Pembangunan Data Warehouse Pada PT. Pupuk Iskandar Muda

PEMBANGUNAN DATA WAREHOUSE PADA

PT.PUPUK ISKANDAR MUDA

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

DINDA WILANDA 10110689

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2016

iii

Pembangunan Data Warehouse Pada PT.Pupuk Iskandar Muda.

Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, dan masukan dari berbagai pihak. Untuk itu, penulis ingin menyampaikan terimakasih yang sebesar-besarnya kepada :

1. Allah SWT yang telah menganugerahkan kesehatan sehingga penulis dapat menyelesaikan skripsi ini.

2. Bapak Nurman dan Ibu Sri Wardani selaku kedua orang tua saya yang telah

memberikan motivasi, dukungan moral dan materi, dan do’a yang tidak

pernah putus sehingga penulis dapat menyelesaikan skripsi ini.

3. Opi, Indah, Nori, Loli, Arif selaku kakak dan adik saya yang telah memberikan dukungan dan motivasi.

4. Bapak M.Hanafiah, Ibu Asmawati dan Geidar Hafiz selaku keluarga kedua saya yang telah mendukung, memberi semangat dan motivasi.

5. Ibu Nelly Indriani W, S.Si., M.T. selaku dosen wali penulis yang telah banyak memberikan ilmu, bantuan dan motivasi kepada penulis.

6. Ibu Dian Dharmayanti, S.T., M.KOM. selaku pembimbing yang telah banyak sabar dan memberi arahan serta saran kepada saya sehingga bisa menyelesaikan skripsi ini.

7. Ibu Ken Kinanti Purnamasari, S.Kom., M.T. selaku reviewer yang telah memberikan arahan kepada saya.

8. Bapak/Ibu dosen Teknik Informatika yang telah memberikan ilmunya kepada saya.

9. Teman – teman seperjuangan skripsi yang tidak kenal putus asa dan menghibur saat mengerjakan skripsi ini.

iv

10. Keluarga besar IF-16 2010 Cungkring, Windia, Iky, Otep, Meta, Moty, Babeh Maul, Bimbim, Chandu, Macen, Liberhot yang tidak bisa disebutkan satu persatu atas dukungan dan kerjasamanya.

11. Keluarga kostan ibu Tien, Azy, Rani, Evi yang selalu ada untuk menghibur dan memberi semangat ketika saya sedang mengalami kebuntuan.

12. Teman – teman tersayang khususnya Tryulia, Imez, Meiliza, Idris dan Nauli yang selau memberi semangat agar cepat menyelesaian skripsi dan lulus kuliah.

Akhir kata penulis ucapkan terimakasih, semoga skripsi ini dapat bermanfaat bagi pembaca.

Bandung, 05 Januari 2016

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... xi

DAFTAR SIMBOL ... xv

DAFTAR LAMPIRAN ... xvii

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Identifikasi Masalah ... 2

1.3 Maksud dan Tujuan ... 2

1.4 Batasan Masalah ... 3

1.5 Metodologi Penelitian ... 3

1.5.1 Metode Pengumpulan Data ... 3

1.5.2 Metode Pembangunan Perangkat Lunak ... 4

1.6 Sistematika Penulisan ... 6

BAB 2 TINJAUAN PUSTAKA ... 7

2.1 Profil Institusi ... 7

2.2 Logo ... 7

2.3 Visi dan Misi ... 8

2.3.1 Visi ... 8

2.3.2 Misi ... 8

2.5 Data Warehouse ... 8

2.5.1 Tugas Data Warehouse ... 10

2.5.2 Proses Dan Arsitektur Data Warehouse ... 11

2.5.3 Multi Dimensional Modeling ... 14

2.5.4 Visualisasi Dari Suatu Dimensional Model ... 15

2.5.5 Online Analytical Processing (OLAP) ... 18

2.5.5.1 OLAP Services ... 18

2.5.5.2 Teknik Penyimpanan Data dalam OLAP ... 19

2.5.5.3 OLAP Cube (Kubus OLAP) ... 20

2.6 Microsoft Visual Studio ... 22

2.7 SQL Server ... 22

BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 25

3.1 Analisis Sistem ... 25

3.1.1 Analisis Masalah ... 25

3.1.2 Analisis Data ... 25

3.1.3 Analisis Kebutuhan Informasi Strategis ... 31

3.1.4 Analisis Dimensi dan Fakta ... 32

3.1.5 Analisis Data Staging ... 34

3.1.5.1 Analisis Dimensi ... 52

3.1.5.2 Analisis Fakta ... 55

3.2 Analisis OLAP dan Reporting Tools ... 58

3.2.1 Analisis OLAP ... 58

3.2.2 Analisis Reporting Tools ... 62

3.3 Analisis Kebutuhan ... 62

3.3.2 Analisis Kebutuhan Fungsional ... 68

3.3.2.1 Diagram Konteks ... 68

3.3.2.2 Data Flow Diagram (DFD) ... 69

3.3.3 Spesifikasi Proses ... 71

3.3.4 Perancangan Arsitektur ... 76

3.3.4.1 Perancanga Struktur Menu ... 76

3.3.4.2 Perancangan Antar Muka ... 76

3.3.4.3 Perancangan Pesan ... 82

3.3.4.4 Perancangan Jaringan Semantik ... 83

3.3.5 Perancangan Prosedural ... 84

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 87

4.1 Implementasi ... 87

4.1.1 Perangkat Lunak Pembangun ... 87

4.1.2 Implementasi Basis Data ... 88

4.1.3 Implementasi Antar Muka ... 93

4.2 Pengujian Sistem ... 94

4.2.1 Pengujian Alpha ... 95

4.2.2 Kasus dan Hasil Pengujian Alpha ... 95

4.2.3 Kesimpulan Pengujian Alpha ... 116

4.2.4 Pengujian Informasi Strategis ... 117

4.2.5 Pengujian Beta ... 123

BAB 5 KESIMPULAN DAN SARAN ... 125

5.1 Kesimpulan ... 125

5.2 Saran ... 125

128

Modern Principles and Methodologies.New York: Mc Graw Hill. [3] Vincent Rainardi, Building a Dta Warehouse; Apress, 2008

[4] Ponniah Paulraj,2001.Data, Warehouseing Fundamentals,New York : A Wiley Interscience Publication.

[5] Rainardi, V. Building A Data Warehouse, With Examples in SQL Server. APRESS,2007.

[6] Inmon, William H. 2005. "Building the Data warehouse (4th ed.) Indianapolis :Wiley Publishing, Inc.

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang Masalah

Data warehouse merupakan database yang saling bereaksi yang dapat digunakan untuk query dan analisis, bersifat orientasi subjek, terintegrasi, time-variant, dan tidak berubah, yang digunakan untuk mendukung pengambilan keputusan. Data warehouse adalah suatu sistem yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirim sumber data ke dalam suatu data penyimpanan dimensional dan kemudian mendukung implementasi query

dan analisis untuk tujuan pengambilan keputusan [1].

PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT. Pupuk Indonesia (Persero) dibawah BUMN yang bergerak di bidang industri kimia khususnya memproduksi pupuk urea. PT. Pupuk Iskandar Muda berdiri dengan strategi untuk mencukupi kebutuhan pupuk urea di kawasan Indonesia bagian barat yang secara geografis termasuk kawasan pertanian, setelah sebelumnya kebutuhannya dirintis oleh PT. Pusri Palembang. Maka kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk petani dan perkebunan yang sangat luas di wilayah Sumatera Utara dan beberapa wilayah lainnya(provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat). Pemrosesan dokumentasi dalam proses bisnis di PT. Pupuk Iskandar Muda mencakup pupuk ke seluruh Indonesia berdasarkan regulasi pendistribusian dari BUMN. Dibawah regulasi tersebut, PT. Pupuk Iskandar Muda diwajibkan dapat mendistribusikan sejumlah pupuk ke berbagai daerah sehingga proses bisnis yang dilakukan PT. Pupuk Iskandar Muda mencapai target penjualan.

Berdasarkan hasil wawancara dengan pihak PT. Pupuk Iskandar Muda,saat ini penyimpanan data dalam jumlah besar yang masih terpisah – pisah menyebabkan kesulitan dalam memaksimalkan kualitas keputusan yang dibuat oleh pemimpin perusahaan untuk memenuhi kebutuhan pasar. Saat ini jumlah data yang ada pada PT.Pupuk Iskandar Muda cukup besar sehingga mengakibatkan lambatnya dalam mengakses informasi, kemudian struktur penulisan disetiap

bagian perusahaan memiliki perbedaan tipe data dan penamaan data. Perusahaan yang memiliki banyak kumpulan data yang harus di analisis untuk kelangsungan proses bisnis perusahaan tersebut, dalam melakukan suatu analisis pada suatu informasi diperlukan tampilan data yang dapat menampilkan banyak data. Pembuatan laporan di PT.Pupuk Iskndar Muda dilakukan dengan cara mengumpulkan data dari setiap bagian perusahaan yang dibutuhkan, masalah dalam pembuatan laporan ini dibutuhkannya waktu yang lama. Laporan digunakan perusahaan untuk informasi penting terhadap perkembangan perusahaan dan kegiatan operasional. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional dan bersifat dinamis.

Oleh sebab itu, perusahaan tersebut memerlukan data warehouse untuk dapat mengelola data produksi dan data penjualan untuk mendapat informasi dalam mengambil keputusan.

1.2 Identifikasi Masalah

Berdasarkan latar belakang masalah yang telah di jabarkan sebelumnya yang menjadi permasalahan dalam penelitian ini adalah bagaimana cara membangun sistem menggunakan data warehouse di PT.Pupuk Iskandar Muda.

