6

BAB 2

LANDASAN TEORI

2.1 Pengertian Database dan Data Warehouse

2.1.1 Pengertian Database

Menurut Connolly dan Begg (2002, p14) database adalah

kumpulan data yang berhubungan satu sama lain yang digunakan secara

bersama-sama, dan kumpulan data ini didesain untuk memenuhi

kebutuhan informasi suatu perusahaan.

Menurut Wikipedia (http://en.wikipedia.org/wiki/Database),

database adalah kumpulan elemen data atau fakta yang disimpan di

komputer secara sistematis.

Jadi, dapat disimpulkan database adalah kumpulan data yang

berhubungan secara sistematis dan digunakan untuk memenuhi

kebutuhan informasi suatu perusahaan. Pada perusahaan Teh Tong Tji ini

menggunakan database SQL Server 2000.

2.1.2 Pengertian DBMS (Database Management System)

Menurut Connolly dan Begg (2002,p16), DBMS adalah sistem

perangkat lunak yang memungkinkan user untuk mendefinisikan,

membuat, memelihara, dan mengontrol akses ke database.

Menurut Wikipedia (http://en.wikipedia.org/wiki/Database)

DBMS adalah program komputer yang digunakan untuk mengatur sebuah

database.

7

2.1.3 Pengertian Data Warehouse

Menurut W.H Inmon (2002, p31) data warehouse adalah koleksi

data yang mempunyai sifat berorientasi subyek, terintegrasi, tidak

mengalami perubahan, dan memiliki rentang waktu dari koleksi data

dalam mendukung proses pengambilan keputusan manajemen.

Menurut Vidette Poe (1996,p6), data warehouse merupakan

database yang bersifat analisis dan hanya dapat dibaca saja, yang

digunakan sebagai dasar dari sistem penunjang keputusan.

Menurut Wikipedia

(http://en.wikipedia.org/wiki/data_warehouse) data warehouse adalah

tempat penyimpanan utama dari sebuah data historis perusahaan, yang

berhubungan dengan perusahaan tersebut.

Dalam data warehouse hanya terdapat dua kegiatan terhadap data

yaitu, loading data dan akses data, tidak ada kegiatan update, insert, dan

delete data. Data warehouse berguna untuk mempermudah membuat

aplikasi DSS (Desicion Support System) dan EIS (Executive Information

System).

2.1.4 Pengertian Data Mart

Menurut Connolly dan Begg (2002, p1067) data mart dengan

sebuah area fungsional dari perusahaan atau memiliki lingkup yang

terbatas.

Ada beberapa karakteristik yang membedakan antara data mart

dengan data warehouse, di antaranya :

8

1. Data mart berfokus pada kebutuhan pengguna yang berhubungan

dengan satu bagian departemen atau fungsi bisnis.

2. Data mart tidak berisi data operasional secara detil, tidak seperti

data warehouse.

3. Data mart lebih mudah dimengerti dan digunakan karena berisi data

yang lebih sedikit dibandingkan dengan data warehouse.

2.2 Karakteristik Data Warehouse

Menurut W.H Inmon (2002, p31) karakteristik data warehouse adalah

sebagai berikut :

a. Subject Oriented (Beriorientasi subyek)

Data Warehouse bersifat subject oriented artinya data warehouse

digunakan untuk menganalisa data berdasarkan subyek-subyek tertentu

dalam organisasi, bukan berorientasi pada aplikasi-aplikasi tertentu, yang

mempermudah user dalam pengambilan keputusan.

