Merancang Data Mart Perancangan Dashboar (1)
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Merancang Data Mart Perancangan Dashboard Penerimaan Mahasiswa
Baru Universitas Muhammadiyah Tangerang
*1
Samudera Dipa Legawa, 2Ignaitus Joko Dewanto, 3Henderi,
4
Ferry Sudarto
Magister Teknik Informatika, STMIK Raharja
*1
E-mail : dipa@raharja.info. 2 jokodewanto@raharja.info, 3 henderi@raharja.ac.id,
3
ferry.sudarto@raharja.info
Abstrak
Tujuan penelitian adalah untuk merancang data mart yang hasilnya ditampilkan ke dalam
dashboard penerimaan mahasiswa baru. Dimana data dapat memberikan laporan yang terperinci,
aktual, terintegrasi, terotomatisasi, dan mudah diakses kepada kepala bagian Penerimaan
Mahasiswa Baru Universitas Muhammadiyah Tangerang. Metodologi penelitian yang akan
digunakan dalam penelitian ini adalah metode perancangan Data Mart Kimbal dengan pendekatan
bottom up : menentukan proses bisnis, menentukan granularity, Identifikasi dan penyesuaikan,
menentukan fakta, menyimpan hasil perhitungan sementara pada tabel fakta, melengkapi tabeltabel dimensi, menentukan durasi dimensi, menelusuri dimensi termasuk dimensi yang perubahan
lambat, memutuskan prioritas query dan bentuknya. Selanjutnya perancangan BI, OLAP dan
dashboard untuk kebutuhan PMB. Tools yang digunakan adalah MsAccess dan Excel Powerpivot.
Hasil yang diperoleh adalah implementasi BI dan dashboard kebutuhan PMB, tindak lanjut
penelitian adalah pengembangan BI yang lain yang dibutuhkan di dalam merancang renca narencana strategis di Universitas Muhammadiyah Tangerang.
Kata Kunci : PMB, data mart, bottom up, BI, OLAP, dashboard
Abstract
The objective of the study was to design the data mart whose results were displayed into the
admissions dashboard of the new students. Where data can provide detailed, actual, integrated,
automated, and easily accessible reports to the head of Admissions Department of University of
Muhammadiyah Tangerang. Research methodology to be used in this research is Data Kimbal Data
drafting method with bottom up approach: determining business process, determining granularity,
Identification and adjusting, determining fact, storing result of temporary calculation in fact table,
complete dimension table, determining dimension duration, trace dimensions including dimensions
that change slowly, decide on query priority and shape. Next design BI, OLAP and dashboard for
PMB needs. The tools used are MsAccess and Excel Powerpivot. The results obtained are the
implementation of BI and the dashboard of PMB needs, follow-up research is another BI development
needed in designing strategic plans at the University of Muhammadiyah Tangerang.
Keywords : PMB, data mart, bottom up, BI, OLAP, dashboard
Volume.1 - November 2017.
174
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
1. Pendahuluan
Universitas Muhammadiyah suatu perguruan tinggi ditandai dengan bertambahnya
jumlah mahasiswa dari tahun ke tahun. Pertumbuhan mahasiswa menghasilkan petumbuhan
data akademik mahasiswa yang cukup besar. Kumpulan data mahasiswa yang berlimpah
tentunya mengandung informasi atau pengetahuan yang harus digali atau dianalisis,
sehingga dari kumpulan data tersebut dapat diperoleh pola atau pengetahuan yang dapat
digunakan oleh perguruan tinggi untuk lebih memahami kondisi mahasiswa. Berdasarkan
pengetahuan yang diperoleh dari analisis data mahasiswa dan dosennya, perguruan tinggi
dapat membuat rencana strategis yang lebih baik untuk direalisasikan dalam program
kerjanya ke depan.
Seiring dengan pertumbuhan suatu perusahaan, keputusan – keputusan dalam
kegiatan bisnis pun semakin rumit dan besar. Karena itu dibutuhkan suatu teknologi, yang
merupakan implementasi dari teknologi informasi yang sedang berkembang pesat saat ini,
untuk membantu para pelaku bisnis mengambil keputusan – keputusan yang lebih baik dan
tepat, dengan cara menyediakan laporan – laporan terperinci dan aktual.
Data warehouse adalah sebuah database yang menyimpan data baik yang terbaru
maupun lampau dari berbagai sumber. Data yang disimpan adalah data yang relevan
terhadap pengambilan keputusan. Sedangkan data mart adalah sub bagian dari data
warehouse yang merupakan dasar BI sebagai sumber data, karena data – data dalam data
mart sudah dirangkum sedemikian rupa, sehingga dapat menyediakan informasi yang tepat
untuk digunakan.
Membangun dan mengimplementasikan Data Mart menjadi sebuah tantangan bagi
institusi pemasaran pendidikan dan perlu ditingkatkan berdasarkan data dalam
memudahkan pengambilan keputusan strategis. Untuk membangun strategi penerimaan
mahasiswa baru dibutuhkan kemampuan analisis data eksternal dan internal yang
digunakan secara optimal.
Perancangan data mart penerimaan mahasiswa baru di Universitas Muhammadiyah
Tangerang dapat digunakan untuk mengolah data-data mahasiswa dalam memudahkan
menghitung jumlah formulir terjual, menentukan sekolah binaan, lokasi promosi, areal
daerah potensi untuk melakukan promosi, program studi favorit, pekerjaan dan penghasilan
orang tua calon manahasiswa. Sehingga dapat membantu pihak PMB dalam pengambilan
keputusan, serta evaluasi.
Business Intelligence (BI) adalah salah satu bentuk implementasi teknologi informasi
yang menjawab kebutuhan di atas. BI dikategorikan sebagai aplikasi dan teknologi untuk
mengumpulkan (collect), menyimpan (save), menganalisis (analysis), dan menyediakan
akses (access) ke data guna membantu penggunanya mengambil keputusan bisnis secara
lebih baik. Aplikasi ini mencakup aktivitas sistem pendukung keputusan, query, pelaporan
(reporting), online analytical processing (OLAP ), analisis statitik (statistical analysis ),
peramalan (forecasting ), data mining, dan dashboard.
BI dapat digunakan untuk meningkatkan kinerja melalui pemilihan strategi bisnis
yang tepat serta mengingkatkan efisiensi pelaksanaan kerja sehingga pada akhirnya akan
tercipta pengambilan keputusan yang maksimal. BI dapat membantu suatu organisasi
mendapatkan pengetahuan yang jelas tentang faktor – faktor yang mempengaruhi kinerja
Volume.1 - November 2017.
175
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
organisasi sehingga organisasi tersebut dapat meningkatkan keunggulannya ( competitive
advantage).
Dashboard yang akan dirancang mengambil data cube yang dihasilkan oleh OLAP,
bersumberkan data mart Penerimaan Mahasiswa Baru, kemudian memprosesnya menjadi
sebuah laporan yang akurat, tepat waktu, bernilai tinggi, dan berguna. Dashboard ini juga
memungkinkan kepala bagian PMB Penerimaan Mahasiswa Baru Universitas
Muhammdiyah Tangerang melihat data dari berbagai dimensi sehingga memberikan
pengertian yang lebih jelas tentang data tersebut.
Terinspirasi penelitian Parsiyono, dkk. melakukan perancangan data warehouse
STAB Syailendra Semarang dengan menggunakan 5 tahapan : merencanakan subyek data,
merancang skema barang, merancanga skema bintang, merancang data warehouse,
kemudian diimplementasikan dengan cara Extract, Transform dan Load untuk mementuk
cube. Hasil laporan data warehouse menghasilkan laporan tentang jumlah mahasiswa per
angkatan, per jenis kelamin dan per asal mahasiswa. Data warehouse ini dibangun dengan
SQL Server 2012 dan penyajian data menggunakan Excel Powerpivot. Disisilain penelitian
Kurniawan Jatmika, dkk., didalam merancang bangun data mart dan purwarupa dashboard
untuk visualisasi performa akademik, dalam mengatasi permasalahan dalam memilah dan
menyusun informasi, maka dibutuhkan sebuah sistem yang mampu memfasilitasi proses
pengumpulan dan penyajian informasi. Dengan menggunakan simpanan data dengan skema
data mart yang terhubung secara langsung ke dalam sebuah dashboard system untuk
mempermudah proses monitoring performa program studi. Akhirnya dengan bangunan data
mart tersebut dapat disimpulkan bahwa: desain star schema mendukung dan memudahkan
proses rancang bangun data mart akademik dan dashboard system, sistem yang dapat
membantu Kepala Program Studi S1 Sistem Informasi dalam mengevaluasi performa
akademik program studi, dan pengguna menerima dengan baik sistem yang sudah
dirancang bangun.
2. Metodologi Penelitian
Metode penelitian adalah cara menerapkan langkah-langkah sistematis berdasaarkan
prinsip-prinsip logis terhadap penemuan, pengesahan, dan penjelasan dalam mencapai
kebenaran ilmiah dalam mencapai kebenaran ilmu, untuk memecahkan masalah.
Penelitian ini merupakan penelitian dan pengembangan yang memiliki keterlibatan
intens peneliti dengan masalah dan objek penelitian. Titik berat penelitian ini adalah pada
perubahan dan mengatasi masalah nyata di objek penelitian, sehingga terdapat kontribusi
nyata dan langsung terhadap objek penelitian dalam mengatasi masalah tersebut.