1.3 Maksud dan Tujuan

Berdasarkan permasalahan yang diteliti, maka maksud dari penelitian tugas akhir ini adalah untuk membangun perangkat lunak data warehouse di PT. Pupuk Iskandar Muda sebagai solusi atas lambat dan sulitnya analisa pada sistem sebelumnya. Sedangkan tujuan yang akan di capai dalam penelitian adalah : 1. Membantu pihak perusahaan dalam mengintegrasikan data.

2. Membantu pihak perusahaan dalam menganalisa penjualan dan produksi barang dalam periode tertentu secara multidimensional.

3

1.4 Batasan Masalah

Ada beberapa batasan masalah dalam penelitian ini agar pembahasan lebih terfokus sesuai dengan tujuan yang akan dicapai. Batasan masalah dalam penelitian ini adalah :

1. Data yang digunakan sebagai penelitian merupakan data perusahaan dalam kurun waktu dua bulan dan dua tahun.

2. Perangkat lunak yang akan dibangun berbasiskan desktop. 3. DBMS yang digunakan adalah SQL Server.

4. Aplikasi pendukung menggunakan Visual Studio.

1.5 Metodologi Penelitian

Metodologi penelitian yang akan digunakan dalam pembuatan skripsi ini menggunakan metodologi deskriptif, yaitu sebuah metode yang bertujuan untuk membuat gambaran secara sistematis dan akurat Serta menjadi dasar pengambilan keputusan.

1.5.1 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut:

a. Studi Literatur

Pengumpulan data dengan cara mempelajari jurnal, browsing internet, buku referensi, dan bacaan-bacaan lainnya yang berhubungan erat dengan judul penelitian.

b. Wawancara

Teknik pengumpulan data dengan cara tanya jawab secara langsung dengan pihak PT.Pupuk Iskandar Muda.

1.5.2 Metode Pembangunan Perangkat Lunak

Metode yang di gunakan dalam Pembangunan sistem data warehouse pada PT. Pupuk Iskandar Muda ini adalah menggunakan model waterfall. Berikut ini beberapa tahapan model waterfall yang di gambarkan pada diagram [1]:

Gambar 1.1 Model Pembangunan Perangkat Lunak[1]

1. System Engineering

Tahapan ini Merupakan bagian terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya ke dalam pembentukan perangkat lunak.

2. Analysis

Tahapan ini merupakan kegiatan menganalisis kebutuhan apa saja yang dibutuhkan untuk pembangunan suatu aplikasi.

3. Design

Tahapan ini merupakan perancangan sistem, yang dilakukan adalah mulai merancang desain database, tampilan antarmuka, dan proses dari sistem yang akan dibangun sesuai dengan kebutuhan user yang telah di analisis sebelumnya.

5

4. Coding

Tahapan ini merupakan kegiatan pengkodean (coding) berdasarkan hasil analisis dan perancangan agar sistem yang diperoleh sesuai dengan kebutuhan pengguna.

5. Testing

Tahapan ini merupakan tahap pengujian sistem, yang merupakan kegiatan untuk mengevaluasi kemampuan sistem dan penentuan kelayakan suatu sistem yang sesuai dengan hasil yang dihrapkan.

6. Maintenance

Tahapan ini merupakan fase siklus hidup yang paling lama. Sistem yang telah dibangun, di-install dan digunakan, kemudian dilakukan pemeliharaan mencakup koreksi dari berbagai error yang tidak ditemukan pada tahap sebelumnya, dan perbaikan atas implementasi unit sistem dan pengembangan pelayanan sistem, sementara persyaratan-persyaratan baru ditambahkan.

1.6 Sistematika

Penulisan

Sistematika penulisan laporan akhir dari penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :

BAB 1 PENDAHULUAN

Bab ini Membahas tentang sub bab antara lain : latar belakan, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan, agar dapat memberikan gambaran tentang urutan penyajian laporan tugas akhir ini.

BAB 2 TINJAUAN PUSTAKA

Bab ini membahas mengenai profil perusahaan dan landasan teori yang digunakan untuk membangun perangkat lunak data warehouse serta materi-materi umum yang membahas data warehouse dan berkaitan dengan teori-teori pendukung lainnya.

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Bab ini menguraikan tentang analisis sistem yang sedang berjalan dan menjelaskan tentang perancangan dan antarmuka sistem yang akan dibangun.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini menjelaskan mengenai implementasi aplikasi yang telah dibuat serta melakukan pengujian terhadap aplikasi tersebut.

BAB 5 KESIMPULAN DAN SARAN

Bab ini Menjelaskan tentang kesimpulan yang diperoleh dari hasil implementasi dan pengujian aplikasi yang telah dibuat, serta saran-saran untuk pengembangan selanjutnya.

7

BAB 2

TINJAUAN PUSTAKA

2.1 Profil Institusi

PT Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT Pupuk Indonesia (Persero) yang bergerak di bidang isdustri kimia khususnya memeproduksi pupuk urea. PT PIM merupakan pabrik pupuk skala besar pertama yang dibangun oleh putra putri bangsa melalui kontraktor nasional PT Rekayasa Industri pada tahun 1995. PT PIM berdiri dengan strategi untuk mencukupi kebutuhan pupuk urea dikawasan indonesia bagian barat yang secara geografis termasuk kawasan pertanianan, setelah sebelumnya kebutuhannya dirintis PT Pusri Palembang.

2.2 Logo

Berikut ini adalah logo dari PT Pupuk Iskandar Muda yang dapat dilihat pada gambar 2.1

2.3 Visi dan Misi

2.3.1 Visi

Visi dari PT Pupuk Iskandar Muda adalah menjadi perusahaan pupuk dan petrokimia yang kompetitif.

2.3.2 Misi

Misi dari PT Pupuk Iskandar Muda adalah sebagai berikut :

1. Memproduksi dan memasarkan pupuk dan produk petrokimia dengan efisien.

2. Memenuhi standar mutu dan berwawasan lingkungan. 3. Memberikan nilai tambah kepada stakeholder.

4. Berperan aktif menunjang ketahanan pangan.

2.4 Landasan Teori

Landasan teori yang berkaitan dengan materi atau teori yang digunakan sebagai acuan melakukan penelitian. Landasan teori yang diuraikan merupakan hasil studi literatur, buku-buku, maupun situs internet.

2.5 Data Warehouse

Data warehouse adalah sebuah database yang mewakili sejarah bisnis suatu perusahaan atau organisasi. Data warehouse merupakan kombinasi dari

database yang berbeda-beda. Data warehouse mengkombinasikan informasi dengan meringkas (summarizing) dan mengelompokkan (agregation). Informasi yang diperlukan ini didefinisikan oleh pengguna sesuai dengan informasi yang mereka butuhkan dalam pengambilan keputusan. Jadi suatu data warehouse

hanya berisi informasi yang relevan dengan kebutuhan user untuk mendukung pengambilan keputusan. [2]

Data warehouse adalah suatu sistem komputer untuk mengarsipkan dan menganalisa data historis suatu organisasi seperti data penjualan, gaji, dan informasi. Menurut W.H. Inmon dan Richard D.H., data warehouse adalah

9

koleksi data yang mempunyai sifat beriorentasi subjek, terintegrasi, dan bersifat tetap dari koleksi data dalam mendukung proses manajemen pengambilan keputusan. Menurut Vidette Poe, data warehouse merupakan basis data yang bersifat analisis dan read only yang digunakan sebagai pondasi dari sistem penunjang keputusan. Menurut Paul Lane, data warehouse merupakan basis data relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung data historis dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung data dari berbagai macam sumber.

Data warehouse adalah multidimensional dalam relasional model

database, informasi ditentukan dalam suatu rangkaian dari tabel yang berdimensi dua. Tidak begitu halnya dengan data warehouse, banyak data warehouse adalah multidimensional, artinya bahwa data warehosue terdiri dari layer-layer, kolom dua baris. Layer-layer dalam suatu data warehouse menunjukkan informasi disampaikan pada dimensi yang berbeda. Multidimensional ini menggambarkan informasi dengan ditunjukkan sebagai suatu kubus. Data warehouse adalah bentuk khusus dari database. Mengingat hal bahwa suatu database adalah koleksi dari informasi yang dikumpulkan dan diakses melalui suatu logikal dari informasi, begitu juga hal yang sama untuk suatu data warehouse.

Data warehouse mendukung proses pembuatan keputusan, bukan proses transaksi. Dalam suatu organisasi, banyak databse yang ada merupakan database

yang berorientasikan (OLTP) oleh karena itu merupakan operasional database. Data warehouse ada untuk mendukung berbagai macam pekerjaan pengambilan keputusan dalam suatu organisasi. Definisi klasik oleh Bill Inmom tentang data

warehouse dapat disimpulkan menjadi empat kriteria[2] :

1. Sebuah data warehouse adalah subject-oriented (beriorentasi pada subjek). Data suatu organisasi berubah dari yang beriorentasi pada aplikasi ke beriorentasi pada subjek. Menurut hal ini, daripada mengorganisasikan data dengan penyesuaian pada aplikasi atau fungsi-fungsi yang ada, data lebih baik dikumpulkan berdasarkan subjek area asalnya. Misalkan data tentang konsumen

yang diintegrasikan pada sebuah entitas database, akan lebih baik daripada mengklasifikasikannya menjadi beberapa entitas untuk proses peminjaman, begitu juga lainnya.