Beberapa perbedaan antara data primitif (data operasional) dan

data warehouse diantaranya sebagai berikut :

9

Data Operasional Data Warehouse

Berorientasi pada aplikasi Berorientasi subyek

Dapat berubah Tidak dapat berubah

Dapat diakses oleh sebuah unit

dalam satu waktu

Dapat diakses oleh sebuah set unit

dalam satu waktu

Jumlah data yang diproses kecil Jumlah data yang diproses besar

Tidak ada redundancy data Ada redundancy data

Untuk komunitas karyawan Untuk komunitas manajer

Dibutuhkan efisiensi data Dibutuhkan kecepatan data

Tabel 2.1 Perbedaan data operasional dan data warehouse

b. Integrated (Terintegrasi)

Data warehouse bersifat integrated artinya data warehouse

menyimpan data dari berbagai sumber yang berbeda yang disimpan ke

dalam suatu format yang konsisten dan data tersebut terintegrasi satu

sama lain, dimana data-data tersebut merupakan suatu kesatuan dan tidak

dapat dipecah-pecah.

c. Non volatile (Tidak dapat diubah)

Data warehouse bersifat non volatile, artinya data warehouse

tidak dapat diubah. Pengguna tidak dapat mengubah data warehouse

yang sudah ada. Berbeda dengan database operasional yang memiliki tiga

kegiatan operasi yaitu insert, update, dan delete, data warehouse hanya

memiliki dua kegiatan yaitu loading dan akses data.

d. Time variant (Variasi Waktu)

Data warehouse berisikan record-record yang bersifat historis.

Record yang ada di dalam data warehouse berjangka 5-10 tahun,

10

sehingga record-record yang lama akan tetap berada dalam sistem. Inilah

yang digunakan sebagai bahan untuk analisis pengambilan keputusan.

Namun record yang terlalu lama disimpan tidak efektif karena bisa

memberikan hasil analisa yang kurang tepat. Dalam OLTP (Online

Transaction Processing) , record yang ada merupakan record terbaru.

OLTP tidak menyimpan record –record yang lama untuk mempercepat

proses. Semakin sedikit data yang disimpan maka waktu pemrosesan data

semakin cepat.

2.3 Anatomi Data Warehouse

Dalam menentukan bentuk data warehouse yang akan digunakan oleh

suatu perusahaan, terlebih dahulu kita harus mengetahui kebutuhan informasi

yang diperlukan oleh perusahaan. Data warehouse terdiri atas tiga jenis dasar

sistem, yaitu :

1. Data warehouse Fungsional (Functional Data Warehouse)

Data warehouse fungsional dibangun berdasarkan

kebutuhan informasi dari tiap bagian fungsi bisnis perusahaan.

Data warehouse fungsional merupakan pendekatan yang

digunakan untuk membangun suatu sistem data warehouse

dengan biaya investasi yang rendah.

2. Data warehouse terpusat (Centralized Data Warehouse)

Data warehouse terpusat dibangun dari data operasional

yang dikumpulkan dalam pusat penyimpanan data yang

digunakan oleh pengguna untuk membangun data warehouse

fungsional masing-masing.

11

Kebanyakan organisasi membangun dan memelihara

lingkungan data warehouse terpusat yang tunggal (Inmon, 2002,

p201). Pengaturan ini masuk akal karena alasan sebagai berikut :

1. Data di dalam data warehouse terintegrasi antar

perusahaan dan gambaran terintegrasi digunakan hanya

pada kantor pusat

2. Perusahaan beroperasi pada model bisnis terpusat

3. Volume dari data dalam data warehouse seperti tempat

penyimpanan tunggal yang terpusat

4. Sekalipun data dapat terintegrasi dan diedarkan antar area

lokal yang beragam, data tersebut akan tidak praktis untuk

diakses.

3. Data warehouse terdistribusi (Distributed Data Warehouse)

Perusahaan yang memiliki cabang tersebar di seluruh

dunia membutuhkan informasi yang mencakup tidak hanya

wilayah lokal saja tetapi juga wilayah global. Global data

warehouse membutuhkan informasi terpadu dari data warehouse

tempat infomasi dikumpulkan. Disamping itu, ada kebutuhan

yang lain untuk data warehouse yang terpisah di setiap cabang

perusahaan. Dalam kasus ini, data warehouse terdistribusi

dibutuhkan. (Inmon,2002,p202). Tiga tipe dari data warehouse

terdistribusi :

12

1. Data warehouse yang terdistribusi secara geografi terdiri

dari data warehouse lokal dan data warehouse global.

