Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka...
Transcript of Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka...
1
Pembuatan Aplikasi OLAP Untuk Pelaporan pada PT. Aneka Tuna Indonesia Menggunakan SQL Server 2005
Muhamad Adi Prasetyo1, Ahmad Saikhu2, Sarwosri3
Teknik Informatika, Fakultas Teknologi Informasi, ITS
Email: [email protected]
ABSTRAK
Data Warehouse merupakan sebuah data base relational yang diperuntukkan untuk kebutuhan query dan analisis,
bukan untuk proses transaksi. Data Warehouse dapat dimanfaatkan sebagai pendukung sistem keputusan dengan
menyimpan dan mengolah data dari berbagai sumber dengan menggunakan alat bantu seperti Online Analit ical
Processing (OLAP). OLAP dimanfaatkan untuk membuat laporan jalur proses produksi pada PT Aneka Tuna
Indonesia. PT Aneka Tuna Indonesia ialah perusahaan yang bergerak dalam bidang pengolahan ikan tuna menjadi
beberapa produk yang pasarnya sebagian keluar negri. Laporan yang dibuat menggambarkan dinamika produksi
pada periode tertentu yang mulai dari pengiriman ikan oleh supplier hingga staffing . Laporannya akan ditampilkan
dalam bentuk tabel dan grafik. Dengan adanya aplikasi ini diharapkan dapat membantu pihak managemen PT Aneka
Tuna Indonesia dalam mengontrol dan mengawasi proses dan hasil produksinya dan mendukung pengambilan
keputusan perusahaan.
Keywords: OLAP, Cube, SQL Server, Laporan, ATI, Analysis Services, Report.
1. Pendahuluan
PT. Aneka Tuna Indonesia (ATI) adalah
sebuah perusahaan yang didirikan pada tahun 1991.
Perusahaan ini merupakan jo int venture antara
Itochu Corporation, Hagoromo Food Corporation
(pemilik sebuah merk ikan tuna terkemuka di
Jepang), serta Solar Pacific Resources Ltd.
Perusahaan ini terletak di Jalan Raya Surabaya –
Malang Km 38, Gempol, Pasuruan. Pada tahun
1992, perusahaan ini mulai beroperasi dengan
spesialisasi pada produksi dan penjualan produk
ikan tuna kalengan [4].
Pada PT. Aneka Tuna Indonesia, terjadi proses
produksi mulai dari pemilihan dan pengukuran
berat ikan (fish selection and fish sizing) sampai
dengan pelabelan produk jadi (labelling).
Pencatatan tentang informasi bahan baku pada
proses fish sizing sampai dengan fish cleaning telah
dilakukan namun masih secara semi manual
dengan menggunakan aplikasi spreadsheet (excel).
Untuk saat ini, pencatatan tersebut masih memadai
[2].
Sampai saat ini, mekanis me pencatatan
tersebut masih memadai. Namun apabila data hasil
pencatatan tersebut digunakan untuk, misalnya,
pelaporan produk tentu saja diperlukan suatu
pengembangan. Perusahaan perlu mengembangkan
suatu sistem pelaporan produk (Summary Report)
yang mempunyai kemampuan melaporkan hasil
dari proses – proses produksi mulai dari supplier
datang hingga produk akhir d ihasilkan.
Data yang tersimpan dalam database akan
lebih berart i apabila disimpan sebagai data
warehouse sebagai salah satu cara untuk
melakukan pengamatan dan analisis dari record –
record yang telah tersimpan. Hasil dari analisis data
warehouse dapat digunakan oleh pihak manajemen
untuk membantu pengambilan keputusan. Dalam
jangka panjang, hal ini juga dapat memberikan
kontribusi untuk kepentingan Customer
Relationship Management.
Untuk membantu pengambilan keputusan ini,
ada banyak hal yang dapat dilakukan. Salah
satunya adalah menggunakan OLAP (Online
Analitical Processing). OLAP merupakan sistem
yang bertugas untuk mengubah data yang disimpan
dalam data warehouse dan mentransformasikan
data menjadi struktur mult idimensi (cube).
Hasilnya nanti juga akan dapat dibuat sebagai
sebuah summary report yang multidimensi.
Hal in ilah yang mendasari topik tugas akhir yang
penulis ajukan, yaitu menbuat aplikasi pelaporan
yang mempermudah pemantauan proses produksi.
2. Tinjauan Pustaka
2.1 Data Warehouse
Data warehouse merupakan sebuah database
relational yang secara spesifik strukturnya
dirancang untuk proses analisis dan query sehingga
tidak untuk proses transaksi yang meliputi proses
2
insert, delete, update. Biasanya data warehouse
mengandung data history yang diambil dari data
transaksional dari berbagai sumber dan platform.