Metode penelitian dengan menggunakan Perancangan Data Mart desain Bottom Up
Pendekatan Ralph Kimball : dengan skema terpisah dibangun untuk setiap data mart,
dengan mempertimbangkan kebutuhan pengambilan keputusan yang bertanggung jawab
pada area bisnis tertentu yang sesuai atau proses. Kemudian, skema ini digabung dalam
skema global untuk seluruh data warehouse/data mart
Metode pengembangan data warehouse/data mart yang lain adalah pendekatan
Kimball dengan metode bootom – up, menggunakan 9 tahap perancangan data warehouse,
sebagai berikut: 1) menentukan proses bisnis (Choosing the process ), merancang data mart
Volume.1 - November 2017.
176
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
harus sesuai dengan kebutuhan. Sebagai contoh ketika ingin meneganalisis penerimaan
mahasiswa baru berdasarkan berbagai sumber yang berbeda atau dimensi, 2) menentukan
granularity (Choosing the grain), perancangan model data warehouse harus sesuai
berdasarkan tabel fakta dan dimensi, untuk itu ketika pemilihan sumber harus mengacu
pada kemampuan unutk merepresentasikan fakta-fakta yang di ambil dari berbagai sumber
dimensi pada OLTP, misalnya PMB_fact, adalah mengambarkan rincian data pmb secara
detail, 3) Identifikasi dan penyesuaikan dimensi (Identifying and conforming the
dimensions), dimensi ini sebagai gambaran fakta-fakta pada tabel fakta, misalnya setiap
data pada tabel pmb_dim dilengkapi dengan pmb_id, pmb_no, pmb_name, nama,
pmb_street_address, pmb_zip_code dan lainnya, 4) menentukan fakta (Choosing the fact),
sumber dari sebuah tabel fakta akan menentukan fakta mana yang akan di gunakan,
misalnya : pembayaran_fact terdiri dari pmb_id, admin_id, pembayaran_id, nilai_id, yang
menggambarkan fakta dari berbagai tabel dimensi yaitu pmb, pembayaran, nilai dan
pmb_date, 5) menyimpan hasil perhitungan sementara pada tabel fakta (Storing precalculations in the fact table), 6) melengkapi tabel-tabel dimensi (Rounding-out the
dimension tables), menambahkan selengkap-lengkapnya pada tabel dimensi dan harus
bersifat intuitif dan mudah dipahami oleh pengguna. Tahap ini agar pengguna
dipermudahkan dalam penganalisaan nantinya, 7) menentukan durasi dimensi (Choosing
the duration of the dimension), katakana saja durasi data 5 tahun penelitian, 8) menelusuri
dimensi yang termasuk slowly changing dimension (Tracking slowly changing dimension),
ada 3 tipe perubahan dimensi yaitu atribut dimensi yang telah berubah tertulis ulang,
menimbulkan sebuah dimensi baru dan dimensi yang berubah menimbulkan alternatif,
sehingga nilai atribut lama dan yang baru dapat diakses secara bersama pada dimensi yang
sama, 9)memutuskan prioritas query dan bentuknya (Deciding the query priorities and the
query modes), berupa perancangan fisik.
3. Hasil Dan Pembahasan
2.1.Analiis data mahasiswa baru
Mahasiswa baru yang baru mendaftar di Universitas Muhammadiyah Tangerang yang
merupakan input masukan data yang akan dioleh dengan pengolahan data Microsoft Excel ,
dari data mahasiswa baru yang terkumpul dapat dilihat sebagai berikut :
Volume.1 - November 2017.
177
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Tabel 1. : Data Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang
Pengelolaan data mahasiswa baru hanya sebatas : no, tanggal pendaftaran, nim, nama,
tempat tanggal lahir, asal sekolah, no.telp/hp, fak, prodi, nama orang tua (ayah dan ibu),
serta alamat dengan melihat data penerimaan mahasiwa baru tersebut, maka pihak Universitas
Muhammadiyah Tangerang pada data mahasiswa baru tersebut mengalami beberapa
permasalahan, antara lain : 1) Data mahasiswa baru yang diperoleh dari mahasiswa
masih bersifat minim, 2) Data mahasiswa baru tidak dapat melihat rata-rata raport, nilai
NEM, prestasi yang dimiliki, 3) Data mahasiswa baru tidak memilki email, 4) Data
mahasiswa baru juga tidak mengidentifikasikan media sosial yang digunakan, seperti : WA,
Instagram, Line, 5) Pengelompokan hanya diidentifikasi dengan pewarnaan, seperti : FE =
kuning, FAI = hijau, FIKES = putih, FKIP = biru, FT = coklat muda, FISIP = pink, HUKUM
= coklat. Dengan identifikasi ini tentunya susah untuk diambil keputusan untuk pengolahan
data ini.6)Data orang tua terbatas hanya nama, tidak mengidentifikasikan : email,
pekerjaan orang tua, pendapatan, lulusan orang tua,
3.2.Perancangan Data Warehouse / Data Mart
Pembuatan data warehouse / data mart diperlukan 9 tahap metodologi (nine-step
methodology), yaitu:
1.
Langkah 1 - Menentukan proses bisnis (Choosing the process )
Proses Penerimaan Mahasiswa Baru pada Universias Muhammadiyah Tangerang
yang digunakan untuk perancangan data warehouse atau data mart, yang digambarkan
pada tabel di bawah ini : .
Tabel 2. : Tabel Pemilihan Proses
Proses Bisnis
Deskripsi
Fungsi Yang
Terlihat
Penerimaan
Melakukan penjualan formulir dan bekerja sama Manager, Staf dan
Mahasiswa Baru
dengan sekolah-sekolah melakukan pengumpulan Admin
data calon mahasiswa, mengimput datanya, dari
Volume.1 - November 2017.
178
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
berbagai dimensi ke dalam aplikasi, melihat
laporan yang tersedia agar dapat menentukan
strategi pemasaran dan pengembangan dashboard
2. Langkah 2 - Menentukan granularity (Choosing the grain)
Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh
record dalam tabel fakta yang isinya data calon fakta. Grain dari Penerimaan
Mahasiswa Baru yang digunakan untuk merancang data warehouse adalah :
Tabel 3 : Tabel Grain
Grain/Fakta
Deskripsi
Proses Bisnis yang
Terkait
Nilai
Informasi
Mahasiswa
Analisis yang dilakukan dilihat dari berbagai sudut
Penerimaan
pandang yang berhubungan dengan nilai informasi Mahasiswa Baru
yang dimiliki oleh mahasiswa antara lain : yang
diperoleh
dari
Jalur,
NIM
Mahasiswa,
Nama
Mahasiswa, agama, jenis kelamin, asal sekolah, kota,
kecamatan, fakultas, program studi, alamat surel,
media
sosial
(faebook,
twitter
dan
Instagram),
pendidikan orang tua, penghasilan orang tua
3. Langkah 3 - Identifikasi dan penyesuaikan dimensi (Identifying and conforming the
dimensions)
Mendefinisikan dan menyesuaikan dimensi (Identifying and conforming the
dimenions ) Pada tabel 1 dibawah menampilkan hubungan dimensi dengan grain dari
fakta dalam bentuk matriks:
Tabel 4. : Tabel Identifikasi dan Penyesuaian Dimensi
Dimensi
Agama
Keterangan
Grain
Diidentifikasi menjadi kode agama dan
Nilai informasi mahasiswa
agamanya
Pembayaran
Diidentifikasi
id
pembayaran
dan
Nilai informasi mahasiswa
pembayaran
Ujian
Diidentifikasi id ujian dan nilai rata ujian
Nilai informasi mahasiswa
Admin
Diidentifikasi id admin dan nama admin
Nilai informasi mahasiswa
Jenis Kelamin
Diidentifikasi kode kelamin dan kelamin
Nilai informasi mahasiswa
Kota
Diidentifikasi kode kota dan nama kotanya
Nilai informasi mahasiswa
Mahasiswa
Mahasiswa diidentifikasi menjadi id nama
Nilai informasi mahasiswa
mahasiswa dan nama mahasiswa, kelamin,
tanggal lahir, kode agama, kode kota, kode
pos, kode propinsi, telpon, handphone,
Volume.1 - November 2017.
179
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
email, anak ke berapa, jumlah saudara,
kode prodi
Pekerjaan Orang Tua
Pekerjaan orang tua diidentifikasi menjadi
Nilai informasi mahasiswa
id mahasiswa, nama mahasiswa, nama
orang tua, tanggal lahir orang tua, telpon
orang tua, pendidikan orang tua, pekerjaan
orang tua, penghasilan orang tua tiap
bulannya
Prodi
Prodi diidentifikasi id prodi dan nama
Nilai informasi mahasiswa
prodi
Propinsi
Propinsi diidentifikasi kode propinsi dan
Nilai informasi mahasiswa
nama propinsi
Sekolah
Sekolah diidentifikasi kode sekolah dan
Nilai informasi mahasiswa
nama sekolah, alamat sekolah, telpon
sekolah
Kecamatan
Diidenitifikasi
kode
kec
dan
nama
Nilai informasi mahasiswa
Diidentifikasi kode medsos dan nama
Nilai informasi mahasiswa
kecamatan
Medsos
medsos
Sumber : peneliti
4. Langkah 4 - Menentukan fakta (Choosing the fact)
Pemilahan fakta yang akan digunakan dalam data mart Penerimaan Mahasiswa
Baru, dimana masing-masing fakta memiliki data yang dapat dihitung, untuk
selanjutnya ditampilkan dalam bentuk laporan, grafik atau berbagai macam
diagram. Berikut ini fakta-fakta yang akan ditampilkan di data Mart
Tabel 5. : Tabel Fakta
Fakta
Recordmhs_fact
Keterangan
Fakta
Recordmhs_fact
Dimensi
merupakan Nilai informasi mahasiswa
kumpulan berbagai informasi tentang data
mahasiswa yang dianalisis dari dimensidimensi yang ada. Facta recordmhs_fact,
terdiri dari : id mahasiswa, nama, tempat
lahir, tanggal lahir, alamat, kota, agama,
propinsi, pembayaran, nama prodi, jenis
Volume.1 - November 2017.