2. Data warehouse adalah terintegarasi yang menggabungkan berbagai format data dan menyediakannya kedalam suatu bentuk yang konsisten sehingga dalam membandingkan dan mengumpulkan data dengan melalui berbagai dimensi yang sesuai.

3. Data warehosue adalah time-variant. Dalam kata lain, setiap rows dari data dibedakan berdasarkan waktu. Dalam hal ini setiap baris biasanya memiliki satu atau lebih yang menggunakan tipe data time-stamp.

4. Data warehouse tidak mudah berubah. Data yang ada dalam suatu data

warehosue untuk tidak mengalami proses penghapusan atau pengupdatean, terkecuali untuk perawatan dan koreksi terhadap kesalahan yang terjadi. Data hanya disimpan ke dalam data warehouse atau ditampilkan dari data warehouse.

Keempat karakteristik di atas saling terkait dan harus diimplemetnasikan agar terbentuk suatu data warehouse yang dapat mendukung pengambilan keputusan secara efektif. Implementai dari keempat karakteristik di atas membutuhkan struktur data dari data warehousing, data dari berbagai sumber operasional akan diekstrak dan diintegrasikan ke dalam data warehousei sehingga data yang dihasilkan tidak lagi bersifat operasional melainkan informatif.

2.5.1 Tugas Data Warehouse

Ada tiga tugas yang bisa dilakukan dengan adanya data warehouse, keempat tugas tersebut yaitu [3]:

a. Pembuatan laporan

Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dilakukan. Dengan menggunakan query sederhana didapatkan laporan per hari, per bulan, per tahun atau jangkan waktu kapanpun yang diinginkan.

11

b. Online Analytical Processing (OLAP)

Dengan adanya data warehouse, semua informasi baik detail maupun hasil

summary yang dibutuhkan dalam proses analisa mudah didapat. OLAP mendayagunakan konsep data multidimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikan satupun perintah SQL. Hal ini dimungkinkan karena pada kosnep multidimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fugnsi yang berbeda.

c. Proses informasi executive

Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laoran data warehouse

menjadi target informatif bagi pengguna.

2.5.2 Proses Dan Arsitektur Data Warehouse

Data warehouse dibangun dengan mengintegrasikan data-data yang berasal dari berbagai sumber data, yaitu database operasional. Dalam suatu perusahaan, data operasional biasanya berada pada daerah kekuasaan departemen masing-masing dalam bentuk database OLTP. Untuk melakukan proses integrasi ini data warehouse menggunakan suatu aplikasi yang disebut ETL (extract, Transform, Load).

Sesuai dengan namanya, aplikasi ETL melakukan fungsi-funsi extract, transform dan load. Proses extract adalah proses pengambilan data dari sumber data. Disebut extract, karena proses pengambilan data ini tidak mengambil data matang aja. Proses extract ini harus mengakomodir berbagai macam teknologi yang digunakan oleh sumber data dan diintegrasikan ke dalam database tunggal.

Kemudian data hasil extract ini menjadi proses transformasi yang pada prinsipnya adalah mengubah kode-kode yang ada menjadi kode-kode standar, misalnya kode propinsi. Hal ini perlu dilakukan mengingat data-data yang diambil

berasal dari sumber yang berbeda yang memungkinkan memiliki standarisasi yang berbeda pula. Standarisaasi diperlukan untuk nantinya memudahkan pembuatan laporan.

Arsitektur data warehouse yang umum biasanya menempatkan satu server database terpisah yang disebut staging yang berfungsi untuk menangani proses

extract dan transform ini sebelum dilakukan proses load ke tujuan akhir data

warehouse. Proses load dalam ETL adalah suatu proses mengirimkan data yang telah menjalani proses transformasi ke gudang data akhir, yaitu data warehouse

itu sendiri dimana aplikasi reporting dan business intelligence siap mengakses. Di bawah ini adalah penjelasan dari tiap-tiap proses extract, transform, dan load [4].

1. Extract

Bagian pertama dari suatu proses ETL aalah mengekstrak dari sumber data disebut ekstrak, akrena proses pengambilan data ini tidak mengambil keseluruhan data yang ada di database operasional, melainkan hanya mengambil data matang saja. Proses ini meliputi penyaringan data yang akan digunakan dalam pembuatan data warehouse. Dapat langsung dimsukan dalam data warehouse atau dimasukan dalam tempat penampungan sementara terlebih dahulu.

2. Transform

Proses yang ke dua adalah transformasi data yang telah diekstrak ke dalam formal yang diperlukan. Hal ini perlu dilakukan mengingat data yang diambil bersal dari sumber yang berbeda yang kemungkinan memiliki standarisasi yang berbeda pula. Data dari beberapa sistem perlu ditransforamsikan ke dalam format umum yang disepakati dan digunakan dalam data warehouse, seperti :bisa jadi untuk suatu item yang sama memiliki dua nama yang berbeda, misalnya nama

produk dengan kode :1234: disebut “roti” sedangkan kode yang sama “1234”

13

3. Load

Tahap load adalah menload data ke dalam target akhir yang apda umumnya adalah data warehouse. Bergantung apda kebutuhan organisasi, proses ini bervariasi secara luas. Beberapa data warehouse memperbolehkan melakukan penulisan informasi yang ada secara kumulatif, dengan data yang diperbaharui tiap minggu.

Arsitektur data untuk data warehouse mempunyai kompoenen utama yaitu read only database. Karakteristik arsitektur data warehouse adalah sebagai berikut:

1. Data diambil dari sistem asal (sistem informasi yang ada), database dan

file.

2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan ke dalam database management system (DBMS) seperti oracle, mysql dan lain-lain.

3. Data warehouse merupakan sebuah database terpisah bersifat hanya dapat dibaca yang dibuat khusus untuk mendukung pengambilan keputusan. 4. Pemakai mengakses data warehosue melalui aplikasi front end tool.

Arsitektur dan komponen utama dari data warehouse dapat dilihat pada gambar 2.2 dibawah ini :

Gambar 2.2 Arsitektur DataWwarehouse

Gambar 2.2 menunjukkan proses data warehouse, dimana data source diolah (extract, transform, load) menjadi data warehouse untuk selanjutnya di qiuery untuk menghasilkan report yang diinginkan. Data mart berisikan kumpulan data yang digunakan untuk pengambilan keputusan. Data mart lebih spesifik dan ditunjukkan untuk bagian-bagian tertentu.

2.5.3 Multi Dimensional Modeling

Multi dimensional modeling adalah teknik untuk memvisualisasi model data sebagai suatu kumpulan dari ukuran yang dideskripsikan dengan aspek-aspek bisnis. Hal ini khususnya sangat berguna untuk meringkas dan menyusun data dan memperlihatkan data untuk mendukung para analis data. Dimensional modeling

15

1. Fact

Fact adalah suatu koleksi dari relasi data-data items, terdiri dari ukuran-ukuran dan konteks data. Setiap fact biasanya merepresentasikan sebuah bisnis item, suatu transaksi bisnis, atau sebuah kejadian yang dapat digunakan dalam analisis bisnis atau proses bisnis.

2. Dimensions

Dimensions adalah suatu koleksi dari anggota atau unit-unit data dengan tipe yang sama. Dalam sebuah diagram, suatu dimensi biasanya direpresentasikan dengan suatu axis. Dalam dimensional model, semua data menunjukkan fact table yang diasosiasikan dengan satu dan hanya satu member dari setiap multiple dimesions. Jadi dimensi menunjukkan latar belakang kontekstual dari fact. Bnayak proses analisisi yang digunakan untuk menghitung (quality) dampak dari dimensi pada fact.

3. Measures

Suatu measures (ukuran) adalah suatu besaran (angka numerik) atribut daris ebuah fact, yang menunjukkan performance atau behavior (tingkah laku) dari bisnis secara relatif pada suatu dimensi. Angka atau nomor yang ditunjukkan disebut dengan variabel. Sebagai contoh ukuran dari penjualan dalam bentuk uang, besarnya penjualan, jumlah pengadaan, banyaknya transaksi dan lainnya. Suatu ukuran dijelaskan dengan kombinasi dari member dari suatu dimensi dan diletakkan dalam fact.

2.5.4 Visualisasi Dari Suatu Dimensional Model

Cara yang paling populer dalam menvisualisasikan suatu model dimensional aalah dengan menggambarkan sebuah cube (Gambar 2.3) dapat menggambarkan tiga model dimensional menggunakan sebuah kubus. Biasanya suatu dimensional model terdiri dari lebih tiga dimensi dan digambarkan sebagai suatu hypercube, akan tetapi hypercube sulit untuk divisualisasikan, jadis ebuah kubus lebih biasa digunakan. Gambar berikut merupakan measurent adalah

volume dari produksi, yang mana dijelaskan dengan kombinasi dari tiga dimensi yaitu lokasi produk dan waktu. Dimensi dari lokasi dan dimensi produk mempunyai dua level hirarki. Misalnya dimensi mempunyai level region dan

plant.

Gambar 2.3 Kubus suatu visualisasi dari dimensional model

Terdapat tiga konsep yang dapat memodelkan lebih jelas dalam penentuan fact

table dimensi dan measure, yaitu [6] : 1. Model star

Model star adalah model dasar dari pemodelan multidimensi yang memiliki suatu tabel induk yang dinamakan table fact dan kumpulan dari tabel-tabel kecil yang disebut tabel-tabel dimensi disusun dalam pola-pola melingkar mengelilingi table fact. Untuk lebih jelasnya terlihat pada gambar 2.4

17

2. Model Snowflake

Selain star dalam menampilkan desain sebuah data warehouse juga dapat menggunakan model snowflake. Dalam sebuah model snowflake terdapat sebuah

fact table yang dikelilingi oleh beberapa dimension table. Namun dimension table

itu sendiri dapat seolah-olah berupa sebuah fact table lain yang juga memiliki dimensinya sendiri. Untuk lebih jelasnya terlihat pada gambar 2.5

Gambar 2.5 Model Snowflake

Pada model snowflake diatas dapat dilihat bahwa tiap-tiap tabel dimensi berhubungan dengan dimensi yang lain seolah-olah tabel dimensi tersebut merupakan tabel fakta. Hal ini dapat terjadi karena pada model snowflake ini telah dilakukan normalisasi. Normalisasi ini tidak terdapat pada model star.

