkan perusahaan, mirip

dengan kokpit pesawat atau dashboard mobil. Dashboard tersebut

menampilkan indikator-indikator kinerja kunci sebagai grafik dan

diagram dalam format browser web. Memberikan gambaran satu

halaman dari semua pengukuran penting yang diperlukan untuk

mengambil keputusan di tingkat eksekutif.

Menurut Person (2009,p108), Eksekutif, Manager, dan

Supervisor menggunakan dashboard untuk melacak strategi, operasi

dan taktik.Sebuah dashboard yang dirancang dengan baik dapat

membantu pengambilan keputusan yang baik dan cepat. Pada

kenyataannya survei menunjukan dua keuntungan utama dari

penerapan dashboard yaitu pengambilan keputusan dan pengurangan

pekerjaan administrasi untuk analisis dan penelitian.

Menurut Kusnami (2009,p88-p89), Dashboard adalah satu

kategori dari aplikasi business intelligence yang secara real time akan

memonitoring berbagai informasi yang dibutuhkan oleh suatu

organisasi atau perusahaan dengan berbagai macam format seperti

graphical gadgets, typically, gauges, charts, indicators, dan color-

coded maps yang memungkinkan mereka membuat keputusan pintar

secara cepat.

43

Menurut Oana dan Ogan (2012,p1), Dashboard adalah alat

diagnostik yang dirancang untuk mendukung manager yang sibuk

dengan sebuah gambaran singkatdari kinerja perusahaan.

2.2.11. Tableau Desktop

Tableau Desktop adalah sebuah software business

intelligenceyang dapat membantu menganalisi data statistik dengan

mudah agar dapat memberikan solusi yang lebih baik, lebih cepat dan

tepat dalam memberikan solusi-solusi dalam pemecahan masalah

bisnis perusahaan.Hal ini terbukti dari banyaknya pelanggan-

pelanggan yang menggunakan jasa Tableau.Dan juga tableu bekerja

sama dengan banyak perusahaan besar yang bergerak dalam 4 bidang

yaitu:

1. Alliance partners

2. OEM partners

3. Reseller partners

4. Technology partners

44