180
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
kelami, asal sekolah, pendidikan orang tua,
pekerjaan orang tua, pendapatan orang tua,
medsos
5. Langkah 5 - Menyimpan hasil perhitungan sementara pada tabel fakta (Storing precalculations in the fact table)
Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-calculations in the fact
table)
Pre-kalkulasi :
a. JumlahAgama = count(dim agama.kode_agama)
b. JumlahJalur = count(dim jalur.id_jalur)
c. JumlahJenisKelamin = count(dim_jeniskelamin.kelamin)
d. JumlahKota = count(dim_kota,id_kota)
e. JumlahMhs = count(dim_mhs.id_mhs)
f. JumlahPekerjaanOrangTua = count(dim_pekerjaanorangtua.id_mhs)
g. JumlahPendidikanOrangTua = count(dim_pendidikanorangtua.id_mhs)
h. JumlahProdi = count(dim_prodi.kode_prodi)
i. JumlahPropinsi = count(dim_propinsi.kode_propinsi)
j. JumlahSekolah = count(dim_sekolah.kode_sekolah)
DIM Kota
Pk
Kode Kota
Nama Kota
DIM Pe k e rjaan_orang_tua
PK
IdM hs
Nama
Nama Orang tua
Tempat Lahir
Telpon Ortu
Asal Sekolah
penghasil an_orang_tua
pendaptan_perbul an
DIM Agama
Pk
Kode Aga
Agama
DIM M ahas is wa
PK
IdM hs
Nama
Kelamin
Tempat Lahir
Tanggal Lahir
Kode Agama
Alamat
Kode Kota
Kode P os
Kode P ropinsi
Telpon
Handphone
Email
Anak ke
Jumlah Saudata
Kode P rodi
DIM Propi nsi
Pk
Kode Propi nsi
Nama Propi nsi
DIM Prodi
Pk
Kode Prodi
Nama Prodi
a
Nama
re codmhs
_fact
Tempat Lahir
Tanggal Lahir
Alamat
PK
IdM hs
Kota
Ahama
P ropinsi
Jalur
P embayaran
Ujian
nama_prodi
jenis_kelamin
asal_sekolah
pekerjaan_orang_tua
pendidikan_orang_tua
pendapatan_orang_tua
DIM Jalur
Pk
Id Jal ur
Jal ur
DIM Se kolah
Pk
Kode Sekol ah
Nama Sekol ah
Al amat Sekol ah
No_Tel p
Email
DIM Pembayaran
Pk
Id Pembayaran
Juml ah Pembayaran
DIM Ujian
Pk
Id Uji an
Nil ai 1
Ni l ai 2
Ni l ai 3
Ni l ai Rata-Rata
DIM Medsos
Pk
Id Me dsos
Facebook
Instagram
Twi teer
Instagram
DIM Kelamin
Pk
Kode Kel ami n
Kel ami n
Gambar : Skema Bintang Penerimaan Mahasiswa Baru
6. Langkah 6 - Melengkapi tabel-tabel dimensi (Rounding-out the dimension tables )
Menambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut
harus intuitif dan dapat dimengerti oleh user. Tabel –tabel berikut ini merupakan
deskripsi teks dari tabel dimensi:
1. Dim_agama
Volume.1 - November 2017.
181
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
Tabel 6. : Dim Agama
Atribut
Tipe Data
Kode_Agama
Char
Agama
Varchar
2. Dim_jalur
Tabel 7. : Dim Jalur
Atribut
Tipe Data
Id_Jalur
Varchar
Jalur
Varchar
3. Dim_Jeniskelamin
Tabel 8. : Dim_Jeniskelamin
Atribut
Tipe Data
Kode_kelamin
Char
Kelamin
Varchar
4. Dim_Kota
Tabel 9. : Dim_Kota
Atribut
Tipe Data
Kode_Kota
Char
Kota
Varchar
5. Dim_Mahasiswa
Tabel 10, : Dim_Mahsiswa
Atribut
Tipe Data
IdMhs
VarChar
Nama
Varchar
Kelamin
Char
Tempatlahir
Varchar
Tanggallahir
Date
Kode_Agama
Char
Alamat
Char
Kode_Kota
Varchar
KodePos
Varchar
Kode_Prop
Varchar
Telpon
Varchar
Handphone
Varchar
Email
Varchar
Anak_ke
Integer
Kode_Prodi
Varchar
6. Dim_Pekerjaanorangtua
Tabel 11. : Dim_Pekerjaanorangtua
Atribut
Tipe Data
IdMhs
VarChar
Nama
Varchar
Volume.1 - November 2017.
e-ISSN = 2598-5191
Panjang
2
12
Panjang
10
20
Panjang
3
10
Panjang
15
50
Panjang
50
100
3
50
2
255
50
50
50
50
50
100
11
50
Panjang
50
100
182
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
Nama_orang_tua
Varchar
Tgl_lahir
Date
Telponortu
Varchar
AsalSekolah
C
Pekerjaan_ortu
Varchar
Pendapatan_ortu
Varchar
Kode_Prodi
Varchar
7. Dim_Prodi
Tabel 12. : Dim_Prodi
Atribut
Tipe Data
Kode_Prodi
VarChar
Prodi
Varchar
8. Dim_Propinsi
Tabel 13, : Dim_Propinsi
Atribut
Tipe Data
Kode_Propinsi
VarChar
Propinsi
Varchar
9. Dim_Sekolah
Tabel 14. : Dim_Sekolah
Atribut
Tipe Data
Kode_Sekolah
VarChar
Nama_Sekolah
Varchar
Alamat_Sekolah
Varchar
No_telp
Varchar
10. Dim_Pembayaran
Tabel 15. : Dim_Pembayaran
Atribut
Tipe Data
Kode_Pembayaran
VarChar
Jumlah_Pembayaran Numerik
11. Dim_Ujian
Tabel 16. : Dim_Ujian
Atribut
Tipe Data
Kode_Ujian
VarChar
Nilai1
Numerik
Nilai2
Numerik
Nilai3
Numerik
NilRata
Numerik
e-ISSN = 2598-5191
15
50
50
100
20
30
Panjang
15
50
Panjang
15
50
Panjang
15
25
50
20
Panjang
15
30
Panjang
15
3
3
3
3
7. Langkah 7 - Menentukan durasi dimensi (Choosing the duration of the dimension)
Durasi dari data Penerimaan Mahasiswa Baru di Universitas Muhammadiyah
Tangerang dimasukan ke dalam data warehouse sebagai berikut:
Tabel 17. : Tabel Durasi Data Base
Nama Aplikasi
Database
Volume.1 - November 2017.
Database ada
Waktu data yang
masuh ke
Lama Data Dalam
Datawarehouse
183
Seminar Nasional Multi Disiplin Ilmu
Aplikasi
PMB
Universitas
Muhammadiyah
Tangerang
PMB
p-ISSN = 2598-4969
2010
e-ISSN = 2598-5191
Datawarehouse
2012-2017
5 tahun
8. Langlah 8 - Menelusuri dimensi yang termasuk slowly changing dimension
(Tracking slowly changing dimension)
Dari tipe-tipe dasar perubahan dimensi, pada perancangan data warehouse PMB
ini, perubahan atribut pada dimensi akan mengakibatkan pembuatan suatu record
dimensi baru. Hal ini dilakukan untuk menjaga data yang lama tetap ada agar
diketahui perubahan dimensi yang terjadi dari data lama ke data baru. Contohnya
seperti adanya perubahan pada nama mahasiswa, akan mengakibatkan penambahan
record baru pada dimensi dengan tetap menyimpan record yang lama.
Tabel 19. : Tabel slowly changing dimension
Dimensi
Dim_Mahasiswa
Volume.1 - November 2017.
Atribut
Id_Mahasiswa
Nama
Kelamin
Tempatlahir
Tanggallahir
Kode_Agama
Id_Jalur
Alamat
Kode_Kota
KodePos
Kode_Propinsi
Telpon
Handphone
Email
Pembayaran
Ujian
Medsos
Tipe SCD
1
1
1
1
1
1
1
1
1
1
1
1
1
1
184
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Tabel 20. : Tabel slowly changing dimension lanjutan
Dimensi
Dim_Agama
Dim_Jalur
Dim_Kota
Dim_Pekerjaanorangtua
Dim_Prodi
Dim_Propinsi
Dim_Sekolah
Atribut
AnakKe
JumlahSdr
Kode_Prodi
Kode_Agama
Agama
Id_Jalur
Jalur
Kode_Kota
Kota
Id_Mahasiswa
Nama
Nama_orang_tua
Tgl_lahir
Telponortu
AsalSekolah
Pekerjaan_ortu
Pendapatan_ortu
Kode_Prodi
Prodi
Kode_Propinsi
Propinsi
Kode_sekolah
Nama_sekolah
Alamat_sekolah
No_telp
Tipe SCD
1
1
1
1
1
1
1
1
2
2
2
2
1
1
1
1
9. Langkah 9 - Memutuskan prioritas query dan bentuknya (Deciding the query
priorities and the query modes )
Pada perancangan ini, bentuk skema yang dipilih adalah skema bintang, karena
skema ini merupakan skema yang mudah dipahami dan digunakan oleh pengguna
daripada skema yang lain. Bentuknya yang tidak terlalu rumit, memudahkan dalam
hal query. Langkah yang berhubungan dengan physical terutama pengurutan data
dan pencarian data melalui indexing Pada data warehouse ini telah diurutkan
berdasarkan primary key dari setiap tabel dan juga secara otomatis terindeks
berdasarkan primary key tersebut.