Sedangkan menurut Bill Inmon, definisi dari
Data warehouse adalah sekumpulan atau ko leksi
data yang mendukung pengambilan keputusan
pihak manajemen yang mempunyai karakteristik
sebagai berikut [3]:
a. Subject Oriented
Data warehouse dirancang dan dibangun
untuk memenuhi kebutuhan analisis data
berdasarkan subject tertentu, seperti : “Bagaima
laporan pernjualan „waktu‟ ini?” Atau “Produk apa
yang paling banyak dihasilkan tahun ini?” Dll.
b. Integrated
Untuk memenuhi kebutuhan analisis secara
menyeluruh, sebuah Data Warehouse harus mampu
mengintegrasikan data dari berbagai sumber data
yang beragam. Data warehouse mengintegrasikan
atau menggabungkan dari berbagai data source,
baik dalam database yang sama, yang berbeda,
ataupun flat file.
c. Non volatile
Data dalam sebuah data warehouse tidak dapat
diubah (insert, delete, update). Data tersebut
merupakan data historis yang digunakan untuk
memenuhi kebutuhan analisis, bukan untuk
menangani transaksi seperti pada basisdata
transaksional pada umumnya.
d. Time Variant
Model analisis yang diterapkan pada sebuah
Data Warehouse berfokus pada perubahan data
faktual berdasarkan waktu. Dalam hal ini Data
Warehouse harus mampu menyimpan data untuk
sebuah subjek tertentu dalam waktu yang berbeda-
beda.
2.2 Arsitektur Data Warehouse Untuk membangun suatu arsitektur data
warehouse sangat tergantung pada kebutuhan
sistem. Gambar 2.1 menunjukkan salah satu contoh
dari arsitektur data warehouse, dengan penjelasan
sebagai berikut [3]:
a. Data input bagi data warehouse tidak lagi
hanya berasal dari sistem internal (sumber
operasional pada umumnya), melainkan dirancang
untuk dapat mengakomodasi sumber eksternal
(data dari luar sistem operasional) misalnya : data
dari internet (dengan teknologi web farming),
ataupun data dari sistem mobile.
b. Informasi yang tersimpan dalam data
warehouse dapat dispesialisasikan lag i menjadi
beberapa data warehouse yang lebih khusus (Data
Mart) sehingga dalam arsitektur terdapat proses
tambahan untuk mempopulasikan data dari data
warehouse ke dalam beberapa data mart.
c. Aplikasi yang berada pada layer pengguna
berkembang menjad i beberapa model misalnya:
berbasis web, berbasiskan desktop, ataupun
berbasiskan sistem mobile.
Gambar 2. 1 Arsitektur Data Warehouse
2.3 Online Analytical Processing (OLAP) OLAP adalah suatu metode pemodelan data
multid imensional untuk memenuhi kebutuhan
analisis terhadap data [1]. Online Analytical
Processing juga merupakan pernyataan yang
bertolak belakang atau kontras dengan OLTP
(Online Transaction Processing). OLAP
menggambarkan sebuah klas teknologi yang
dirancang untuk analisa dan akses data secara
khusus. Apabila pada proses transaksi pada
umumnya semata-mata adalah pada relational
database, OLAP muncul dengan sebuah cara
pandang mult idimensi data. Cara pandang
multimensi ini didukung oleh tehnologi
multid imensi database. Cara ini memberikan tehnik
dasar untuk kalku lasi dan analisa oleh sebuah
aplikasi bisnis.
OLTP mempunyai karakteristik beberapa user
dapat creating, updating, retrieving untuk setiap
record data, lagi pula OLTP sangat optimal untuk
updating data. OLAP aplikasi digunakan untuk
analisa dan mengatur frekuensi level dari agregat
atau jumlah data. Database biasanya di update pada
kumpulan data, jarang sekali dari multiple source
dan menempatkan kekuatan analisa pada pada
back-end pada operasi aplikasi. Sebab itulah maka
sangat optimal digunakan untuk analisis.
2.4 Schema Data OLAP
Schema adalah kumpulan obyek-obyek
database. Pada relational data warehouse terdapat
3
dua skema yang digunakan, yaitu star schema dan
snowflake schema [3].
a. Star Schema
Skema star terdiri dari satu atau lebih tabel
fakta dan satu atau lebih tabel dimensi. Tabel fakta
merupakan pusat dari star schema, karena
fungsinya sebagai pengikat dari tabel-tabel dimensi
yang terletak disekelilingnya. Hubungan antara
tabel-tabel tersebut menggunakan foreign key,
metadata atau keduanya. Gambar 2.2 menunjukkan
pemodelan database multidimensi dengan star
schema.
Gambar 2.2 Star Schema
b. Snowflake Schema
Snowflake schema merupakan pengembangan
dari star schema. Perbedaannya terletak pada
normalisasi data dan jumlah tabel. Pada snowflake
schema tabel dimensi d inormalisasi secara sebagian
atau keseluruhan untuk mengurangi nilai duplikat
pada tabel. Hal in ilah yang membuat jumlah tabel
dimensi pada snowflake schema lebih dari satu,
tidak seperti pada star schema. Sehingga, dengan
menggunakan schema ini akan diperlukan lebih
banyak join yang akan membuat performance
menjadi lebih lambat.
Dalam snowflake schema, hanya satu tabel
utama yang dihubungkan dengan tabel fakta.