3. Model Constellation

Beberapa fact table berbagi tabel dimensi. Ditampilkan sebagai koleksi dari kumpulan skema bintang yang sering disebut sebagai skema galaxy. Untuk lebih jelasnya terlihat pada gambar 2.6

Gambar 2.6 Model Snowflake

2.5.5 Online Analytical Processing (OLAP)

Online analytical processing (OLAP) merupakan salah satu tools yag digunakan untuk mengakses informasi dalam data warehouse. Teknologi OLAP memungkinkan data warehosue digunakan secara aktif untuk proses online

analisis, memberikan respon yang cepat terhadap analytical queries yang kompleks.

Data model multidimensional dan teknik agregasi data yang dimiliki oleh OLAP dapat mengatur dan membuat kesimpulan dari data dalam jumlah besar sehingga dapat di evaluasi secaa cepat dengan menggunakan online analysis dan

grafical tool. Sistem OLAP menyediakan kecepatan dan fleksibilitas untuk men-support proses analisis secara real time [7].

2.5.5.1OLAP Services

OLAP services adalah suatu yang menggambarkan beberapa perangkat yang bekerja bersama-sama untuk membantu dalam menganalisa data yang ada. Informasi dari data warehouse di ekstrak secara periodik dan digunakan untuk mengupdate obyek yang ada dalam OLAP service. OLAP server mengambil data dari data warehouse dan relational OLAP serta mengupdate informasi yang disimpan dalam multidimensional OLAP (MOLAP). Setelah informasi

19

dikumpulkan maka pivot table service yang bekerja sama dengan excel pivot table

atau perngkat lain yang mendukung OLE DB dengan ekstensi OLAP dapat melakukan akses dan memanupulasi data yang ada.

2.5.5.2Teknik Penyimpanan Data dalam OLAP

OLAP digunakan untuk memproses informasi dan menampilkannya dalam bentuk multidimensi. Walaupun data yang ditampilkan dalam satu bentuk namun tidak berarti data-data yang ada disimpan dalam satu bentuk pula. Ada tiga teknik dasar untuk menyimpan data OLAP [7]:

1. Multidimensional OLAP (MOALP)

Salah satu cara umum yang digunakan untuk menyimpand data adalah dalam basis data multimensional. Tidak seperti basis data relasional yang menyimpan informasi dalam sejumlah baris dalam tabel. Sebuah basis data multimensional menyimpan informasi dalam sejumlah array multimensional. Karena dimensi dapat diakses secara mudah, maka user dapat melakukan query

pada basis data MOLAP dengan sangat cepat. Selain mengandung data mentah, basis data MOALP juga mengandung agregasi data sehingga dapat memberikan respon yang cepat terhadap query.

2. Relational OLAP (ROLAP)

Partisi menggunakan tabel relational dalam data warehosue untuk menyimpan agregasi, sedangkan detail dari fact table tersimpan dalam data

warehouse fact table. Banyak orang berpendapat bahwa basis data yang dirancang secara khsusus untuk sebuah keperluan analisis tidak dibutuhkan karena sebuah basis data relasional sudah cukup mampu untuk menampilkan informasi OLAP. Hal ini hanya berlaku pada tingkat tertentu saja, pada sebuah basis data yang terdiri dari ribuan atau rarusan ribu recors maka menampilkan informasi OLAP akan menjadi sebuah masalah karena banyak data yang harus dihapus di wuery. Dan hal inilah yang menjadi keterbatasan partisi ROLAP.

3. Hybryd OLAP (HOLAP)

Partisi menggunakan struktur MOLAP untuk menyimpan agregasi dan meninggalkan detail dari fact table dalam partisi ROLAP. OLAP service dapat menggunakan data MOLAP dan ROLAP secara simultan untuk memecahkan suatu query.

2.5.5.3OLAP Cube (Kubus OLAP)

Objek utama yang tersimpan dalam sebuah basis data OLAP adalah cube

(kubus). Sebuah kubus merupakan representasi multimensi dari sekumpulan data, yang mengandung data secara detail maupun rangkumannya. Sebuah basis data OLAP dapat memiliki beberapa buah kubus sesuai dengan yang dibutuhkan, yang menggambarkan data yang ada dalam data warehouse.

Sebuah kubus dibangun menggunakan dua komponen utama yaitu ukuran (measures) dan dimensi. Ukuran merupakan nilai numerik dari fact table dalam data warehouse seperti harga dari unit maupun kualitas dari item. Sedangkan dimensi menggambarkan kategori dari ukuran yang ada. Seperti bagaimana ukuran berubah setiap waktu. Beberapa operasi yang dapat dilakukan pada kubus atau reprot multidimensi ini adalah [7]:

1. Processing

Operasi processing pada kubus antara lain melakukan loading dan

refreshing data pada kubus yang dilakukan ole OLAP service engine. Tabel dimensi dibaca pertama kali untuk mengumpulkan level dengan anggota dari data aktual, setelah itu dilanjutkan dengan pembacaan fact table dan ikuti dengan menghitung spesifik agregasi, dan hasil yang dapat disimpan dalam kubus untuk diproses oleh user.

2. Slice and dice

Slice and dice memungkinkan untuk melihat kubus ari sudut pandang yang berbeda. Dengan slice and dice dapat ditentukan dimensi apa yang hendak ditampilkan dan bagaimana mereka ditampilkan. Hal inilah yang menjadi

21

keunggulan OLAP. Dengan melihat kubus dari sudut pandang yang berbeda maka akan dapat dipelajari banyak hal dari data yang dimiliki.

3. Drill down

Sebagian besar informasi yang ditampilkan dalam OLAP merepresentasikan kesimpulan yang lebih detail. Drilling down merupakan teknik untuk memecahkan sebuah informasi menjadi beberapa informasi yang lebih

detail. Sebagai contoh, jika dilakukan drill down terhadap data tahunan maka akan dapat diperoleh data dalam catur wulan dan tri wulan.

4. Consolidation (Roll Up)

Consolifation atau lebih dienal dengan roll up merupakan kebalikan dari drill down. Data-data sebelumnya dilihat dalam format triwulan akan dapat dilihat dalam format tahunan. Dengan roll up data dapat dilihat secara lebih global.

5. Pivoting

Pivoting merupakan suatu teknik untuk saling menukarkan dimensi data. Dengan melakukan pivoting, maka dapat diamati suatu informasi atau data dari sudut pandang yang berbeda, sehingga diharapkan akan dapat memperjelas analisis yang dilakukan.

6. Filtering

Filtering merupakan suatu teknik untuk menyaring informasi yang dibutuhkan, sehingga para analisis tidak dibingungkan oleh bnayaknya informasi yang tersedia

2.6 Microsoft Visual Studio

Microsoft visual studio merupakan sebuah perangkat lunak lengkap (suite)

yang dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis, aplikasi personal,a taupun komponen aplikaisnya, dalam bentuk console, aplikasi windows,a taupun aplikasi web. Visual studion mencakup kompiler, dan dokumentasi. Kompiler yang dimasukkan ke dalam paket visual studio antara lain visual C++, Visual C#, Visual basic.

Microsoft visual studio dapat digunakan untuk megnembangkan aplikasi dalam native code (dalam bentuk bahasa mesin yang berjalan di atas windows) ataupun managed code (dalam bentuk microsft intermediate language di NET framework). Selain itu, visual studion juga dapat digunakan untuk mengembangkan aplikasi silverlight, aplikasi windows mobile.

2.7 SQL Server

Microsoft SQL server adalah sebuah sistem manajemen basis data relasional (RDBMS) produk microsoft. Bahasa kueri utamanya adalah transast-sql yang merupakan implementasi dari SQL standar ANSI/ISO yang digunakan oleh microsfot. Umumnya SQL server digunakan di dunia bisnis yang memiliki basis data berskala kecil sampai dengan menengah, tetapi kemudia berkembang dengan digunakannya SQL server pada basis data besar.

Microsoft SQL server dan sybase/ASE dapat berkomunikasi lewat jaringan dengan menggunakan protokol TDS (tabular Data Stream). Selain dari itu, SQL server juga mendukung ODBC (Open Database Connectivity), dan mempunyai driver JDBC untuk bahasa pemrograman java. Fitur yang laind ari SQL server ini adalah kemampuannya untuk membuat basis data mirroring dan

clustering.

SQL Server adalah sistem manajemen database relasional (RDBMS) yang dirancang untuk aplikasi dengan arsitektur client/server. Istilah client, server, dan client/server dapat digunakan untuk merujuk kepada konsep yang sangat umum atau hal yang spesifik dari perangkat keras atau perangkat lunak. Pada level yang

23

sangat umum, sebuah client adalah setiap komponen dari sebuah sistem yang meminta layanan atau sumber daya (resource) dari komponen sistem lainnya. Sedangkan sebuah server adaah setiap komponen sistem yang menyediakan layanan atau sumber daya ke komponen sistem lainnya. Pada dasarnya pengertian dari SQL Server itu sendiri adalah bahasa yang dipergunakan untuk mengakses data dalam basis data relation. Bahasa ini secara defacto adalah bahasa standar yang digunakan dalam manajemen basis data relasional. Saat ini hampir semua server basis data yang ada mendukung bahasa ini dalam manajemen datanya. SQL server 2005 merupakan salah satu produk dari Relational Database Management System (RDBMS).