3.3. Rancangan dashboard
Pada rancangan data mart yang sudah diolah maka data-data yang telah diolah
ditampilkan dalam bentuk diagram dan tabel berdasarkan dari kebutuhan user. Beberapa
implementasinya adalah sebagai berikut:
1. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Agama
Volume.1 - November 2017.
185
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Total
100%
0%
Total
2. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Kota
Total
Total
189
1
7
3
3. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pekerjaan orangtua
Total
Guru
Pegawai Swasta
Pensiunan
PNS
Polisi
TNI
Wiraswasta
(blank)
12%
42%
30%
33%%
3%
7%
\
4. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pendapatan orangtua
Volume.1 - November 2017.
186
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
5. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pendidikan orangtua
Axis Title
Total
200
Total
0
Total
S1
127
S2
5
SMA
68
(blank)
Hasil dashboard ini mengidentifikasikan calon mahasiswa berdasarkan Pendidikan
Orang Tua.
6. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Prodi
Total
35
30
25
20
15
10
0
Total
Hasil dashboard ini mengidentifikasikan calon mahasiswa berdasarkan Program
Studi
7. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Propinsi
Volume.1 - November 2017.
187
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Axis Title
Total
200
100
0
banten jakarta
Total
banten
186
jakarta
9
jawa
barat
Total
lampung
jawa barat
1
(blank)
lampung
3
(blank)
8. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Asal Sekolah
8
6
4
2
0
Akbid…
D3…
MA…
MAN 1…
SMA Al…
SMA…
SMA…
SMA…
SMAN…
SMAN…
SMAN…
SMAN 15
SMAN…
SMAN…
SMAN…
SMAN…
SMAN…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMKN…
SMKN…
SMKN…
SMKN…
SMKN…
UMT
Total
Hasil dashboard ini mengidentifikasikan calon mahasiswa baru berdasarkan asal
sekolah
Volume.1 - November 2017.
188
Total
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
4. Kesimpulan
Data -data yang telah peneliti kumpulkan selama penelitian dan telah diuraikan pada
bab-bab sebelumnya, maka penulis dapat menarik kesimpulan sebagai berikut:
1. Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang memiliki data histori
transaksi PMB yang belun maksimal, oleh sebab itu dilakukan pengkajian perancangan data
mart.
2. Meskipun dengan sistem yang telah ada saat ini telah dapat menangani kegiatan
operasioanal dan bisnis PMB Universitas Muhammadiyah Tanerang, namun pemanfaatan
data histori transaksi PMB secara optimal tentu dapat memberikan suatu manfaat yang
besar bagi pihak PMB, Fakuktas, Program Studi, Akademik, Kemahasiswaan dan
Keuangan pada Universitas Muhammadiyah Tangerang.
3. Data-data transaksi PMB yang bersifat historis dapat disimpan ke dalam data mart PMB,
sehingga dapat menghasilkan informasi yang berguna bagi pihak top management yang
mendukung proses pengambilan keputusan.
4. Informasi yang dihasilkan data mart bersifat ringkas, dengan bentuk grafik dalam bentuk
dashboard memudahkan pemahaman dan analisa dalam proses pengambilan keputusan.
5. Saran
Dari kesimpulan yang telah diuraikan, peneliti memberikan saran yang dapat
bermanfaaat dalam mengatasi kelemahan-kelemahan. Hal-hal yang perlu dipertimbangkan
yaitu :
1. Untuk pengembangan selanjutnya diharapkan lingkup dari data mart lebih besar, mencakup
data ang berelasi ke akademik, kemahasiswaan, keuangan.
2. Melakukan pemeliharaan secara rutin terhadap data mart PMB, agar data yang diolah dan
dihasilkan memiliki performance yang baik.
3. Untuk pengembangan selanjutnya diharapkan data mart yang telah dibangun dapat
dikembangkan menjadi data warehouse yang melingkupi seluruh bagian unit bisnis pada
Universitas Muhammadiyah Tangerang yang digunakan untuk kebutuhan bisnis
Volume.1 - November 2017.
189
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Daftar Pusataka
[1]. Amborowati, Armadyah, “Perancangan dan Pembuatan Data Warehouse pada
Perpustakaan STMIK AMIKOM Yogyakarta”, 2o15.
[2]. Ballard, Chuck; Farell, Daniel M.; Gupta, amit; Mazuela, Carlos; Vohnik,
Stanislav, “Dimensional Modeling: In a Business Intelligence Environment”,
2006.
[3]. C. T and . B. C. , "A Practical Approach to Design, Implementation, And
Management, 4th Edition, " in Database Systems , California, Addison Wesley
Publishing Company Inc., 2005, p. 1171
[4]. Dedić, N. and Stanier C., "An Evaluation of the Challenges of Multilingualism in
Data Warehouse Development" in 18th International Conference on Enterprise
Information Systems - ICEIS , 2016, p. 196.
[5]. Fitrianah, Devi. Lumbantobing, Lumbantobing, Elfrida S. , “Rekayasa
Independent Data Mart dari Basis Data Operasional Tak Teritegrasi”, Prosiding
Seminar Nasional Manajemen Teknoiogi XI Program Studi MMT – ITS, Surabaya
6
Februari
2010.
http://mmt.its.ac.id/download/SEMNAS/SEMNAS%20XI/MTI/10.%20
Prosiding%20Devi%20Fitrianah-Ok%20Print.pdf (diakses tanggal : 6 Oktober
2017).
[6]. H. . W. Inmon, "Building Data warehouse, 4th Edition," Canada, John Wiley&
Sons., 2005, p. 495.
[7]. Hazibuan, Zainal, “Metodologi Penelitian pada Bidang Ilmu Komputer dan
Teknologi Informasi : Konsep, Teknik dan Aplikasi”, Universitas Indonesia, 2017.
[8]. Henderi. Winarko, Edi. (2015). “Rancangan Sistem Basis Data Warehouse
Evaluasi Kinerja”, Seminar Nasional Teknologi informasi dan Multimedia 2015,
STMIK AMIKOM Yogyakarta, ISSN : 2302-3805.
[9]. Jatmika, Kurniawan. Adhistya Erna P. Cahyono, Ari. (2016) , “Rancang Bangun
Data Mart dan Purwarupa Dashboard untuk Visualisasi Performa Akademik”.
Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas
Gadjah Mada Yogyakarta.
[10]. Kimball, Ralph and Ross, Margy, “The Data Warehouse Toolkit: The Complete
Guide to Dimensional Modeling (Second Edition)”, p. 393
[11]. Nolan and H. , "Microsoft SQL Server 7.0 Data Warehousing Training Kit ," USA,
Microsoft Prees, 2000.
[12]. Paramita, Dyah. Firdaus. Afrimas, Mira. (2012). Penerapan Data Mart Penjualan
Hypermarket XYZ Menggunakan Metode From Enterprise Models To
Dimensional Models . Jurusan sistem Informasi (JSI), Vol.4 No. 2, Oktober 2012.
Halaman 503-515 ISSN Print : 2085-1588 ISSN Online : 2355-4614
http://ejournal.unsri.ac.id/index.php/jsi/index (diaskes tanggal : 9 Oktober 2017)
[13]. Parsiyono, Kusrini, Andi Sunyoto. (2015), “Perancangan Data Warehouse
Akademik di Sekolah Tinggi Agama Buddha Semarang”, Jurnal Informa
Politeknik Indonusa Surakarta ISSN : 2242-7942 Vol : 1, Nomor : 2.
http://www.poltekindonusa.ac.id/wp-content/uploads/2016/11/2_Parsiyono.pdf.
(diakses tanggal : 7 Oktober 2017).
Volume.1 - November 2017.
190
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
[14]. Robert Wrembel dan Chritian Koncilia, “Datawahouses and OLAP : Concept,
Archiectures and Solution Table Contens”, Singapore, IRM Press, 2007.
[15]. Turban, Efrain. Arroson, Jay E. Liang, Ting Peng. “ Decission Support System and
Intelligence Systems ”, 2005.
[16]. V. Poe, "Building Data Warehouse for Decision Support, edisi-2," Prentice Hall,
1998
[17]. Yazid, Muhammad. Riyadi, Slamet. Asroni. (2015). “Pembangunan Data Mart
Lulusan dengan Arsitektur Normalized Data Store dan Dimesional Data Store”,
Prosiding Seminar Nasional Teknologi Informasi 2015, Fakultas Tekno;ogi
Informasi Universitas Tarumanegara Jakarta.
Volume.1 - November 2017.