Sedangkan tabel-tabel lainnya dihubungkan dengan
tabel utama. Gambar 2.3 menunjukkan pemodelan
data menggunakan snowflake schema. Berikut ini
adalah pemodelan data dengan menggunakan
snowflake schema.
Gambar 2.3 Snowflake Schema
2.5 Konsep Multidimensional Data
Pada Relat ional database data dikelompokan
dalam sebuah list record. Setiap record mempunyai
informasi yang dikelompokan dalam fields.
Sedangkan yang dimaksud data mult idimensi (lihat
representasinya pada gambar 2.4) adalah ketika
sebuah data dapat dipandang dari berbagai sudut.
Pusat dari objek metadata pada Multidimensional
adalah cube atau kubus yang mengandung
hubungan struktur dimensi, hirarki, level dan
anggota. Dapat disebut juga sebagai OLAP
metadata model.
Misalnya pada hasil penjualan suatu barang
dipandang dari dimensi waktu, lokasi, pembeli dan
lain-lain. Sehingga jika digambarkan, sumbu x
mewakili dimensi waktu, sumbu y mewakili
dimensi produk dan sumbu z mewakili dimensi
lokasi.
Gambar 2.4 Data Multidimensi
a. Dimensi
Dimensi merupakan sebuah kategori yang
independent dari multid imensional database. tipe
dari dimensi in i mengandung item yang digunakan
sebagai kriteria query untuk ukuran database.
Contoh pendistribusian busana di suatu daerah.
Dimensi Daerah = {Jawa Timur, Jawa Barat, Jawa
Tengah, Sumatra Selatan, Surabaya, Bandung,
time_key
day
day_of_the_week
month
quarter
year
time
Sales Fact Table
time_key
item_key
branch_key
location_key
units_sold
dollars_sold
avg_sales
Measures
time_key day day_of_the_week
month quarter year
time
Sales Fact Table
time_key
item_key
branch_key
location_key
units_sold
dollars_sold
avg_sales
Measures
supplier_key
Supplier_typ e
supplier
item_key
item_nam
brand
type
supplier_key
i tem
branch_key
branch_name
branch_type
branch
branch_key
branch_name
branch_type
branch
location_key
street
city
state_or_province
country
location
item_key
item_namebr
and_typesup
plier_type
i tem
m
city_key
city
state_or_province
city
Data penjualan (2002,
Produk A, Surabay a)
4
Jakarta, Palembang, Dago, Caringin, Senen,
Matraman}. Dimensi Waktu = { tahun 2003, tahun
2004, tahun 2005, bulan Januari, bulan Februari,
bulan Maret, hingga bulan Desember, tanggal 1,
tanggal 2, tanggal 3, tanggal 4, hingga tanggal
28/29/30/31}. Dimensi Busana = { Koko, Daster,
Kaos, celana panjang, celana pendek, kerudung,
dll}.
b. Hirarki
Hirarki merupakan bentuk kesatuan dari
dimensi. Sebuah dimensi b isa terbentuk dari
multilevel, yang mempunyai parent-child
relationship. Hirarki didefinisikan bagaimana
hubungan antar level. Sebagai contoh pada
dimensi Daerah, hirarki mungkin akan melakukan
agregasi data dari tiap level-level. Seperti pada
gambar 2.5 dan 2.6.
Gambar 2.5 Hirarki Dimensi Daerah
Contoh lainnya adalah hirarki d imensi waktu.
Gambar 2.6 Hirarki Dimensi Daerah
c. Level
Level merepresentasikan sebuah posisi pada
hirarki. Level mengumpulkan data untuk agrefasi
dan digunakan untuk proses komputasi. Sebagai
contoh pada dimensi Daerah pada contoh
sebelumnya, level yang mungkin d idefin isikan
adalah level Kel./Desa, level kecamatan, level
Kab./Kodya, level propinsi, dan level Negara.
Setiap level diatas level terendah merupakan
agregasi dari level dibawahnya. Jika data dari
pelanggan disimpan dalam format Kelurahan atau
desa (level Kel./Desa), maka data dapat di agregasi
sesuai dengan level yang ada diatasnya, seperti
level Kecamatan, level Kab/Kodya, level Propinsi
dan level Negara.
d. Attribute
Attribute merepresentasikan informasi
tambahan pada sebuah level tertentu. Sebuah level
dapat memiliki lebih dari satu attribute, tetapi
minimal harus memiliki satu attribute. Nilai
attribute berguna sebagai nilai yang akan mewakili
level ket ika data mult idimensi ditampilkan kepada
pengguna. Hal ini disebabkan tidak semua n ilai
pada level bisa dimengerti dan dipahami oleh
pengguna. Misalnya, level product name
menyimpan nilai product id, sedangkan attribute-
nya menyimpan nilai dari product brand, dengan
demikian yang akan ditampilkan kepada pengguna
ketika pengguna memilih level product name
adalah nilai pada ko lom product brand, bukan
product id.
e. Tabel Fakta
Tabel fakta merupakan pusat dari schema pada
OLAP. Didalam tabel fakta mempunyai dua tipe
kolom, yaitu kolom yang menyimpan nilai-n ilai
numeric atau yang biasa disebut dengan measure
dan kolom yang menyimpan foreign key yang
mengacu ke tabel dimensi, seperti yang terdapat
pada gambar 2.2. Nilai numeric yang ada pada
tabel fakta merupakan n ilai agregat dari data yang
berasal dari tabel dimensi. Hubungan antara tabel
fakta dengan tabel dimensi adalah one to many,
sehingga masing-masing primary key dari tabel
dimensi dijadikan key acuan pada tabel fakta.