2. Data warehouse yang terdistribusi dalam banyak prosesor,

secara logis ada satu data warehouse tetapi secara fisiknya

ada banyak data warehouse yang saling berhubungan.

3. Data warehouse yang tumbuh dalam sumber yang tidak

terkoordinasi.

2.4 Arsitektur Data Warehouse

Menurut Connoly dan Begg (2002, p1053), arsitektur data warehouse

dapat digambarkan sebagai berikut :

Gambar 2.1 Arsitektur Data Warehouse

13

- Operasional Data

Sumber data untuk data warehouse berasal dari :

• Mainframe operasional data memegang kendali di hirarki generasi

pertama dan di database jaringan.

• Bagian data memegang kendali di kepemilikan system file seperti VSAM,

RMS, dan relasi DBMS seperti Informix dan Oracle.

• Private data memegang kendali di workstation dan private servers.

• External System seperti Internet, database komersial yang tersedia atau

database yang berhubungan dengan pemasok organisasi atau konsumen.

- Operasional Datastore

Operasional datastore adalah sebuah tempat penyimpanan untuk data

operasional saat ini dan terintegrasi yang digunakan untuk analisis. Operasional

database seringkali terstruktur dan terisi dengan data yang sama seperti data

warehouse, tetapi kenyataannya operasional datastore adalah suatu tempat untuk

menampung data yang akan masuk ke dalam data warehouse.

- Load Manager

Load Manager menampilkan semua operasi yang berhubungan dengan

extraction dan loading data ke dalam data warehouse. Datanya mungkin

diesktrak secara langsung dari sumber data atau lebih umumnya berasal dari

operasional datastore.

14

- Warehouse Manager

Warehouse Manager menampilkan semua operasi yang berhubungan dengan

manajemen data di dalam data warehouse. Operasi yang dilakukan oleh

warehouse manager antara lain :

• analisis data untuk memastikan konsistensi data

• perubahan dan menyatukan sumber data dari penyimpanan sementara ke

dalam tabel di data warehouse

• membuat indeks-indeks dan views di tabel awal

• membuat denormalisasi (jika perlu)

• membuat aggregrasi (jika perlu)

• mem-backup data dan menyimpan data

- Query Manager

Query Manager menampilkan semua operasi yang berhubungan dengan

manajemen dari pengguna queries. Operasi yang dilakukan oleh query manager

antara lain memerintah query untuk dimasukkan kedalam tabel yang benar dan

menjadwal eksekusi query. Di beberapa kasus, query manager juga membuat

profile query untuk membolehkan warehouse manager untuk menentukan indeks

dan aggregrasi mana saja yang diperlukan.

- Detailed data

Di beberapa kasus, detil data tidak disimpan secara online tetapi ditentukan oleh

aggregrasi data ke level berikutnya. Bagaimanapun, di basis regular, detil data

dimasukkan ke dalam data warehouse untuk menambah aggregrasi data.

- Lightly and Highly Summarized Data

15

Tujuan dari ringkasan informasi adalah untuk menaikkan kemampuan queries.

Walaupun ada harga operasional yang berhubungan secara inisial dengan

ringkasan data, ini ditutupi dengan menghilangkan keperluan untuk melanjutkan

ringkasan operasi-operasi (seperti sorting atau grouping) di pengguna queries.

Ringkasan data diperbaharui secara terus menerus sebagai data baru yang diisi ke

dalam data warehouse.

- Archive / Backup Data

Walaupun ringkasan data didapat dari detil data, mungkin diperlukan untuk

mem-backup ringkasan data online jika data tersebut tetap melebihi

penyimpanan untuk detil data. Data tersebut dipindah ke tempat penyimpanan

seperti magnetic tape atau optical disk.