SQL Server terdiri atas beberapa komponen sebagai berikut:

a. Relational Database Engine : komponen utama atau jantung SQL Server. b. Analysis Services : Basis dari solusi intelijen bisnis yang ampuh

(powerful), dan mendukung aplikasi-aplikasi OLAP (online analytical processing), serta data minning.

c. Data Transformation Service (DTS): sebuah mesin untuk membuat solusi ekspor dan impor data, serta untuk mentransformasi data ketika data tersebut ditransfer.

d. Notification Services: sebuah framework untuk solusi dimana pelanggan akan dikirimi notifikasi ketika sebuah event muncul.

e. Reporting Services: service yang akan mengambil data dari SQL Server, dan menghasilkan laporan-laporan.

f. Service broker: sebuah mekanisme antrian yang akan menangani komunikasi berbasis pesan diantara service.

g. Native HTTP Support: dukungan yang memungkinkan SQL server yang (jika diinstall pada Windows Server 2003) akan merespon request terhadap HTTP endpoint, sehingga memungkinkan pembangunan sebuah web service untuk SQL Server tanpa menggunakan IIS.

h. SQL server Agent : akan mengotomatiskan perawatan database dan mengatur task, event dan alert.

i. NET CLR (Common Language Runtime): akan memungkinkan pembuatan solusi menggunakan managed code yang ditulis dalam salah satu bahasa .NET.

j. Replication: serangkaian teknologi untuk menjalin dan mendistribusikan data dan obyek database dari sebuah database ke database lain, dan melakukan sinkronisasi untuk menjaga konsistensinya.

k. Full-Text Search: memungkinkan pengindeksan yang cepat dan flexibel untuk query berbasis kata kunci (terhadap data teks yang disimpan dalam database).

127

BAB 5

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Dari hasil pengujian dan wawancara yang telah dilakukan kepada pihak perusahaan PT.Pupuk Iskandar Muda selaku perusahaan diperoleh kesimpulan bahwa :

1. Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data.

2. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.

5.2 Saran

Dalam pembangunan Perangkat Lunak Data Warehouse ini masih jauh dari sempurna dan masih banyak kekurangan. Oleh karena itu perlu dilakukan pengembangan dan penyempurnaan lebih lanjut. Adapun saran yang dapat digunakan dalam pengembangan sistem lebih lanjut :

1. Dikembangkan menjadi BI karena perusahaan memiliki anak perusahaan yang lain.

Nama Lengkap : Dinda Wilanda Jenis Kelamin : Perempuan Tempat, Tanggal

lahir : Medan, 22 November 1991 Kewarganegaraan : Indonesia

Status Hubungan : Belum Menikah Tinggi , Berat : 158 cm , 43 kg

Agama : Islam

Alamat Lengkap : JL. Peut Sago No.06 Komplek PT.Pupuk Iskandar Muda Lhokseumawe Aceh Utara

Handphone : 08112228891

E-mail : Dinwil07@gmail.com

RIWAYAT PENDIDIKAN

1998 – 2004 : SD Swasta Iskandar Muda 2004 – 2007 : SMP Swasta Iskandar Muda 2007 – 2010 : SMA Negeri 1 Lhokseumawe.

2010 – 2016 : Universitas Komputer Indonesia, Fakultas Teknik dan Ilmu Komputer, Jurusan S1 Teknik Informatika

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

1 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033

PEMBANGUNAN DATA WAREHOUSE PADA PT. PUPUK ISKANDAR

MUDA

Dinda Wilanda

Program Studi Teknik Informatika

Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl. Dipati Ukur. 112-116 Bandung

E-mail : Dinwil07@gmail.com

ABSTRAK

PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT.Pupuk Indonesia (Persero) BUMN yang bergerak di bidang industri kimia memproduksi pupuk urea. Kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk petani dan perkebunan yang sangat luas di beberapa wilayah provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat. Saat ini jumlah data yang ada pada PT.Pupuk Iskandar Muda cukup besar sehingga mengakibatkan lambatnya dalam mengakses informasi, kemudian disetiap bagian memiliki perbedaan tipe data dan penamaan data. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional. Oleh sebab itu, perusahaan tersebut memerlukan data warehouse untuk dapat mengelola data produksi dan data penjualan untuk mendapat informasi dalam mengambil keputusan.

Data perusahaan yang digunakan adalah data penjualan, produksi, gudang, pelanggan, barang, pabrik, bahan. Data warehouse menjadikan data perusahaan yang tersebar menjadi terintegrasi sehingga membantu pihak perusahaan dalam menganalisis data yang ada untuk pengambilan keputusan yang bersifat strategis secara cepat dan tepat. Pembangunan data warehouse ini menggunakan pemodelan skema Fact constellations dan perancangan OLAP (On-Line Analytical Processing) untuk pengolahan dan analisis datanya dengan menggunakan teknik Roll-Up dan Drill-Down.

Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.

Kata Kunci : Data warehouse, Fact Constellations, Roll-Up, Drill-Down, OLAP

1. PENDAHULUAN

Data warehouse merupakan database yang saling bereaksi yang dapat digunakan untuk query dan analisis, bersifat orientasi subjek, terintegrasi, time-variant, dan tidak berubah, yang digunakan untuk mendukung pengambilan keputusan. Data warehouse adalah suatu sistem yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirim sumber data ke dalam suatu data penyimpanan dimensional dan kemudian mendukung implementasi query dan analisis untuk tujuan pengambilan keputusan [1].

PT. Pupuk Iskandar Muda atau biasa disebut dengan PT PIM adalah anak perusahaan PT. Pupuk Indonesia (Persero) dibawah BUMN yang bergerak di bidang industri kimia khususnya memproduksi pupuk urea. Maka kehadiran PT. Pupuk Iskandar Muda dapat memenuhi kebutuhan pupuk untuk perkebunan yang sangat luas di wilayah Sumatera Utara dan beberapa wilayah lainnya(provinsi Aceh, Sumatera Utara,Sumatera Barat, Riau, Kepulauan Riau, dan Kalimantan Barat).

Berdasarkan hasil wawancara dengan pihak PT. Pupuk Iskandar Muda,saat ini penyimpanan data dalam jumlah besar yang masih terpisah – pisah. Perusahaan yang memiliki banyak kumpulan data yang harus di analisis untuk kelangsungan proses bisnis perusahaan tersebut, dalam melakukan suatu analisis pada suatu informasi diperlukan tampilan data yang dapat menampilkan banyak data. Pembuatan laporan di PT.Pupuk Iskndar Muda dilakukan dengan cara mengumpulkan data dari setiap bagian perusahaan yang dibutuhkan, masalah dalam pembuatan laporan ini dibutuhkannya waktu yang lama. Bentuk laporan belum mendukung untuk dilihat dari berbagai aspek dalam pengambilan keputusan perusahaan, sehingga diperlukan sistem yang dapat menampilkan informasi secara multi dimensional dan bersifat dinamis.

Oleh sebab itu, perusahaan tersebut memerlukan data warehouse untuk dapat mengelola data produksi dan data penjualan untuk mendapat informasi dalam mengambil keputusan.

untuk membangun perangkat lunak data warehouse di PT. Pupuk Iskandar Muda sebagai solusi atas lambat dan sulitnya analisa pada sistem sebelumnya. Sedangkan tujuan yang akan di capai dalam penelitian adalah :

Sedangkan tujuan yang akan di capai dalam penelitian adalah :

1. Membantu pihak perusahaan dalam mengintegrasikan data.

2. Membantu pihak perusahaan dalam menganalisa penjualan dan produksi barang dalam periode tertentu secara multidimensional.

2. TINJAUAN PUSTAKA

Data Warehouse dapat bermacam-macam namun mempunyai inti yang sama, seperti pendapat beberapa ahli berikut ini :

Data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan

management[2].

Data warehouse merupakan database

relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse

memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber [2].

Data warehouse merupakan metode dalam perancangan database, yang menunjang DSS (Decission Support System) dan EIS (Executive Information System). Secara fisik data warehouse

adalah database, tapi perancangan data warehouse

dan database sangat berbeda. Dalam perancangan

database tradisional menggunakan normalisasi, sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik [2].

Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse adalah database

yang saling bereaksi yang dapat digunakan untuk

query dan analisisis, bersifat orientasi subjek, terintegrasi, time-variant, tidak berubah yang digunakan untuk membantu para pengambil keputusan.

2.1 Konsep Dasar Data Warehouse

Data warehouse adalah kumpulan macam-macam data yang subject oriented, integrated, time variant, dan nonvolatile dalam mendukung proses pembuatan keputusan [4].

histori, yang menyediakan infrastruktur bagi EIS dan DSS.

a. Subject Oriented

Data warehouse diorganisasikan pada subjek-subjek utama, seperti pelanggan, barang, dan penjualan. Berfokus pada model dan analisis pada data untuk membuat keputusan, jadi bukan pada setiap proses transaksi atau bukan pada OLTP. Menghindari data yang tidak berguna dalam mengambil suatu keputusan. b. Integrated

Dibangun dengan menggabungkan atau menyatukan data yang berbeda. relational databse, flat file, dan on-line transaction record. Menjamin konsistensi dalam penamaan, struktur pengkodean, dan struktur atribut diantara data satu sama lain.

c. Datawarehouse time variant

Data disimpan untuk menyediakan informasi dari perspektif historical, data yang tahun - tahun lalu atau 4 - 5 tahun. Waktu adalah elemen kunci dari suatu data warehouse pada saat pengcapture-an.

d. Non Volatile

Setiap kali proses perubahan, data akan di tampung dalam tiap-tiap waktu. Jadi tidak di perbaharui terus menerus. Data warehouse tidak memerlukan pemrosesan transaksi dan recovery. Hanya ada dua operasi initial loading of data dan

access of data.