Dengan denikian, tabel fakta menyimpan setiap
kombinasi key tabel dimensi yang melingkupinya.
f. Measure
Nilai measure terletak pada tabel fakta.
Measure juga cerminan dari fakta dan juga
mengandung data yang akan dianalisa seperti
contoh pada gambar 2.7. OLAP catalog
memerlukan informasi kolom bertipe numeric yang
akan dijadikan measure.
Gambar 2.7 Measure dari Tabel Fakta
g. Cube
Cube adalah obyek OLAP yang tersusun dari
measure, dimensi dan attribute. Sisi-sisi pada cube
Indonesia
Propinsi
Kab / Kodya
Kecamatan
Kel / Desa
Sales Fact Table
time_key
Item_key
Location_key
Unit_sold
Avg_sales measure
Tahun
Bulan
Minggu
Hari
Jam
Dollars_Sold
5
ditentukan oleh masing-masing dimensi yang
terlibat dalam cube itu. Cube memiliki sisi-sisi
yang menggambarkan dimensi-dimensi yang
terlibat didalamnya, yang paling banyak ditemui
adalah dalam bentuk tiga dimensi yang mewakili
sisi baris, sisi kolom dan sisi page. misalnya
dimensi waktu, dimensi lokasi dan dimensi produk,
seperti yang terlihat pada gambar 2.8.
Gambar 2.8 Visualisasi Cube
2.6 Operasi Data Multidimensi
Pada data mult idimensi, terdapat operasi-
operasi dasar yang digunakan untuk analisa agar
mendapatkan data yang diinginkan, yaitu :
a. Rotation / Pivoting
Rotation / pivoting merupakan operasi pada
OLAP untuk merubah berbagai macam sudut
pandang data sehingga perubahan perspektif sudut
pandang menjadi lebih mudah, dengan kata lain
analisa data dengan merubah posisi atau pivot
dimensinya. Operasi ini dilakukan dengan
melakukan rotasi atau perputaran untuk tiap-tiap
dimensi. Misalnya dilakukan proses rotation /
pivoting pada dimensi produk yang diwakili oleh
sumbu Y, dimensi waktu yang diwakili oleh sumbu
X dan dimensi lokasi diwakili oleh sumbu Z,
dimana dimensi lokasi di rotasi dengan dimensi
waktu sehingga hasil yang tampak seperti pada
gambar 2.9.
Gambar 2.9 Proses Rotation / Pivoting
b. Slice dan Dice
Operasi Slicing dan Dicing merupakan
kemampuan OLAP untuk melakukan pemilahan
subset pada data. Operasi Slice adalah proses
pemotongan data pada cube berdasarkan nilai pada
satu atau beberapa dimensi. Misalnya data dari
seluruh penjualan dari 3 buah dimensi yaitu
produk, wilayah, dan waktu dilakukan operasi
slice, maka data dari dimensi produk dan lokasi
akan ditampilkan berdasarkan dimensi waktu =
2002, sehingga OLAP akan menampilkan data
semua penjualan untuk semua produk dan semua
lokasi untuk tahun 2002. seperti yang terlihat pada
gambar 2.10.
Gambar 2.10 Proses Slice
Sedangkan proses dice (gambar 2.11) adalah
pemotongan hasil slice menjadi bagian subset data
yang lebih kecil. Misalnya menampilkan data dari
seluruh penjualan berdasarkan dimensi waktu =
2002, kemudian d ilakukan proses dice dengan
dimensi lokasi wilayah = “semarang”, sehingga
data akan menampilkan data semua produk di
semarang pada tahun 2002.
Gambar 2.11 Proses Dicing
c. Drill Down dan Roll Up
Operasi drill down merupakan kemampuan
OLAP untuk melihat suatu subset data secara lebih
detail. Proses ini melibatkan proses agregasi data.
Sebaliknnya, operasi roll up untuk melihat data
secara global atau rangkuman (agregasi data pada
level yang lebih tinggi). Kedua proses ini
memanfaatkan hirarki pada dimensi yang
membentuk cube. Proses ini ditunjukkan oleh
gambar 2.12.
6
Gambar 2.12 Proses Drill Down dan Roll Up
Sebenartnya, didalam proses drill down itu
dilakukan proses slice dan atau dice.