191
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Merancang Data Mart Perancangan Dashboard Penerimaan Mahasiswa
Baru Universitas Muhammadiyah Tangerang
*1
Samudera Dipa Legawa, 2Ignaitus Joko Dewanto, 3Henderi,
4
Ferry Sudarto
Magister Teknik Informatika, STMIK Raharja
*1
E-mail : dipa@raharja.info. 2 jokodewanto@raharja.info, 3 henderi@raharja.ac.id,
3
ferry.sudarto@raharja.info
Abstrak
Tujuan penelitian adalah untuk merancang data mart yang hasilnya ditampilkan ke dalam
dashboard penerimaan mahasiswa baru. Dimana data dapat memberikan laporan yang terperinci,
aktual, terintegrasi, terotomatisasi, dan mudah diakses kepada kepala bagian Penerimaan
Mahasiswa Baru Universitas Muhammadiyah Tangerang. Metodologi penelitian yang akan
digunakan dalam penelitian ini adalah metode perancangan Data Mart Kimbal dengan pendekatan
bottom up : menentukan proses bisnis, menentukan granularity, Identifikasi dan penyesuaikan,
menentukan fakta, menyimpan hasil perhitungan sementara pada tabel fakta, melengkapi tabeltabel dimensi, menentukan durasi dimensi, menelusuri dimensi termasuk dimensi yang perubahan
lambat, memutuskan prioritas query dan bentuknya. Selanjutnya perancangan BI, OLAP dan
dashboard untuk kebutuhan PMB. Tools yang digunakan adalah MsAccess dan Excel Powerpivot.
Hasil yang diperoleh adalah implementasi BI dan dashboard kebutuhan PMB, tindak lanjut
penelitian adalah pengembangan BI yang lain yang dibutuhkan di dalam merancang renca narencana strategis di Universitas Muhammadiyah Tangerang.
Kata Kunci : PMB, data mart, bottom up, BI, OLAP, dashboard
Abstract
The objective of the study was to design the data mart whose results were displayed into the
admissions dashboard of the new students. Where data can provide detailed, actual, integrated,
automated, and easily accessible reports to the head of Admissions Department of University of
Muhammadiyah Tangerang. Research methodology to be used in this research is Data Kimbal Data
drafting method with bottom up approach: determining business process, determining granularity,
Identification and adjusting, determining fact, storing result of temporary calculation in fact table,
complete dimension table, determining dimension duration, trace dimensions including dimensions
that change slowly, decide on query priority and shape. Next design BI, OLAP and dashboard for
PMB needs. The tools used are MsAccess and Excel Powerpivot. The results obtained are the
implementation of BI and the dashboard of PMB needs, follow-up research is another BI development
needed in designing strategic plans at the University of Muhammadiyah Tangerang.
Keywords : PMB, data mart, bottom up, BI, OLAP, dashboard
Volume.1 - November 2017.
174
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
1. Pendahuluan
Universitas Muhammadiyah suatu perguruan tinggi ditandai dengan bertambahnya
jumlah mahasiswa dari tahun ke tahun. Pertumbuhan mahasiswa menghasilkan petumbuhan
data akademik mahasiswa yang cukup besar. Kumpulan data mahasiswa yang berlimpah
tentunya mengandung informasi atau pengetahuan yang harus digali atau dianalisis,
sehingga dari kumpulan data tersebut dapat diperoleh pola atau pengetahuan yang dapat
digunakan oleh perguruan tinggi untuk lebih memahami kondisi mahasiswa. Berdasarkan
pengetahuan yang diperoleh dari analisis data mahasiswa dan dosennya, perguruan tinggi
dapat membuat rencana strategis yang lebih baik untuk direalisasikan dalam program
kerjanya ke depan.
Seiring dengan pertumbuhan suatu perusahaan, keputusan – keputusan dalam
kegiatan bisnis pun semakin rumit dan besar. Karena itu dibutuhkan suatu teknologi, yang
merupakan implementasi dari teknologi informasi yang sedang berkembang pesat saat ini,
untuk membantu para pelaku bisnis mengambil keputusan – keputusan yang lebih baik dan
tepat, dengan cara menyediakan laporan – laporan terperinci dan aktual.
Data warehouse adalah sebuah database yang menyimpan data baik yang terbaru
maupun lampau dari berbagai sumber. Data yang disimpan adalah data yang relevan
terhadap pengambilan keputusan. Sedangkan data mart adalah sub bagian dari data
warehouse yang merupakan dasar BI sebagai sumber data, karena data – data dalam data
mart sudah dirangkum sedemikian rupa, sehingga dapat menyediakan informasi yang tepat
untuk digunakan.
Membangun dan mengimplementasikan Data Mart menjadi sebuah tantangan bagi
institusi pemasaran pendidikan dan perlu ditingkatkan berdasarkan data dalam
memudahkan pengambilan keputusan strategis. Untuk membangun strategi penerimaan
mahasiswa baru dibutuhkan kemampuan analisis data eksternal dan internal yang
digunakan secara optimal.
Perancangan data mart penerimaan mahasiswa baru di Universitas Muhammadiyah
Tangerang dapat digunakan untuk mengolah data-data mahasiswa dalam memudahkan
menghitung jumlah formulir terjual, menentukan sekolah binaan, lokasi promosi, areal
daerah potensi untuk melakukan promosi, program studi favorit, pekerjaan dan penghasilan
orang tua calon manahasiswa. Sehingga dapat membantu pihak PMB dalam pengambilan
keputusan, serta evaluasi.
Business Intelligence (BI) adalah salah satu bentuk implementasi teknologi informasi
yang menjawab kebutuhan di atas. BI dikategorikan sebagai aplikasi dan teknologi untuk
mengumpulkan (collect), menyimpan (save), menganalisis (analysis), dan menyediakan
akses (access) ke data guna membantu penggunanya mengambil keputusan bisnis secara
lebih baik. Aplikasi ini mencakup aktivitas sistem pendukung keputusan, query, pelaporan
(reporting), online analytical processing (OLAP ), analisis statitik (statistical analysis ),
peramalan (forecasting ), data mining, dan dashboard.
BI dapat digunakan untuk meningkatkan kinerja melalui pemilihan strategi bisnis
yang tepat serta mengingkatkan efisiensi pelaksanaan kerja sehingga pada akhirnya akan
tercipta pengambilan keputusan yang maksimal. BI dapat membantu suatu organisasi
mendapatkan pengetahuan yang jelas tentang faktor – faktor yang mempengaruhi kinerja
Volume.1 - November 2017.
175
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
organisasi sehingga organisasi tersebut dapat meningkatkan keunggulannya ( competitive
advantage).
Dashboard yang akan dirancang mengambil data cube yang dihasilkan oleh OLAP,
bersumberkan data mart Penerimaan Mahasiswa Baru, kemudian memprosesnya menjadi
sebuah laporan yang akurat, tepat waktu, bernilai tinggi, dan berguna. Dashboard ini juga
memungkinkan kepala bagian PMB Penerimaan Mahasiswa Baru Universitas
Muhammdiyah Tangerang melihat data dari berbagai dimensi sehingga memberikan
pengertian yang lebih jelas tentang data tersebut.
Terinspirasi penelitian Parsiyono, dkk. melakukan perancangan data warehouse
STAB Syailendra Semarang dengan menggunakan 5 tahapan : merencanakan subyek data,
merancang skema barang, merancanga skema bintang, merancang data warehouse,
kemudian diimplementasikan dengan cara Extract, Transform dan Load untuk mementuk
cube. Hasil laporan data warehouse menghasilkan laporan tentang jumlah mahasiswa per
angkatan, per jenis kelamin dan per asal mahasiswa. Data warehouse ini dibangun dengan
SQL Server 2012 dan penyajian data menggunakan Excel Powerpivot. Disisilain penelitian
Kurniawan Jatmika, dkk., didalam merancang bangun data mart dan purwarupa dashboard
untuk visualisasi performa akademik, dalam mengatasi permasalahan dalam memilah dan
menyusun informasi, maka dibutuhkan sebuah sistem yang mampu memfasilitasi proses
pengumpulan dan penyajian informasi. Dengan menggunakan simpanan data dengan skema
data mart yang terhubung secara langsung ke dalam sebuah dashboard system untuk
mempermudah proses monitoring performa program studi. Akhirnya dengan bangunan data
mart tersebut dapat disimpulkan bahwa: desain star schema mendukung dan memudahkan
proses rancang bangun data mart akademik dan dashboard system, sistem yang dapat
membantu Kepala Program Studi S1 Sistem Informasi dalam mengevaluasi performa
akademik program studi, dan pengguna menerima dengan baik sistem yang sudah
dirancang bangun.
2. Metodologi Penelitian
Metode penelitian adalah cara menerapkan langkah-langkah sistematis berdasaarkan
prinsip-prinsip logis terhadap penemuan, pengesahan, dan penjelasan dalam mencapai
kebenaran ilmiah dalam mencapai kebenaran ilmu, untuk memecahkan masalah.
Penelitian ini merupakan penelitian dan pengembangan yang memiliki keterlibatan
intens peneliti dengan masalah dan objek penelitian. Titik berat penelitian ini adalah pada
perubahan dan mengatasi masalah nyata di objek penelitian, sehingga terdapat kontribusi
nyata dan langsung terhadap objek penelitian dalam mengatasi masalah tersebut.