2.2 Proses ETL(Extraction, Transformation,

Loading)

Tiga fungsi utama yang perlu dilakukan untuk membuat data siap digunakan pada data warehouse

adalah extraction, transformation dan loading. Ketiga fungsi ini terdapat pada staging area[5].

Pada data staging ini, disediakan tempat dan area dengan beberapa fungsi seperti data cleansing, change, convert, dan menyiapkan data untuk disimpan serta akan digunakan dalam data warehouse[5].

a. Extraction

Data Extraction adalah proses pengambilan data yang diperlukan dari sumber data warehouse

dan selanjutnya dimasukkan pada staging area untuk diproses pada tahap berikutnya. Pada fungsi ini banyak berhubungan dengan berbagai tipe sumber data seperti: Format data, mesin yang berbeda,

software dan arsitektur yang tidak sama. Sehingga sebelum proses ini dilakukan, sebaiknya perlu didefinisikan requirement terhadap sumber data

yang yang akan digunakan untuk proses berikutnya. b. Transformation

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

3 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033

Pada kenyataannya, pada proses transaksional data disimpan dalam berbagai format sehingga jarang kita temui data yang konsisten antara

aplikasi-aplikasi yang ada. Transformasi data ditujukan untuk mengatasi masalah ini. Dengan proses transformasi data ini, kita melakukan standarisasi terhadap data pada satu format yang konsisten. Beberapa contoh ketidakkonsistenan data

tersebut dapat diakibatkan oleh tipe data yang berbeda, data length dan lain sebagainya.

c. Load

Data load adalah memindahkan data ke data warehouse. Ada dua loading data yang dilakukan pada data warehouse. Pertama adalah inisial load, proses ini dilakukan pada saat telah selesai mendisain dan membangun data warehouse. Data yang dimasukkan akan sangat besar dan memakan waktu yang relatif lebih lama. Kedua Incremental load, dilakukan ketika data warehouse telah dioperasikan. Incremental load ini dapat dilakukan sesuai dengan sistem yang dibangun

2.3 Skema Data Warehouse

Skema yang sering digunakan pada data warehouse adalah skema bintang atau snowflake, kedua skema ini sangat mudah dimengerti dan sesuai dengan kebutuhan bisnis, mendukung query

sederhana dan menyediakan performa query yang superior dengan meminimalisasi tabel-tabel join [7].

1. Skema Bintang (Star Schema)

Skema bintang merupakan struktuk logikal yang memiliki tabel fakta yang terdiri atas data faktual ditengahnya, dan dikelilingi oleh tabel-tabel dimensi yang berisi referensi data.

Gambar 1 Skema Bintang

2. Snowflake Schema

Merupakan varian dari skema bintang dimana table-table dimensi tidak terdapat data yang di denormalisasi. Dengan kata lain satu atau lebih table dimensi tidak bergabung secara langsung kepada table fakta tapi pada table dimensi lainnya.

Gambar 2 Snowflake Schema

3. Fact Constellation Schema

Fact constellation schema adalah

dimensional model yang didalamnya terdapat lebih dari satu tabel fakta yang membagi satu atau lebih dimension table. Skema ini lebih kompleks daripada star skema karena berisi berbagai tabel fakta. Dalam

fact constellation schema, satu dimensi table bisa digunakan di beberapa tabel fakta sehingga desainnya lebih kompleks. Keuntungan dari fact constellation schema adalah kemampuan untuk memodelkan bisnis lebih akurat menggunakan beberapa tabel fakta. Namun kerugiannya adalah sulit dalam pengelolaan dan desain yang rumit

Gambar 3 Fact Constellation Schema

3. ANALISIS DAN PERANCANGAN

3.1 Analisis Masalah

Analisis yang dilakukan pada perusahaan PT.Pupuk Iskandar Muda didapatkan beberapa masalah yang ada pada perusahaan tersebut,sebagai berikut : 1. Saat ini perusahaan sulit mendapatkan informasi

yang memadai untuk melakukan pengambilang keputusan.

2. Saat ini bentuk laporan pada perushaan belum mendukung untuk dilihat dari berbagai aspek.

menganalisis informasi apa saja yang dibutuhkan oleh Koperasi Anugerah Rejeki dari data warehouse yang akan di bangun. Berdasarkan hasil wawancara dengan Budi Adi Mulyo sebagai pemilik koperasi ada beberapa kebutuhan informasi yang akan dibutuhkan oleh pihak Koperasi Anugerah Rejeki untuk mencapai keunggulan kompetitifnya dan meningkatkan operasi bisnis koperasi adalah sebagai berikut :

1. Informasi jumlah produksi pupuk pada pabrik per bulan dan per tahun.

2. Informasi jumlah pelanggan yang paling banyak membeli pupuk per bulan dan per tahun.

3. Informasi jumlah pupuk yang paling laku terjual disetiap daerah per bulan dan per tahun.

4. Informasi jumlah pupuk yang paling laku terjual disetiap provinsi per bulan dan per tahunnya. 5. Informasi jumlah bahan yang digunakan setiap

pabrik dalam bulan dan tahunnya.

6. Informasi jumlah penjualan pupuk yang dihasilkan paling banyak setiap provinsi dalam setiap bulan dan tahun.

3.3 Arsitektur Pembangunan Data Warehouse

Jenis data warehouse yang akan dibangun adalah jenis data warehouse fungsional, dimana sumber data yang akan disimpan dalam data warehouse adalah data eksternal, yaitu data sehari-hari dari masing-masing aktivitas yang berupa file microsoft office excel dengan format “Xlsx”. Jenis Data warehouse fungsional terdiri dari lapisan source layer, Data Staging, data warehouse layer dan analysis. Berikut gambar arsitektur data warehouse fungsional.

Gambar 4 Data Warehouse Fungsional

3.4 Source Layer

Source layer adalah lapisan sumber data, dimana pada lapisan ini data masih berupa file eksternal. Data eksternal yang akan digunakan dalam pembangunan data warehouse ini adalah data berupa file excel dengan format xls. File excel ini akan di import kedalam database, Sebelum mengimport file excel ke dalam database, terlebih dahulu kolom dan isi data dari tiap field atau record yang ada dianalisa agar struktur tabel yang akan

3.5 Data Staging

Pada lapisan ini, data ekternal yang sudah diimport kedalam database akan diekstrak, ditransform dan kemudian diload ke dalam data warehouse. Proses ini lebih dikenal dengan proses ETL. Proses ETL merupakan proses yang sangat penting dalam membangun data warehouse, semakin tinggi tingkat kebenaran proses ETL semakin akurat informasi yang diambil dari data warehouse.

Gambar 5 Langkah-langkah ETL

Proses etl menjelaskan tentang tahapan yang akan di lakukan dalam proses staging. Seperti penjelasan dibawah ini :

1. Proses Extraction

Langkah pertama pada proses ETL adalah mengekstrak data dari sumber-sumber data. Data warehouse dapat menggabungkan data dari sumber-sumber yang berbeda dengan sistem-sistem terpisah yang menggunakan format data yang berbeda. Ektraksi adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. Proses ekstraksi data dari sumber data kedalam data warehouse adalah sebagai berikut :

1) Proses extract pada tabel penjualan.

Tabel 1 Extract Penjualan Nama Tabel Field Penjualan no_do kode_gudang kode_pelanggan kode_barang jumlah total id_tanggal tanggal

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

5 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033

2) Proses extract pada tabel produksi

Tabel 2 Extract Produksi Nama Tabel Field Produksi no_produksi kode_produksi kode_barang kode_pabrik kode_bahan jumlah id_tanggal tanggal

3) Proses extract pada tabel gudang

Tabel 3 Extract Gudang

Nama Tabel Field Gudang kode_gudang nama_gudang alamat_gudang

4) Proses extract pada tabel pelanggan

Tabel 4 Extract Type Pelanggan

Nama Tabel Field Pelanggan kode_pelanggan nama_pelanggan alamat_pelanggan 5) Proses extract pada tabel barang

Tabel 5 Extract Barang

Nama Tabel Field Barang kode_barang nama_barang harga_barang keterangan 6) Proses extract pada tabel pabrik

Tabel 6 Extract Pabrik Nama Tabel Field Pabrik kode_pabrik nama_pabrik alamat_pabrik 7) Proses extract pada tabel bahan

Tabel 7 Extract Bahan

Nama Tabel Field Bahan kode_bahan nama_bahan keterangan

2. Proses Transformation

Proses transform yang dilakukan adalah cleaning dan conditioning.

a) Cleaning

Proses cleaning membersihkan data-data atau field yang tidak perlu dan tidak terpakai dari tabel yang telah di-extract. Berikut merupakan nama field yang dihilangkan dalam proses cleaning :