2.7 SQL Server 2005 Analysis Services
Microsoft SQL Server 2005 Analysis Services
(SSAS) adalah komponen dari Microsoft SQL
Server 2005 yang didesain untuk membantu
pengembangan data warehouse yang menggunakan
Business Intelligence Development Studio untuk
membuat dan men-deploy Analysis Services
Project dan memanfaatkan SQL Server
Management Studio untuk mengelo la data base
relational dari project tersebut.
Analysis Services menghasilkan OLAP dan
data min ing untuk aplikasi Business Intelligence
dengan membolehkan developer untuk melakukan
design, create, dan mengatur struktur
multid imensional yang mengandung agregasi data
dari data source. Analysis Service membangun data
cube untuk membantu dalam analisa
multid imensional.
Analysis Services menyediakan beberapa tool
dan wizard yang dapat digunakan untuk mengakses
data mult idimensional. Microsoft SQL Server 2005
Analysis Services juga mendefin iskan Key
Performance Indicators (KPI) di dalam pro jectnya.
Hal in ilah yang membedakan dengan versi
sebelumnya yaitu Microsoft SQL Server Analysis
Service 2000. KPI menyediakan framework untuk
mendefinisikan kalku lasi pada sisi server yang
menjadi ukuran kesuksesan dari data yang kita
analisa dan sebagai standar bagaimana hasil
informasi d itampilkan.
3 Metodologi
3.1 Spesifikasi Kebutuhan Sistem
Dalam pembuatan tugas akhir ini, data base
yang digunakan adalah data base rancangan sendiri
yang mendapat persetujuan pihat PT ATI. Hal ini
karena PT ATI belum memiliki sistem informasi
yang menyimpan data proses produksi dan
mengolah data tersebut menjadi informasi.
Sehingga jika ada keperluan review data dan
pelaporan, mereka melakukannya secara manual.
Data base tersebut disesuaiakan dengan proses
bisnis mereka. Data base ini dirancang untuk
menampung data – data proses produksi ikan tuna.
Data base tersebut dapat dimanfaatkan untuk
kebutuhan pelaporan. Pelaporan yang dimaksud
adalah:
a. Laporan Proses Pengiriman Ikan (Dari
Supplier)
Melaporkan jumlah ikan yang dikirim oleh
supplier juga asal negara supplier.
b. Laporan Proses Penerimaan Ikan (Receiving)
Melaporkan Jumlah ikan yang diterima untuk
pemrosesan awal termasuk jenis ikan.
c. Laporan Proses Pengukuran Ikan (Sizing)
Melaporkan jumlah ikan yang diproses dalam
pengukuran ikan dan jenis ikan.
d. Laporan Proses Penyimpanan Ikan
(Coldstorage)
Melaporkan jumlah ikan yang disimpan antara
proses sizing dengan defrost atau antara pengiriman
dari supplier dengan sizing.
e. Laporan Proses Pencairan Suhu Ikan (Defrost)
Melaporkan jumlah ikan yang dicairkan
suhunya berserta jenisnya.
f. Laporan Proses Pemotongan Ikan (cutting)
Melaporkan jumlah ikan yang olah untuk
proses pengambilan isi (jeoran)-nya beserta
jenisnya.
g. Laporan Proses Pemasakan Ikan (cooking)
Melaporkan jumlah ikan yang dimasak beserta
jenisnya.
h. Laporan Proses pembersihan Awal Ikan
(PreCleaning)
Melaporkan jumlah ikan yang dibersihkan
beserta jenisnya.
i. Laporan Proses Pembersihan Ikan (Cleaning)
Melaporkan jumlah ikan yang dibersihkan lagi
(kelanjutan dari proses PreCleaning) beserta
jenisnya.
j. Laporan Proses Pengisian Wadah (Packing)
7
Melaporkan jumlah jenis produk yang akan
dihasilkan.
k. Laporan Proses Pengumpulan Wadah (Retort)
Melaporkan jumlah wadah yang dikumpulkan
dalam suatu wadah penampung.
l. Laporan Proses Penyimpanan (Warehouse)
Melaporkan jumlah penyimpanan produk di
gudang.
m. Laporan Proses Jet Print Produk
Melaporkan jumlah dan jenis produk yang
diberi label dengan jet print. Juga menyimpan data
pallete.
n. Laporan Proses Pengiriman Produk (Staffing)
Melaporkan jumlah dan jenis produk yang
akan dikirim beserta negara tujuan.
Semua laporan direpresentasikan dalam bentuk
tabel dan diagram batang dan disusun dalam
rangkaian waktu.
3.2 Perancangan
3.2.1 Perancangan Data Warehouse
Pada perancangan data ini, akan d itampilkan
data yang berhubungan dengan aplikasi OLAP ini
yang mengambil sumber dari data base PT. ATI.
Tabel-tabel yang terdapat dalam ERD adalah
yang digunakan sebagai data masukan atau input,
dan kemudian digunakan dalam pembuatan data
warehouse. Dalam perancangan data warehouse,
cube merupakan salah satu cara untuk dapat
menampilkan data secara multid imensional yang
nantinya data dalam cube inilah yang akan menjadi
bahan untuk dianalisa.