Metode penelitian dengan menggunakan Perancangan Data Mart desain Bottom Up
Pendekatan Ralph Kimball : dengan skema terpisah dibangun untuk setiap data mart,
dengan mempertimbangkan kebutuhan pengambilan keputusan yang bertanggung jawab
pada area bisnis tertentu yang sesuai atau proses. Kemudian, skema ini digabung dalam
skema global untuk seluruh data warehouse/data mart
Metode pengembangan data warehouse/data mart yang lain adalah pendekatan
Kimball dengan metode bootom – up, menggunakan 9 tahap perancangan data warehouse,
sebagai berikut: 1) menentukan proses bisnis (Choosing the process ), merancang data mart
Volume.1 - November 2017.
176
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
harus sesuai dengan kebutuhan. Sebagai contoh ketika ingin meneganalisis penerimaan
mahasiswa baru berdasarkan berbagai sumber yang berbeda atau dimensi, 2) menentukan
granularity (Choosing the grain), perancangan model data warehouse harus sesuai
berdasarkan tabel fakta dan dimensi, untuk itu ketika pemilihan sumber harus mengacu
pada kemampuan unutk merepresentasikan fakta-fakta yang di ambil dari berbagai sumber
dimensi pada OLTP, misalnya PMB_fact, adalah mengambarkan rincian data pmb secara
detail, 3) Identifikasi dan penyesuaikan dimensi (Identifying and conforming the
dimensions), dimensi ini sebagai gambaran fakta-fakta pada tabel fakta, misalnya setiap
data pada tabel pmb_dim dilengkapi dengan pmb_id, pmb_no, pmb_name, nama,
pmb_street_address, pmb_zip_code dan lainnya, 4) menentukan fakta (Choosing the fact),
sumber dari sebuah tabel fakta akan menentukan fakta mana yang akan di gunakan,
misalnya : pembayaran_fact terdiri dari pmb_id, admin_id, pembayaran_id, nilai_id, yang
menggambarkan fakta dari berbagai tabel dimensi yaitu pmb, pembayaran, nilai dan
pmb_date, 5) menyimpan hasil perhitungan sementara pada tabel fakta (Storing precalculations in the fact table), 6) melengkapi tabel-tabel dimensi (Rounding-out the
dimension tables), menambahkan selengkap-lengkapnya pada tabel dimensi dan harus
bersifat intuitif dan mudah dipahami oleh pengguna. Tahap ini agar pengguna
dipermudahkan dalam penganalisaan nantinya, 7) menentukan durasi dimensi (Choosing
the duration of the dimension), katakana saja durasi data 5 tahun penelitian, 8) menelusuri
dimensi yang termasuk slowly changing dimension (Tracking slowly changing dimension),
ada 3 tipe perubahan dimensi yaitu atribut dimensi yang telah berubah tertulis ulang,
menimbulkan sebuah dimensi baru dan dimensi yang berubah menimbulkan alternatif,
sehingga nilai atribut lama dan yang baru dapat diakses secara bersama pada dimensi yang
sama, 9)memutuskan prioritas query dan bentuknya (Deciding the query priorities and the
query modes), berupa perancangan fisik.
3. Hasil Dan Pembahasan
2.1.Analiis data mahasiswa baru
Mahasiswa baru yang baru mendaftar di Universitas Muhammadiyah Tangerang yang
merupakan input masukan data yang akan dioleh dengan pengolahan data Microsoft Excel ,
dari data mahasiswa baru yang terkumpul dapat dilihat sebagai berikut :
Volume.1 - November 2017.
177
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Tabel 1. : Data Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang
Pengelolaan data mahasiswa baru hanya sebatas : no, tanggal pendaftaran, nim, nama,
tempat tanggal lahir, asal sekolah, no.telp/hp, fak, prodi, nama orang tua (ayah dan ibu),
serta alamat dengan melihat data penerimaan mahasiwa baru tersebut, maka pihak Universitas
Muhammadiyah Tangerang pada data mahasiswa baru tersebut mengalami beberapa
permasalahan, antara lain : 1) Data mahasiswa baru yang diperoleh dari mahasiswa
masih bersifat minim, 2) Data mahasiswa baru tidak dapat melihat rata-rata raport, nilai
NEM, prestasi yang dimiliki, 3) Data mahasiswa baru tidak memilki email, 4) Data
mahasiswa baru juga tidak mengidentifikasikan media sosial yang digunakan, seperti : WA,
Instagram, Line, 5) Pengelompokan hanya diidentifikasi dengan pewarnaan, seperti : FE =
kuning, FAI = hijau, FIKES = putih, FKIP = biru, FT = coklat muda, FISIP = pink, HUKUM
= coklat. Dengan identifikasi ini tentunya susah untuk diambil keputusan untuk pengolahan
data ini.6)Data orang tua terbatas hanya nama, tidak mengidentifikasikan : email,
pekerjaan orang tua, pendapatan, lulusan orang tua,
3.2.Perancangan Data Warehouse / Data Mart
Pembuatan data warehouse / data mart diperlukan 9 tahap metodologi (nine-step
methodology), yaitu:
1.
Langkah 1 - Menentukan proses bisnis (Choosing the process )
Proses Penerimaan Mahasiswa Baru pada Universias Muhammadiyah Tangerang
yang digunakan untuk perancangan data warehouse atau data mart, yang digambarkan
pada tabel di bawah ini : .
Tabel 2. : Tabel Pemilihan Proses
Proses Bisnis
Deskripsi
Fungsi Yang
Terlihat
Penerimaan
Melakukan penjualan formulir dan bekerja sama Manager, Staf dan
Mahasiswa Baru
dengan sekolah-sekolah melakukan pengumpulan Admin
data calon mahasiswa, mengimput datanya, dari
Volume.1 - November 2017.
178
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
berbagai dimensi ke dalam aplikasi, melihat
laporan yang tersedia agar dapat menentukan
strategi pemasaran dan pengembangan dashboard
2. Langkah 2 - Menentukan granularity (Choosing the grain)
Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh
record dalam tabel fakta yang isinya data calon fakta. Grain dari Penerimaan
Mahasiswa Baru yang digunakan untuk merancang data warehouse adalah :
Tabel 3 : Tabel Grain
Grain/Fakta
Deskripsi
Proses Bisnis yang
Terkait
Nilai
Informasi
Mahasiswa
Analisis yang dilakukan dilihat dari berbagai sudut
Penerimaan
pandang yang berhubungan dengan nilai informasi Mahasiswa Baru
yang dimiliki oleh mahasiswa antara lain : yang
diperoleh
dari
Jalur,
NIM
Mahasiswa,
Nama
Mahasiswa, agama, jenis kelamin, asal sekolah, kota,
kecamatan, fakultas, program studi, alamat surel,
media
sosial
(faebook,
dan
Instagram),
pendidikan orang tua, penghasilan orang tua
3. Langkah 3 - Identifikasi dan penyesuaikan dimensi (Identifying and conforming the
dimensions)
Mendefinisikan dan menyesuaikan dimensi (Identifying and conforming the
dimenions ) Pada tabel 1 dibawah menampilkan hubungan dimensi dengan grain dari
fakta dalam bentuk matriks:
Tabel 4. : Tabel Identifikasi dan Penyesuaian Dimensi
Dimensi
Agama
Keterangan
Grain
Diidentifikasi menjadi kode agama dan
Nilai informasi mahasiswa
agamanya
Pembayaran
Diidentifikasi
id
pembayaran
dan
Nilai informasi mahasiswa
pembayaran
Ujian
Diidentifikasi id ujian dan nilai rata ujian
Nilai informasi mahasiswa
Admin
Diidentifikasi id admin dan nama admin
Nilai informasi mahasiswa
Jenis Kelamin
Diidentifikasi kode kelamin dan kelamin
Nilai informasi mahasiswa
Kota
Diidentifikasi kode kota dan nama kotanya
Nilai informasi mahasiswa
Mahasiswa
Mahasiswa diidentifikasi menjadi id nama
Nilai informasi mahasiswa
mahasiswa dan nama mahasiswa, kelamin,
tanggal lahir, kode agama, kode kota, kode
pos, kode propinsi, telpon, handphone,
Volume.1 - November 2017.
179
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
email, anak ke berapa, jumlah saudara,
kode prodi
Pekerjaan Orang Tua
Pekerjaan orang tua diidentifikasi menjadi
Nilai informasi mahasiswa
id mahasiswa, nama mahasiswa, nama
orang tua, tanggal lahir orang tua, telpon
orang tua, pendidikan orang tua, pekerjaan
orang tua, penghasilan orang tua tiap
bulannya
Prodi
Prodi diidentifikasi id prodi dan nama
Nilai informasi mahasiswa
prodi
Propinsi
Propinsi diidentifikasi kode propinsi dan
Nilai informasi mahasiswa
nama propinsi
Sekolah
Sekolah diidentifikasi kode sekolah dan
Nilai informasi mahasiswa
nama sekolah, alamat sekolah, telpon
sekolah
Kecamatan
Diidenitifikasi
kode
kec
dan
nama
Nilai informasi mahasiswa
Diidentifikasi kode medsos dan nama
Nilai informasi mahasiswa
kecamatan
Medsos
medsos
Sumber : peneliti
4. Langkah 4 - Menentukan fakta (Choosing the fact)
Pemilahan fakta yang akan digunakan dalam data mart Penerimaan Mahasiswa
Baru, dimana masing-masing fakta memiliki data yang dapat dihitung, untuk
selanjutnya ditampilkan dalam bentuk laporan, grafik atau berbagai macam
diagram. Berikut ini fakta-fakta yang akan ditampilkan di data Mart
Tabel 5. : Tabel Fakta
Fakta
Recordmhs_fact
Keterangan
Fakta
Recordmhs_fact
Dimensi
merupakan Nilai informasi mahasiswa
kumpulan berbagai informasi tentang data
mahasiswa yang dianalisis dari dimensidimensi yang ada. Facta recordmhs_fact,
terdiri dari : id mahasiswa, nama, tempat
lahir, tanggal lahir, alamat, kota, agama,
propinsi, pembayaran, nama prodi, jenis
Volume.1 - November 2017.