1. Pada tabel Gudang tidak memerlukan field alamat_gudang.

2. Pada tabel Barang tidak memerlukan field keterangan.

3. Pada tabel Pabrik tidak memerlukan field alamat_pabrik, provinsi.

4. Pada tabel Bahan menghilangkan field keterangan.

Tabel 8 Cleaning Tabel Peminjam

Gudang dim_gudang

No Field No Field

1 kode_gudang 1 kode_gudang 2 nama_gudang 2 nama_gudang 3 alamat_gudang

Pada tabel ini menghilangkan beberapa field alamat_gudang karena tidak dibutuhkan dalam analisis kebutuhan informasi strategis.

b) Conditioning

Proses conditioning dilakukan dengan pemilihan tabel dan atribute dari sumber data ke target data (data warehouse). Penjelasan dari conditioning pada proses transformasi ini yaitu mengubah field tanggal di pecah menjadi beberapa field (tanggal, bulan, tahun) karena ketika proses analisis, data yang dibutuhkan bisa dianalisis lebih dalam berdasarkan range waktu yang diinginkan. Untuk lebih jelasnya lihat table dibawah ini dibawah ini :

Tabel 10 Tabel Conditioning dim_tanggal_penjualan

tanggal_penjualan dim_tanggal_penjualan

03/01/2013 tanggal bulan tahun

04/01/2013 03 01 2013 04/01/2013 04 01 2013 07/01/2013 04 01 2013 07/01/2013 07 01 2013 07 01 2013

3. Proses Load

Pada proses ini, data yang sudah di-extract dan transformation akan disimpan pada data warehouse. Teknik yang akan digunakan adalah update. Data yang sudah ada tidak akan dihapus atau diubah karena data akan di-update secara berkala. Nantinya semua data yang sudah melalui proses

3.6 Data Warehouse Layer

Pada lapisan ini, data yang sudah melalui proses ETL akan disimpan pada sebuah penyimpanan logic yang tersentralisasi yaitu data warehouse. Nantinya akan dibutuhkan dua tabel fakta yaitu tabel fakta penjualan dan tabel fakta produksi. Selain itu akan ada tabel dimensi yang akan digunakan bersama dalam beberapa tabel fakta. Melihat dari kebutuhan tersebut, maka skema data warehouse yang akan digunakan adalah constellations karena ada tabel dimensi yang berelasi dengan lebih dari satu fakta yang lain. Untuk lebih jelasnya, skema relasi data warehouse dapat dilihat pada gambar 6 :

Gambar 6 Skema Data Warehose

3.7 Analisis Kebutuhan Fungsional

Analisis kebutuhan fungsional menggambarkan proses kegiatan yang akan diterapkan dalam sebuah sistem. Analisis yang akan dibuat untuk menggambarkan model fungsional dan aliran informasi yaitu diagram konteks dan data flow diagram (DFD).

1. Diagram Konteks

Pembuatan diagram konteks dari sistem pendekatan struktur ini menggambarkan sistem secara garis besar yang kemudian akan dipecah menjadi bagian-bagian lebih terperinci.

Adapun diagram konteks dari sistem yang akan dibangun dapat dilihat pada gambar berikut :

Gambar 7 Diagram Konteks

2. Data Flow Diagrams

Data Flow Diagram (DFD) merupakan proses yang menggambarkan suatu alur informasi yang lebih detail dan terperinci yang merupakan pengembangan dari diagram konteks. Berikut ini merupakan Data Flow Diagram dari sistem yang akan dibangun :

a) DFD Level 1 Aplikasi Data Warehouse

DFD Level 1 aplikasi data warehouse adalah penurunan dari diagram konteks untuk menjabarkan proses-proses yang akan terjadi dalam sistem. Gambar DFD Level 1 dapat dilihat pada gambar dibawah ini :

Gambar 8 DFD Level 1 Aplikasi Data Warehouse

b) DFD Level 2 Proses ETL

Adapun DFD Level 2 proses ETL data dari sistem yang akan dibangun dapat dilihat pada gambar berikut :

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)

7 Edisi 1 Volume 1, Februari 2016 ISSN : 2089-9033

c) DFD Level 2 Proses OLAP

Adapun DFD Level 2 proses OLAP data dari sistem yang akan dibangun dapat dilihat pada gambar berikut :

Gambar 10 DFD Level 2 Proses OLAP

4. IMPLEMENTASI DAN PENGUJIAN

4.1 Perangkat Lunak Pembangun

Perangkat lunak yang digunakan untuk membangun perangkat lunak data warehouse PT.Pupuk Iskandar Muda yaitu :

Tabel 11 Perangkat Lunak Pembangun

NO Perangkat Lunak Keterangan

1 Windows 8 Sistem Operasi 2 SQL Server 2014 Penyimpanan

Database

3 Visual Studio 2013 Tool Pembangun Aplikasi

4.2 Perangkat Keras Pembangun

Kebutuhan minimum perangkat keras (hardware) yang diperlukan untuk membangun perangkat lunak data warehouse adalah perangkat keras komputer Laptop dengan spesifikasi seperti dibawah ini :

Tabel 12 Perangkat Keras Pembangun

NO Perangkat Keras

Spesifikasi Minimum

Eksistensi Keterangan

1 Processor Intel Quad Core

Intel Core i3

Mendukung

2 RAM 2 GB 2 GB Mendukung

3 Hardisk 64 GB 128 GB Mendukung

4.3 Implementasi Antar Muka

Implementasi antar muka dilakukan dengan menampilkan setiap tampilan sistem yang dibangun dan pengkodeannya dalam bentuk file program. Adapun untuk implementasi tampilan perangkat lunak data warehouse yang dibangun dapat dilihat pada tabel dibawah ini :

Tabel 13 Implementasi Antar Muka

No.Proses Nama Proses Nama File

1 ETL Etl.cs 2 OLAP Olap.cs 3.1 Informasi jumlah

produksi pupuk pada pabrik per bulan dan per tahun.

Olap1.cs

3.2 Informasi jumlah pelanggan yang paling banyak membeli pupuk per bulan dan per tahun.

Olap2.cs

3.3 Informasi jumlah pupuk yang paling laku terjual disetiap daerah per bulan dan per tahun.

Olap3.cs

3.4 Informasi jumlah pupuk yang paling laku terjual disetiap provinsi per bulan dan per tahunnya.

Olap4.cs

3.5 Informasi jumlah bahan yang digunakan setiap pabrik dalam bulan dan tahunnya.

Olap5.cs

3.6 Informasi jumlah penjualan pupuk yang dihasilkan paling banyak setiap bulan dan tahun.

Olap6.cs

4.4 Pengujian Sistem

Pengujian data warehouse yang dibangun menggunakan metode pengujian black box. Adapun rencana pengujian selengkapnya dapat dilihat pada tabel dibawah :

Tabel 14 Rencana Pengujian Kelas

Uji

Detail Pengujian Jenis Uji

Import Berhasil import atau gagal import

Black Box

ETL Berhasil

Ekstrak,Transform, Load atau gagal

Ekstrak,Transform, Load

Black Box

OLAP Berhasil melakukan analisis OLAP atau gagal melakukan analisis OLAP

Black Box

4.5 Kesimpulan Pengujian Alpha

Berdasarkan hasil pengujian Alpha yang telah dilakukan dapat ditarik kesimpulan bahwa aplikasi sudah berjalan cukup baik, dalam pengujian ini pengintegrasian data bisa dikatakan sukses karena

diinginkan sehingga report yang dihasilkan juga akan sesuai karena mengikuti hasil output analisis OLAP.

4.6 Kesimpulan Pengujian Beta

Berdasarkan hasil wawancara diatas disimpulkan bahwa tujuan dari pembangunan perangkat lunak data warehouse ini sudah terpenuhi

5. PENUTUP

5.1 Kesimpulan

Dari hasil pengujian dan wawancara yang telah dilakukan kepada pihak perusahaan PT.Pupuk Iskandar Muda selaku perusahaan diperoleh kesimpulan bahwa :

1. Perangkat lunak data warehouse ini dapat membantu pihak perusahaan dalam pengintegrasian data.

2. Informasi yang dihasilkan dapat menjadi alat bantu analisis untuk perusahaan PT.Pupuk Iskandar Muda.

5.2 Saran

Dalam pembangunan Perangkat Lunak Data Warehouse ini masih jauh dari sempurna dan masih banyak kekurangan. Oleh karena itu perlu dilakukan pengembangan dan penyempurnaan lebih lanjut. Adapun saran yang dapat digunakan dalam pengembangan sistem lebih lanjut :

1. Dikembangkan menjadi BI karena perusahaan memiliki anak perusahaan yang lain.

DAFTAR PUSTAKA

[1] Roger S. Pressman, Software engineering, 7th ed .: Mc Graw. Hill. 2010

[2] Golfarelli, M., Hill, M.G., dan Rizzi, S.2009.

Data Warehouse Design, Modern Principles and Methodologies.New York: Mc Graw Hill.

[3] Vincent Rainardi, Building a Dta Warehouse;

Apress, 2008

[4] Ponniah Paulraj,2001.Data, Warehouseing

Fundamentals, New York : A Wiley

Interscience Publication.

[5] Rainardi, V. Building A Data Warehouse, With Examples in SQL Server. APRESS,2007.

[6] Inmon, William H. 2005. "Building the Data warehouse (4th ed.) Indianapolis :Wiley Publishing, Inc.

3.2 Information Needs Analysis

Analysis of information needs is the stage of analyzing what information is required by the Cooperative Award fortune of data warehouse that will be built. Based on interviews with Budi Adi Mulyo as cooperative owners have several needs information that would be required by the Cooperative Award fortune to achieve competitive advantage and improve business operations of cooperatives are as follows:

1. Information on the amount of fertilizer production plant per month and per year.

2. Information on the number of customers who most bought fertilizer per month and per year. 3. The information most amount of fertilizer sold in

each region per month and per year.