Untuk membuat desain atau rancangan pada
data warehouse tidak terlepas dari sebuah schema,
karena schema merupakan representasi dari
perancangan cube, sebagaimana yang diinginkan
sesuai dengan kebutuhan, yang biasa berupa star
schema dan snowflake schema. Hal in i tergantung
hubungan antara table dimensi dengan table fakta.
Langkah-langkah dalam pembuatan cube
adalah terlebih mendefinisikan Data Source Views
yang akan diguanakan. Dari Data Source Views
inilah ditentukan pilihan mana tabel yang akan
digunakan sebagai tabel fakta dan mana yang
digunakan sebagai table dimensi. Tidak harus
semua tabel dalam Data Source Views harus
dilibatkan dalam pembuatan cube ini. Kemudian
akan dihasilkan cube dengan struktur (schema) dan
measure dari tabel – tabel yang dilibatkan tadi.
Measure dan dimensi masih dapat ditambahkan
meski cube sudah terbentuk.
Data Source Views sendiri merupakan view
dari Data Sources yang sudah didefinisikan
sebelumnya. Langkah detail dari pendefinisan Data
Sources, Data Source Views dan pembuatan cube
akan dibahas pada subbab selanjutnya.
Dalam tugas akhir ini dibuat beberapa cube.
a. Cube Pengiriman
Cube ini akan diolah untuk menghasilkan
laporan proses Pengiriman Ikan (Dari Supplier).
Cube ini melibatkan tabel Pengiriman, Supplier,
Vessel, dan Nationality.
b. Cube Penerimaan – Pengukuran
Cube ini akan diolah untuk menghasilkan
laporan proses penerimaan ikan (Receiv ing) dan
laporan proses Pengukuran Ikan (Sizing). Cube ini
melibatkan tabel Sizing, Receiving, Master_Ikan ,
dan Grup_Ikan.
c. Cube Coldstorage
Cube in i dibuat untuk menghasilkan informasi
proses penyimpanan ikan (Coldstorage). Cube ini
melibatkan tabel ColdStorage, Master_Ikan, dan
Grup_Ikan.
d. Cube Defrost
Cube ini akan diolah untuk menghasilkan
laporan proses pencairan suhu ikan (Defrost). Cube
ini melibatkan tabel Defrost, Master_Ikan, dan
Grup_Ikan.
e. Cube Cutting – Cooking
Cube ini melibatkan tabel Cutting, Cooking,
Master_Ikan, dan Grup_Ikan. Cube ini akan diolah
untuk menghasilkan laporan proses pemotongan
ikan (Cutting), dan laporan proses pemasakan ikan
(Cooking).
f. Cube PreCleaning – Clean ing
Cube ini melibatkan tabel PreCleaning,
Cleaning, Master_Ikan, dan Grup_Ikan. Cube ini
akan diolah untuk menghasilkan laporan proses
pembersihan awal ikan (PreCleaning), dan laporan
proses pembesihan ikan (Cleaning).
g. Cube Pack–Retort-Wh
Cube ini melibatkan tabel Packing, Retort,
Warehouse, dan Produk. Cube ini akan diolah
untuk menghasilkan laporan proses pengisian
wadah (Packing), laporan proses pengumpulan
wadah (Retort), dan laporan proses Penyimpanan
(Warehouse).
3.2.2 Perancangan Antar Muka
Pada perancangan muka laporan dibuat dengan
menggunakan Microsoft Visual Studio 2005
Reporting Service. Secara umum. Bentuk
antarmuka hanya dua, yaitu dalam bentuk tabel dan
diagram. Rancangan umum dari antar muka
8
laporan dalam bentuk tabel dapat dilihat pada
gambar 3.1.
Gambar 3. 1 Laporan dalam Bentuk Tabel
Sedangkan untuk tampilan dalam bentuk
grafik, seperti pada gambar 3.2.
Gambar 3. 2 Laporan dalam Bentuk Diagram
3.2.3 Implementasi
3.3.1.4 Pembuatan Cube
Dari keenam cube, hanya diambil satu
contoh cara pembuatan cube Pengiriman karena
secara umum langkah pembuatannya sama.
Langkah – langkahnya adalah sebagai berikut:
a. Pada Solution Explorer klik kanan Cube,
kemudian klik New Cube , maka akan muncul
window Welcome to the cube wizards, klik Next.
b. Setelah window Select Build Method muncul,
pilih Build the cube using a data source dan
lakukan uncheck pada checkbox Auto Build seperti
pada gambar 3.3, kemudian klik Next.
Gambar 3. 3 Select Build Method
c. Pada window Select Data Source View pada
gambar 3.4, pastikan data source view-nya telah
terpilih), wizard akan melihat tabel pada database
yang didefinisikan pada data source views.
Kemudian tekan Next.
Gambar 3. 4 Select Data Source View
d. Pada window Identify Fact and Dimension
Tables pilih tabel yang akan digunakan sebagai
tabel fakta pada bagian Fact dan bagian
Dimension untuk tabel dimensi (centang seperti
pada gambar 3.6), dan pilih tabel yang dijadikan
dimensi waktu (p ilih “None” jika tak ada) pada list
Time Dimension Table.