180
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
kelami, asal sekolah, pendidikan orang tua,
pekerjaan orang tua, pendapatan orang tua,
medsos
5. Langkah 5 - Menyimpan hasil perhitungan sementara pada tabel fakta (Storing precalculations in the fact table)
Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-calculations in the fact
table)
Pre-kalkulasi :
a. JumlahAgama = count(dim agama.kode_agama)
b. JumlahJalur = count(dim jalur.id_jalur)
c. JumlahJenisKelamin = count(dim_jeniskelamin.kelamin)
d. JumlahKota = count(dim_kota,id_kota)
e. JumlahMhs = count(dim_mhs.id_mhs)
f. JumlahPekerjaanOrangTua = count(dim_pekerjaanorangtua.id_mhs)
g. JumlahPendidikanOrangTua = count(dim_pendidikanorangtua.id_mhs)
h. JumlahProdi = count(dim_prodi.kode_prodi)
i. JumlahPropinsi = count(dim_propinsi.kode_propinsi)
j. JumlahSekolah = count(dim_sekolah.kode_sekolah)
DIM Kota
Pk
Kode Kota
Nama Kota
DIM Pe k e rjaan_orang_tua
PK
IdM hs
Nama
Nama Orang tua
Tempat Lahir
Telpon Ortu
Asal Sekolah
penghasil an_orang_tua
pendaptan_perbul an
DIM Agama
Pk
Kode Aga
Agama
DIM M ahas is wa
PK
IdM hs
Nama
Kelamin
Tempat Lahir
Tanggal Lahir
Kode Agama
Alamat
Kode Kota
Kode P os
Kode P ropinsi
Telpon
Handphone
Anak ke
Jumlah Saudata
Kode P rodi
DIM Propi nsi
Pk
Kode Propi nsi
Nama Propi nsi
DIM Prodi
Pk
Kode Prodi
Nama Prodi
a
Nama
re codmhs
_fact
Tempat Lahir
Tanggal Lahir
Alamat
PK
IdM hs
Kota
Ahama
P ropinsi
Jalur
P embayaran
Ujian
nama_prodi
jenis_kelamin
asal_sekolah
pekerjaan_orang_tua
pendidikan_orang_tua
pendapatan_orang_tua
DIM Jalur
Pk
Id Jal ur
Jal ur
DIM Se kolah
Pk
Kode Sekol ah
Nama Sekol ah
Al amat Sekol ah
No_Tel p
DIM Pembayaran
Pk
Id Pembayaran
Juml ah Pembayaran
DIM Ujian
Pk
Id Uji an
Nil ai 1
Ni l ai 2
Ni l ai 3
Ni l ai Rata-Rata
DIM Medsos
Pk
Id Me dsos
Twi teer
DIM Kelamin
Pk
Kode Kel ami n
Kel ami n
Gambar : Skema Bintang Penerimaan Mahasiswa Baru
6. Langkah 6 - Melengkapi tabel-tabel dimensi (Rounding-out the dimension tables )
Menambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut
harus intuitif dan dapat dimengerti oleh user. Tabel –tabel berikut ini merupakan
deskripsi teks dari tabel dimensi:
1. Dim_agama
Volume.1 - November 2017.
181
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
Tabel 6. : Dim Agama
Atribut
Tipe Data
Kode_Agama
Char
Agama
Varchar
2. Dim_jalur
Tabel 7. : Dim Jalur
Atribut
Tipe Data
Id_Jalur
Varchar
Jalur
Varchar
3. Dim_Jeniskelamin
Tabel 8. : Dim_Jeniskelamin
Atribut
Tipe Data
Kode_kelamin
Char
Kelamin
Varchar
4. Dim_Kota
Tabel 9. : Dim_Kota
Atribut
Tipe Data
Kode_Kota
Char
Kota
Varchar
5. Dim_Mahasiswa
Tabel 10, : Dim_Mahsiswa
Atribut
Tipe Data
IdMhs
VarChar
Nama
Varchar
Kelamin
Char
Tempatlahir
Varchar
Tanggallahir
Date
Kode_Agama
Char
Alamat
Char
Kode_Kota
Varchar
KodePos
Varchar
Kode_Prop
Varchar
Telpon
Varchar
Handphone
Varchar
Varchar
Anak_ke
Integer
Kode_Prodi
Varchar
6. Dim_Pekerjaanorangtua
Tabel 11. : Dim_Pekerjaanorangtua
Atribut
Tipe Data
IdMhs
VarChar
Nama
Varchar
Volume.1 - November 2017.
e-ISSN = 2598-5191
Panjang
2
12
Panjang
10
20
Panjang
3
10
Panjang
15
50
Panjang
50
100
3
50
2
255
50
50
50
50
50
100
11
50
Panjang
50
100
182
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
Nama_orang_tua
Varchar
Tgl_lahir
Date
Telponortu
Varchar
AsalSekolah
C
Pekerjaan_ortu
Varchar
Pendapatan_ortu
Varchar
Kode_Prodi
Varchar
7. Dim_Prodi
Tabel 12. : Dim_Prodi
Atribut
Tipe Data
Kode_Prodi
VarChar
Prodi
Varchar
8. Dim_Propinsi
Tabel 13, : Dim_Propinsi
Atribut
Tipe Data
Kode_Propinsi
VarChar
Propinsi
Varchar
9. Dim_Sekolah
Tabel 14. : Dim_Sekolah
Atribut
Tipe Data
Kode_Sekolah
VarChar
Nama_Sekolah
Varchar
Alamat_Sekolah
Varchar
No_telp
Varchar
10. Dim_Pembayaran
Tabel 15. : Dim_Pembayaran
Atribut
Tipe Data
Kode_Pembayaran
VarChar
Jumlah_Pembayaran Numerik
11. Dim_Ujian
Tabel 16. : Dim_Ujian
Atribut
Tipe Data
Kode_Ujian
VarChar
Nilai1
Numerik
Nilai2
Numerik
Nilai3
Numerik
NilRata
Numerik
e-ISSN = 2598-5191
15
50
50
100
20
30
Panjang
15
50
Panjang
15
50
Panjang
15
25
50
20
Panjang
15
30
Panjang
15
3
3
3
3
7. Langkah 7 - Menentukan durasi dimensi (Choosing the duration of the dimension)
Durasi dari data Penerimaan Mahasiswa Baru di Universitas Muhammadiyah
Tangerang dimasukan ke dalam data warehouse sebagai berikut:
Tabel 17. : Tabel Durasi Data Base
Nama Aplikasi
Database
Volume.1 - November 2017.
Database ada
Waktu data yang
masuh ke
Lama Data Dalam
Datawarehouse
183
Seminar Nasional Multi Disiplin Ilmu
Aplikasi
PMB
Universitas
Muhammadiyah
Tangerang
PMB
p-ISSN = 2598-4969
2010
e-ISSN = 2598-5191
Datawarehouse
2012-2017
5 tahun
8. Langlah 8 - Menelusuri dimensi yang termasuk slowly changing dimension
(Tracking slowly changing dimension)
Dari tipe-tipe dasar perubahan dimensi, pada perancangan data warehouse PMB
ini, perubahan atribut pada dimensi akan mengakibatkan pembuatan suatu record
dimensi baru. Hal ini dilakukan untuk menjaga data yang lama tetap ada agar
diketahui perubahan dimensi yang terjadi dari data lama ke data baru. Contohnya
seperti adanya perubahan pada nama mahasiswa, akan mengakibatkan penambahan
record baru pada dimensi dengan tetap menyimpan record yang lama.
Tabel 19. : Tabel slowly changing dimension
Dimensi
Dim_Mahasiswa
Volume.1 - November 2017.
Atribut
Id_Mahasiswa
Nama
Kelamin
Tempatlahir
Tanggallahir
Kode_Agama
Id_Jalur
Alamat
Kode_Kota
KodePos
Kode_Propinsi
Telpon
Handphone
Pembayaran
Ujian
Medsos
Tipe SCD
1
1
1
1
1
1
1
1
1
1
1
1
1
1
184
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Tabel 20. : Tabel slowly changing dimension lanjutan
Dimensi
Dim_Agama
Dim_Jalur
Dim_Kota
Dim_Pekerjaanorangtua
Dim_Prodi
Dim_Propinsi
Dim_Sekolah
Atribut
AnakKe
JumlahSdr
Kode_Prodi
Kode_Agama
Agama
Id_Jalur
Jalur
Kode_Kota
Kota
Id_Mahasiswa
Nama
Nama_orang_tua
Tgl_lahir
Telponortu
AsalSekolah
Pekerjaan_ortu
Pendapatan_ortu
Kode_Prodi
Prodi
Kode_Propinsi
Propinsi
Kode_sekolah
Nama_sekolah
Alamat_sekolah
No_telp
Tipe SCD
1
1
1
1
1
1
1
1
2
2
2
2
1
1
1
1
9. Langkah 9 - Memutuskan prioritas query dan bentuknya (Deciding the query
priorities and the query modes )
Pada perancangan ini, bentuk skema yang dipilih adalah skema bintang, karena
skema ini merupakan skema yang mudah dipahami dan digunakan oleh pengguna
daripada skema yang lain. Bentuknya yang tidak terlalu rumit, memudahkan dalam
hal query. Langkah yang berhubungan dengan physical terutama pengurutan data
dan pencarian data melalui indexing Pada data warehouse ini telah diurutkan
berdasarkan primary key dari setiap tabel dan juga secara otomatis terindeks
berdasarkan primary key tersebut.