4. The information most amount of fertilizer sold in each province per month and per year.

5. Information on the number of materials used in the factory every month and the year.

6. Information sales amount of manure produced by most every province in each month and year.

3.3 Development of Data Warehouse Architecture

The type of data warehouse is to be built is a functional kind of a data warehouse, where the source data to be stored in the data warehouse is external data, ie daily data of each activity in the form microsoft office excel file with format ".xlsx". Data warehouse type functional layer consists of a layer source, Data Staging, data warehouse layer and analysis. The following functional image data warehouse architecture.

Picture 4 Data Warehouse Fungsional

3.4 Source Layer

Source layer is a layer of a data source, wherein the core layer of the data is still in the form of an external file. External data that will be used in the construction of a data warehouse is the data in the form of an excel file with xls format. Excel file will be imported into the database, Before importing excel file into the database, first column and the data content of each field or record that is analyzed in order to structure the table that will be built into the data warehouse in accordance with the file to be imported into the database.

3.5 Data Staging

At the core layer, the external data is already imported into the database will be extracted, transformed and then loaded into the data warehouse. This process is better known as the ETL process. ETL process is a process that is very important in building a data warehouse, the higher the level of truth ETL process more accurate information extracted from the data warehouse.

Picture 5 Langkah-langkah ETL

ETL process describes the steps that will be done in the process of staging. As explained below:

1. Extraction Process

The first step in the ETL process is to extract data from data sources. Data warehouses can combine data from different sources with separate systems that use different data formats. Extraction is to transform data into a format that is useful to the process of transformation. The process of extracting data from the data source into the data warehouse are as follows:

1) Process extract on the sales table.

Table 1 Sales Extract

Name of Table

Field

Penjualan

no_do kode_gudang kode_pelanggan kode_barang jumlah Total id_tanggal tanggal

2) Process extract on the production table

Table 2 Extract Produksi Name of Table Field Produksi no_produksi kode_produksi kode_barang kode_pabrik kode_bahan jumlah id_tanggal tanggal

3) Extract process in the storehouse table

Table 3 Extract Gudang Name of Table Field Gudang kode_gudang nama_gudang alamat_gudang

4) Extract process in the customer table

Table 4 Extract Type Customer Name of Table Field Pelanggan kode_pelanggan nama_pelanggan alamat_pelanggan

5) Process extract in items table

Table 5 Extract Items Name of Table Field Barang kode_barang nama_barang harga_barang Keterangan 6) Process extract in items facttory

Table 6 Extract Pabrik Name of Table Field Pabrik kode_pabrik nama_pabrik alamat_pabrik

7) Process extract in items ingredients

Table 7 Extract Bahan Name

of Table

Field

kode_bahan

2. Transformation Process

The process of transformation is done cleaning and conditioning.

a) Cleaning

Cleaning process to clean the data or field of unnecessary and unused on the table that has been extracted. Here is a field name is omitted in the process of cleaning:

1. In the table does not require any storage field alamat_gudang.

2. Items in the table does not require a description field.

3. In the table of the plant does not require field alamat_pabrik province. 4. In the table caption field removes

material.

Table 8 Cleaning Table Peminjam Gudang dim_gudang No Field No Field

1 kode_gudang 1 kode_gudang 2 nama_gudang 2 nama_gudang 3 alamat_gudang

In this table eliminates some fields "alamat_gudang" because it is not needed in the analysis of strategic information needs.

b) Conditioning

Conditioning process is done by selecting the attribute from the data source to the target (data warehouse). Explanation of conditioning in this transformation process that is changing the date field split into several fields (day, month, year) because when the process of analysis, the required data can be analyzed in a range based on the desired time. For more details, see the table below below:

Table 10 Table Conditioning dim_tanggal_penjualan

tanggal_penjualan dim_tanggal_penjualan

03/01/2013 tanggal bulan tahun

04/01/2013 03 01 2013

04/01/2013 04 01 2013

07/01/2013 04 01 2013

07/01/2013 07 01 2013

07 01 2013

3. Load Process

In this process, the data is already in extract and transformation will be stored in the data

data that passes through the extraction and transformation will be directly inserted into the data warehouse without changing existing data.

3.6 Data Warehouse Layer

In this layer, the data that have been through the ETL process will be stored in a centralized storage logic is the data warehouse. Will be needed two tables fact that the sales fact table and the fact table production. In addition there will be a dimension table that will be used together in multiple fact tables. Viewed from the requirement, then the schema data warehouse that will be used are the constellations because there is the dimension tables that are related to more than one other fact. For more details, relation schema data warehouse can be seen in Figure 6:

Picture 6 Skema Data Warehose 3.7 Functional Needs Analysis

Analysis of functional requirements describe the activities that will be implemented in a system. The analysis will be made to describe the functional model and information flows that context diagram and data flow diagram (DFD).

1. Diagram Context

Manufacture of the system context diagram illustrates the structural approach system in general which will then be broken down into more detailed parts.

The context diagram of the system to be built can be seen in the following figure:

Picture 7 Diagram Konteks

2. Data Flow Diagrams

Data Flow Diagrams (DFD) is a process which describes a flow of information that is more detailed and granular which is the development of a context diagram. The following is a Data Flow Diagram of the system to be built:

a) DFD Level 1 Data Warehouse Software DFD Level 1 data warehouse application is a decrease from the context diagram to describe the processes that will occur in the system. Figure DFD Level 1 can be seen in the image below:

Picture 8 DFD Level 1 Aplikasi Data Warehouse

b) DFD Level 2 ETL Process

The DFD Level 2 process ETL data from the system to be built can be seen in the following figure:

c) DFD Level 2 OLAP Process

The DFD Level 2 process OLAP data from the system to be built can be seen in the following figure:

Picture 10 DFD Level 2 Proses OLAP

4.

IMPLEMATION AND TESTING

4.1 Software Builders

The software used to build a data warehouse software PT.Pupuk Iskandar Muda, namely:

Table 11 Software Builder No. Perangkat Lunak Keterangan

1 Windows 8 Sistem Operasi 2 SQL Server 2014 Penyimpanan

Database

3 Visual Studio 2013 Tool Pembangun Aplikasi

4.2 Hardware Builders

Minimum requirement of hardware (hardware) required to build a data warehouse software is a computer hardware laptop with specs like this:

Table 12 Hardware Builders

NO Perangkat Keras

Spesifikasi Minimum

Eksistensi Keterangan

1 Processor Intel Quad Core

Intel Core i3

Mendukung

2 RAM 2 GB 2 GB Mendukung

3 Hardisk 64 GB 128 GB Mendukung

4.3 Implementation Interface

I implementation of the interface is done by displaying each display and encoding system built in the form of program files. As for the implementation of data warehouse software to see built can be seen in the table below:

Table 13 Implementation Interface

3.1 Information on the amount of fertilizer production plant per month and per year.

Olap1.cs

3.2 Information on the number of customers who most bought fertilizer per month and per year.

Olap2.cs

3.3 The information most amount of fertilizer sold in each region per month and per year.

Olap3.cs

3.4 The information most amount of fertilizer sold in each province per month and per year.

Olap4.cs

3.5 Information on the number of materials used in the factory every month and the year.

Olap5.cs

3.6 Information

generated amount of fertilizer sales at most each month and year.

Olap6.cs

4.4 System Examination

Testing data warehouse built using black box testing methods. The test plan can be seen in the table below:

Table 14 Rencana Pengujian Kelas

Uji

Detail Pengujian Jenis Uji

Import Berhasil import atau gagal import

Black Box ETL Berhasil

Ekstrak,Transform, Load

atau gagal

Ekstrak,Transform, Load

Black Box

OLAP Berhasil melakukan analisis OLAP atau gagal melakukan analisis OLAP

Black Box

4.5 Alpha Testing Conclusion

Based on the results of Alpha testing has been done can be concluded that the application has been running quite well, in this test data integration can be said to be a success because of the stage of the import process, ETL and OLAP goes well, and output needs of the information produced are in accordance with the desired output so that the

4.6 Conclusion Beta Testing

Based on the interview above concluded that the purpose of the development of data warehouse software has been fulfilled

5.

END

5.1 Conclusion

From the results of tests and interviews that have been made to the company as the company PT.Pupuk Iskandar Muda can be concluded that:

1. The software's data warehouse can help the company in the integration of data.

2. The information generated can be a tool for the analysis of the company PT.Pupuk Iskandar Muda.

5.2 Suggestion

In the Data Warehouse Software development is still far from perfect and there are still many shortcomings. It is therefore necessary for the development and further refinement. As for suggestions that could be used in the further development of the system:

1. Developed to BI because the company has another subsidiary.

BIBLIOGRAPHY

[1] Roger S. Pressman, Software engineering, 7th ed .: Mc Graw. Hill. 2010

[2] Golfarelli, M., Hill, M.G., dan Rizzi, S.2009. Data Warehouse Design, Modern Principles and Methodologies.New York: Mc Graw Hill.

[3] Vincent Rainardi, Building a Dta Warehouse; Apress, 2008

[4] Ponniah Paulraj,2001.Data, Warehouseing Fundamentals, New York : A Wiley Interscience Publication.

[5] Rainardi, V. Building A Data Warehouse, With Examples in SQL Server. APRESS,2007.

[6] Inmon, William H. 2005. "Building the Data warehouse (4th ed.) Indianapolis :Wiley Publishing, Inc.

[7] Yudhi Hermawan, konsep OLAP. Yogyakarta; ANDI Yogyakarta, 2005