Gambar 3. 5 Select Measures
9
Gambar 3. 6 Identify Fact & Dimension Tables
e. Selanjutnya pada window Review Shared
Dimensions, klik Next. Karena masih pertama kali
pembuatan cube, tidak ada shared dimensions yang
tersedia.
f. Selanjutnya, pilih measure yang akan
digunakan pada window Select Measure seperti
pada gambar 3.5. Kemudian tekan Next.
g. Kemudian muncul window Review New
Dimensions seperti ditunjukkan pada gambar 3.7.
Klik Next.
Gambar 3. 7 Review New Dimension
h. Beri nama cube pada textbox Cube Name di
window Completing the Wizard seperti yang
terlihat pada gambar 3.8.
Gambar 3. 8 Completing Wizard Cube
i. Setelah cube dibuat, buka Solution Explorer
kemudian klik cube yang telah dibuat agar muncul
tabnya. Pada tab tersebut, terdapat subtab Cube
Structure yang berisi Measures, Dimension, dan
Data Source view dari cube yang bersangkutan.
Cube struktur dari cube Pengiriman adalah s eperti
yang terlihat pada gambar 3.10. selain subtab
Cube structure terdapat subtab yang lain.
Gambar 3. 9 Browser Cube
Gambar 3. 10 Cube Structure
j. Untuk melihat hasil cube, klik tab Browser
pada Pengiriman.cube. kemudian drag field-field
yang akan ditampilkan pada cube. Contoh hasilnya
seperti yang terlihat pada gambar 3.9.
10
Selain itu juga didefinisikan dimensi Time
yang ditambahkan ke semua cube. Tujuan dari
dimensi in i adalah untuk hirarki waktu.
4 Uji Coba dan Pembahasan Pelaksanaan uji coba Tugas Akhir ini meliputi
dua hal yaitu uji coba aplikasi dan uji coba kinerja
sistem dalam melakukan fungsi – fungsi OLAP.
4.1 Uji Coba Cube
Uji coba hanya dilakukan pada report dari cube
pengiriman. Sedangkan cube yang lain memiliki
pola cara yang sama. Cube Pengiriman
mendefinisikan skema keterkaitan data yang
menyimpan informasi pengiriman ikan dari
supplier. Dari cube ini dibuat report Pengiriman
Ikan (Dari Supplier). Report ini akan menampilkan
informasi pengiriman dalam bentuk tabel dan
diagram. Uji coba tidak hanya berusaha
menampilkan informasi tetapi juga filterisasi data
untuk mendapatkan informasi yang lebih spesifik
sesuai dengan definisi user.
1. Untuk menampilkan laporan pengiriman ikan
dari Supplier, maka klik tombol Pengiriman pada
menu. Kemudian akan tampil halaman yang terlihat
pada gambar 4.1.
Gambar 4. 1 Report Tabel Pengiriman Ikan dari
Supplier
Tabel pada gambar 4.1 diatas menunjukkan
jumlah ikan yang dikirim o leh supplier pada semua
periode. Bagian baris menunjukkan ID Supplier,
dan bagian kolom menunjukkan waktu pengiriman.
Jika diklik pada ID supplier, akan muncul nama
supplier, dan jika d iklik lagi, akan muncul asal
negara supplier. Begitu juga pada kolom, kalendar
tahun jika diklik akan muncul detail bulan
pengiriman, selan jutnya akan muncul detail
hari(tanggal) pengiriman. In i merupakan proses
drilldown akan dibahas pada uji coba selanjutnya.
2. Selanjutnya, jika ingin melihat versi diagram
dari tabel diatas, klik tombol View Chart. Maka
akan tampil halaman web yang menampikan report
Pengiriman Ikan (Dari Supplier) dalam bentuk
diagram batang seperti pada gambar 4.2.
Gambar 4. 2 Report Diagram Pengiriman Ikan
dari Supplier
3. Jika diperhatikan, pada tabel maupun diagram,
semua informasi ditampilkan. Lalu, bagaimana jika
user ingin menspesifikkan informasi pengiriman
misalnya berdasarkan tahun atau bulan tertentu,
atau berdasarkan supplier atau asal negara tertentu.
Hal ini dapat dilakukan dengan menspesifikkan
kebutuhan informasi pada filter. Semisal, dari
informasi yang tampak pada gambar, akan difilter
untuk menampilkan informasi kuantitas pengiriman
ikan dari supplir hanya untuk tahun 2002 dan 2007.
Centang pilihan Calender 2002 dan Calender 2007
pada kolom filter year. Kemudian klik View
Report. Maka informasi yang ditampilkan akan
berubah seperti yang tampak pada gambar 4.3.
Gambar 4. 3 Hasil Filter Report Pengiriman
Ikan dari Supplier
11
Dari report pada gambar 4.3 d iatas tampak
bahwa hanya informasi pada tahun 2002 dan 2007
saja yang ditampilkan.