3.3. Rancangan dashboard
Pada rancangan data mart yang sudah diolah maka data-data yang telah diolah
ditampilkan dalam bentuk diagram dan tabel berdasarkan dari kebutuhan user. Beberapa
implementasinya adalah sebagai berikut:
1. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Agama
Volume.1 - November 2017.
185
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Total
100%
0%
Total
2. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Kota
Total
Total
189
1
7
3
3. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pekerjaan orangtua
Total
Guru
Pegawai Swasta
Pensiunan
PNS
Polisi
TNI
Wiraswasta
(blank)
12%
42%
30%
33%%
3%
7%
\
4. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pendapatan orangtua
Volume.1 - November 2017.
186
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
5. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Pendidikan orangtua
Axis Title
Total
200
Total
0
Total
S1
127
S2
5
SMA
68
(blank)
Hasil dashboard ini mengidentifikasikan calon mahasiswa berdasarkan Pendidikan
Orang Tua.
6. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Prodi
Total
35
30
25
20
15
10
0
Total
Hasil dashboard ini mengidentifikasikan calon mahasiswa berdasarkan Program
Studi
7. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Propinsi
Volume.1 - November 2017.
187
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Axis Title
Total
200
100
0
banten jakarta
Total
banten
186
jakarta
9
jawa
barat
Total
lampung
jawa barat
1
(blank)
lampung
3
(blank)
8. Hasil Dashboard Calon Mahasiswa Baru berdasarkan Asal Sekolah
8
6
4
2
0
Akbid…
D3…
MA…
MAN 1…
SMA Al…
SMA…
SMA…
SMA…
SMAN…
SMAN…
SMAN…
SMAN 15
SMAN…
SMAN…
SMAN…
SMAN…
SMAN…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMK…
SMKN…
SMKN…
SMKN…
SMKN…
SMKN…
UMT
Total
Hasil dashboard ini mengidentifikasikan calon mahasiswa baru berdasarkan asal
sekolah
Volume.1 - November 2017.
188
Total
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
4. Kesimpulan
Data -data yang telah peneliti kumpulkan selama penelitian dan telah diuraikan pada
bab-bab sebelumnya, maka penulis dapat menarik kesimpulan sebagai berikut:
1. Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang memiliki data histori
transaksi PMB yang belun maksimal, oleh sebab itu dilakukan pengkajian perancangan data
mart.
2. Meskipun dengan sistem yang telah ada saat ini telah dapat menangani kegiatan
operasioanal dan bisnis PMB Universitas Muhammadiyah Tanerang, namun pemanfaatan
data histori transaksi PMB secara optimal tentu dapat memberikan suatu manfaat yang
besar bagi pihak PMB, Fakuktas, Program Studi, Akademik, Kemahasiswaan dan
Keuangan pada Universitas Muhammadiyah Tangerang.
3. Data-data transaksi PMB yang bersifat historis dapat disimpan ke dalam data mart PMB,
sehingga dapat menghasilkan informasi yang berguna bagi pihak top management yang
mendukung proses pengambilan keputusan.
4. Informasi yang dihasilkan data mart bersifat ringkas, dengan bentuk grafik dalam bentuk
dashboard memudahkan pemahaman dan analisa dalam proses pengambilan keputusan.
5. Saran
Dari kesimpulan yang telah diuraikan, peneliti memberikan saran yang dapat
bermanfaaat dalam mengatasi kelemahan-kelemahan. Hal-hal yang perlu dipertimbangkan
yaitu :
1. Untuk pengembangan selanjutnya diharapkan lingkup dari data mart lebih besar, mencakup
data ang berelasi ke akademik, kemahasiswaan, keuangan.
2. Melakukan pemeliharaan secara rutin terhadap data mart PMB, agar data yang diolah dan
dihasilkan memiliki performance yang baik.
3. Untuk pengembangan selanjutnya diharapkan data mart yang telah dibangun dapat
dikembangkan menjadi data warehouse yang melingkupi seluruh bagian unit bisnis pada
Universitas Muhammadiyah Tangerang yang digunakan untuk kebutuhan bisnis
Volume.1 - November 2017.
189
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
Daftar Pusataka
[1]. Amborowati, Armadyah, “Perancangan dan Pembuatan Data Warehouse pada
Perpustakaan STMIK AMIKOM Yogyakarta”, 2o15.
[2]. Ballard, Chuck; Farell, Daniel M.; Gupta, amit; Mazuela, Carlos; Vohnik,
Stanislav, “Dimensional Modeling: In a Business Intelligence Environment”,
2006.
[3]. C. T and . B. C. , "A Practical Approach to Design, Implementation, And
Management, 4th Edition, " in Database Systems , California, Addison Wesley
Publishing Company Inc., 2005, p. 1171
[4]. Dedić, N. and Stanier C., "An Evaluation of the Challenges of Multilingualism in
Data Warehouse Development" in 18th International Conference on Enterprise
Information Systems - ICEIS , 2016, p. 196.
[5]. Fitrianah, Devi. Lumbantobing, Lumbantobing, Elfrida S. , “Rekayasa
Independent Data Mart dari Basis Data Operasional Tak Teritegrasi”, Prosiding
Seminar Nasional Manajemen Teknoiogi XI Program Studi MMT – ITS, Surabaya
6
Februari
2010.
http://mmt.its.ac.id/download/SEMNAS/SEMNAS%20XI/MTI/10.%20
Prosiding%20Devi%20Fitrianah-Ok%20Print.pdf (diakses tanggal : 6 Oktober
2017).
[6]. H. . W. Inmon, "Building Data warehouse, 4th Edition," Canada, John Wiley&
Sons., 2005, p. 495.
[7]. Hazibuan, Zainal, “Metodologi Penelitian pada Bidang Ilmu Komputer dan
Teknologi Informasi : Konsep, Teknik dan Aplikasi”, Universitas Indonesia, 2017.
[8]. Henderi. Winarko, Edi. (2015). “Rancangan Sistem Basis Data Warehouse
Evaluasi Kinerja”, Seminar Nasional Teknologi informasi dan Multimedia 2015,
STMIK AMIKOM Yogyakarta, ISSN : 2302-3805.
[9]. Jatmika, Kurniawan. Adhistya Erna P. Cahyono, Ari. (2016) , “Rancang Bangun
Data Mart dan Purwarupa Dashboard untuk Visualisasi Performa Akademik”.
Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas
Gadjah Mada Yogyakarta.
[10]. Kimball, Ralph and Ross, Margy, “The Data Warehouse Toolkit: The Complete
Guide to Dimensional Modeling (Second Edition)”, p. 393
[11]. Nolan and H. , "Microsoft SQL Server 7.0 Data Warehousing Training Kit ," USA,
Microsoft Prees, 2000.
[12]. Paramita, Dyah. Firdaus. Afrimas, Mira. (2012). Penerapan Data Mart Penjualan
Hypermarket XYZ Menggunakan Metode From Enterprise Models To
Dimensional Models . Jurusan sistem Informasi (JSI), Vol.4 No. 2, Oktober 2012.
Halaman 503-515 ISSN Print : 2085-1588 ISSN Online : 2355-4614
http://ejournal.unsri.ac.id/index.php/jsi/index (diaskes tanggal : 9 Oktober 2017)
[13]. Parsiyono, Kusrini, Andi Sunyoto. (2015), “Perancangan Data Warehouse
Akademik di Sekolah Tinggi Agama Buddha Semarang”, Jurnal Informa
Politeknik Indonusa Surakarta ISSN : 2242-7942 Vol : 1, Nomor : 2.
http://www.poltekindonusa.ac.id/wp-content/uploads/2016/11/2_Parsiyono.pdf.
(diakses tanggal : 7 Oktober 2017).
Volume.1 - November 2017.
190
Seminar Nasional Multi Disiplin Ilmu
p-ISSN = 2598-4969
e-ISSN = 2598-5191
[14]. Robert Wrembel dan Chritian Koncilia, “Datawahouses and OLAP : Concept,
Archiectures and Solution Table Contens”, Singapore, IRM Press, 2007.
[15]. Turban, Efrain. Arroson, Jay E. Liang, Ting Peng. “ Decission Support System and
Intelligence Systems ”, 2005.
[16]. V. Poe, "Building Data Warehouse for Decision Support, edisi-2," Prentice Hall,
1998
[17]. Yazid, Muhammad. Riyadi, Slamet. Asroni. (2015). “Pembangunan Data Mart
Lulusan dengan Arsitektur Normalized Data Store dan Dimesional Data Store”,
Prosiding Seminar Nasional Teknologi Informasi 2015, Fakultas Tekno;ogi
Informasi Universitas Tarumanegara Jakarta.
Volume.1 - November 2017.
191