- Metadata

Metadata digunakan untuk berbagai tujuan antara lain :

• proses extraction dan loading - metadata digunakan untuk memetakan

sumber data ke view umum data dalam data warehouse

• proses manajemen warehouse - metadata digunakan untuk meng-

otomatiskan produksi dari tabel ringkasan.

• Sebagai bagian dari proses manajemen warehouse - metadata digunakan

untuk mengatur query ke sumber data yang paling penting.

- End-User Access Tools

Tujuan utama dari data warehouse adalah untuk menyediakan informasi untuk

pemakai bisnis dalam membuat keputusan strategis. Pemakai ini berinteraksi

16

dengan data warehouse menggunakan end-user access tools. End-user access

tools dapat dibagi menjadi 5 kelompok, yaitu :

• Laporan dan Alat Query

Menghasilkan program laporan dan laporan tertulis, sedangkan query

tools didesain untuk menerima SQL atau menghasilkan pernyataan SQL

untuk men-query data di dalam data warehouse.

• Alat Pengembangan Aplikasi

Keperluan end user dari laporan dan alat query terkadang tidak cukup

karena analisis yang diperlukan tidak dapat ditampilkan atau karena

interaksi pengguna memerlukan keahlian yang tinggi dari user. Beberapa

dari alat pengembangan aplikasi ini terintegrasi dengan alat OLAP yang

terkenal, dan dapat mengakses semua sistem database utama, termasuk

Oracle, Sybase, dan Informix.

• Alat Executive Information System (EIS)

Executive Information System, dikembangkan untuk mendukung

pembuatan keputusan tingkat tinggi. Alat EIS berhubungan dengan

mainframe pengguna untuk membangun kebiasaan-kebiasaan, aplikasi

grafik pendukung keputusan untuk menyediakan sebuah gambaran data-

data organisasi dan akses ke sumber data luar.

• Alat Online Analytical Processing (OLAP)

Alat OLAP berdasarkan dari konsep multi dimensional database dan

membolehkan pengguna untuk menganalisa data menggunakan kompleks,

multi-dimensional views. Aplikasi bisnis khusus ini digunakan untuk

17

menilai keefektifan marketing, perkiraan sales produk, dan rencana

kapasitas.

• Alat Data Mining

Data Mining adalah proses menemukan korelasi baru, pola, arah yang

baru dengan menganalisa sejumlah besar data menggunakan statistik,

matematika, dan teknik artificial intelligence (AI).

2.5 Struktur Data Warehouse

Data warehouse memiliki struktur yang terdiri atas komponen-komponen

sebagai berikut :

• Current Detail Data (detil data saat ini)

Current Detail Data adalah data detil yang aktif saat ini, yang

merupakan level terendah dari data warehouse dan mencerminkan keadaan

yang sedang berjalan.Current Detail Data biasanya memerlukan tempat

penyimpanan yang cukup besar.

• Old Detail Data (detil data historis)

Old Detail Data merupakan data historis, yang dapat berupa hasil

backup yang disimpan dalam media penyimpanan yang terpisah dan dapat

diakses sewaktu-waktu pada saat dibutuhkan. Penyusunan direktori untuk

data ini harus menggambarkan umur dari data agar memudahkan apabila

ingin diakses kembali.

• Highly Summarized Data (ringkasan data level tinggi)

Highly Summarized Data merupakan hasil proses ringkasan yang

bersifat total dan mudah untuk diakses. Digunakan untuk melakukan

18

analisa perbandingan data berdasarkan urutan waktu dan analisa yang

menggunakan data multi dimensi. Database multi dimensi adalah suatu

teknologi software komputer yang dirancang untuk meningkatkan efisiensi

dalam mencari tabel atau query sehingga media penyimpanan menjadi

lebih baik, serta memudahkan pengambilan data dalam jumlah yang besar.