4.2 Uji Coba Operasi Olap
Pada bagian in i, akan diu ji coba untuk
menjalankan operasi-operasi dasar OLAP antara
lain : drili-up atau drill-down, slicing atau dicing,
dan rotation atau pivoting.
4.2.1 Drill Down dan Roll up
Proses drill down merupakan kemampuan
OLAP untuk melihat suatu subset data secara lebih
detail, proses detail data ini diturunkan berdasarkan
konsep hirarki pada tiap d imensi yang ada.
Sedangkan proses roll up merupakan kebalikan
dari prose drill down yaitu proses penggabungan
atau penyatuan data ke dalam level yang lebih
tinggi. Semua report tabel disusun berdasarkan
periode waktu. Periode waktu tersebut dapat di
drill down dari tahun ke bulan. Kemudian jika
bulan di drill down lagi akan muncul hari. Gambar
4.4 adalah contoh drill down tahun ke bulan ke hari
dari report penerimaan ikan dari supplier.
Gambar 4. 4 Comtoh Drill down Report pada
Bagian Tanggal
Sedangkan roll up adalah kebalikan dari drill
down. Drill down dan roll up juga bisa dilakukan
melalui filter.
4.2.2 Rotation / Pivoting
Proses Rotation/pivoting merupakan operasi
pada OLAP untuk merubah berbagai macam sudut
pandang data sehingga perubahan perspektif sudut
pandang menjadi lebih mudah, dengan kata lain
analisa data dengan merubah posisi atau pivot
dimensinya. Jika diperhatikan pada report – report
tabel sebelumnya tampak bahwa tanggal selalu
menempati posisi kolom sedang baris diisi oleh
supplier, jenis ikan atau produk. Aplikasi OLAP
harus bisa menampilkan perubahan sudut pandang
dengan menukar posisi kolom dan baris. Penukaran
ini dilakukan pada saat pendefinisian report. Untuk
melakukan rotasi klik tombol Change Pivot pada
masing – masing halaman.
Gambar 4.5 adalah rotasi report Pengiriman
Ikan (Dari Supplier). Kebalikan dari gambar 4.4.
Gambar 4. 5 Rotasi Report Pengiriman Ikan
dari Supplier
4.2.3 Slicing dan Dicing
Proses slicing dan sicing merupakan
kemampuan OLAP untuk melakukan pemilihan
subset pada data. Operasi slice adalah proses
pemotongan pada cube berdasarkan nilai pada satu
atau beberapa dimensi. Sedangkan dicing adalah
proses pemotongan lebih kecil dari hasil dicing.
Perbedaan antara slicing – dicing dengan drill
down adalah jikalau drill down men-drill informasi
dilingkup yang ada dibawahnya. Semisal dari
tahun 2006, di-drill down ke bulan. Hasilnya
adalah informasi pada bulan- bulan di tahun
tersebut. Sedangkan Slicing adalah kemampuan
dimana informasi bisa dipilah sesuai keinginan
seperti menampilakan informasi hanya pada bulan
Januari pada setiap tahun. Lalu dicing untuk
menampilkan informasi pada bulan januari tahun
tertentu saja. Hasil dari contoh slicing tersebut
ditampilkan pada gambar 4.6 dan hasil dicing pada
gambar 4.7.
12
Gambar 4. 6 Slicing Report Pengiriman Ikan
dari Supplier
Gambar 4. 7 Dicing Report Penerimaan Ikan
dari Supplier
5 Kesimpulan
Dari hasil penelit ian Tugas Akhir yang telah
dilakukan dapat disimpulkan:
a. Aplikasi telah berhasil dikembangkan dalam
bentuk web, sehingga memberi kemudahan dalam
pengaksesan.
b. Aplikasi lebih memberi kemudahan kepada
PT. ATI untuk melakukan pengecekkan
dibandingkan dengan cara penyimpanan mereka
sebelumnya.
c. Informasi yang ditampilkan dapat membantu
pihak PT. ATI untuk memantau kuantitas proses
produksi sehingga mengetahui jumlah ikan yang
diproses berdasarkan periode waktu juga berapa
jumlah produk yang dihasilkan dan negara tujuan.
d. Tampilan informasi dalam bentuk tabel dan
diagram yang dapat difilter, di-drill down dan roll
up sehingga memudahkan dalam pengamatan.
6 Daftar Pustaka
[1] Hariyanto, Bambang. Sistem Manajemen
Basis Data. Informatika. Bandung. 2004.
[2] Kayungyun, Ratri Dwi. Rancang Bangun
Perangkat Lunak Aplikasi Penelusuran
Produk Pada PT. Aneka Tuna Indonesia.
Tugas Akhir, Jurusan Teknik Informat ika,
FTIF, ITS. 2009.
[3] Tisna Budi, Riantari. Pembuatan Apliasi
OLAP pada sistem Informasi Monitoring
Tugas Akhir Jurusan Teknik Informatika –
ITS dengan Menggunakan SQL Server 2005.
Tugas Akhir, Jurusan Teknik Informat ika,
FTIF, ITS. 2007.
[4] ---, PT. ANEKA TUNA INDONESIA,
(www.tunaindonesia.com)