• Lightly Summarized Data (ringkasan data level menengah)

Lightly Summarized Data merupakan ringkasan dari detil data,

tetapi belum bersifat total summary. Data-data ini memiliki tingkatan

yang lebih tinggi dan mendukung kebutuhan data warehouse pada

tingkatan departemen.Tingkatan data ini disebut juga data mart. Akses

terhadap data jenis ini banyak digunakan untuk view dari suatu kondisi

yang sedang dan sudah berjalan.

• Metadata

Metadata memuat informasi yang penting mengenai data dalam

data warehouse yang berfungsi sebagai :

1. Direktori yang akan dipakai oleh user dalam mencari lokasi dalam

data warehouse,

2. Suatu panduan untuk summary data dari detil data menjadi lightly

summarized data dan kemudian menjadi highly summarized data,

3. Merupakan penuntun pemetaan (mapping) dalam proses

transformasi dari operasional ke data warehouse.

Karena data warehouse harus melayani banyak fungsi, maka

metadata penting untuk menjawab kebutuhan dari suatu fungsi tertentu,

19

karena setiap departemen dalam perusahaan biasanya menggambarkan

struktur data yang spesifik meskipun asal datanya sama.

Struktur data warehouse dapat dilihat pada gambar :

Gambar 2.2 Struktur Data Warehouse

2.6 Granularity

Salah satu faktor penting yang harus diperhatikan oleh pengembang data

warehouse adalah granularity. Granularity mempengaruhi efisiensi dari

penggunaan data dalam analisis yang dilakukan.

Menurut Inmon, (2002,p43) granularity merupakan sebuah level

kedetilan / summarization dari unit data yang ada dalam data warehouse.

Semakin tinggi tingkat kedetilan data maka semakin rendah level granularity dan

juga sebaliknya.

2.7 Agregasi

Menurut Poe (1996,p136) agregrasi adalah proses akumulasi data fakta

sepanjang atribut yang didefinisikan. Contohnya, dapat dihasilkan sebuah

ringkasan berisi hasil penjualan dolar didalam area dan departemen tertentu

20

dengan menambahkan penjualan dolar dari level detil toko dan barang. Agregrasi

dapat dibuat selama proses transformasi dan pemuatan data ke dalam data

warehouse.

Faktor yang mendukung pembuatan agregrasi adalah :

1. Meningkatkan performa query

2. Mengurangi jumlah penggunaan CPU cycle

2.8 Denormalisasi

Menurut Poe (1996, p137-139) denormalisasi adalah proses

penggabungan tabel secara hati-hati dan bijaksana untuk meningkatkan performa.

Alasan dilakukannya denormalisasi adalah untuk mengurangi jumlah

penggabungan yang harus diproses dalam rata-rata query, sehingga

meningkatkan performa database. Sekarang ini, pengembang data warehouse

telah memperbaiki teknik denormalisasi dan menghasilkan pendekatan skema

bintang.

2.9 Perancangan Data Warehouse

Menurut Poe (1996,p120), alat yang digunakan untuk merancang data

warehouse adalah skema bintang (star schema). Skema bintang mempunyai

struktur yang sederhana dengan tabel yang relatif sedikit dan hubungan antar

tabel yang terlihat jelas.

2.9.1 Skema Bintang

Menurut Connoly dan Begg (2002,p1079), skema bintang adalah

struktur logikal yang memiliki tabel fakta yang berisi data faktual,

dikelilingi oleh tabel dimensi yang berisi data reference (dimana dapat

didenormalisasikan).

21

Menurut Wikipedia ( http://en.wikipedia.org/wiki/Star_schema ),

skema bintang adalah skema di dalam data warehouse yang paling

sederhana di mana tabel fakta tunggal berisi gabungan primary key dari

setiap tabel dimensi dan kolom tambahan yang berupa fakta numerik.

2.9.2 Keuntungan Menggunakan Skema Bintang

Menurut Connoly dan Begg keuntungan menggunakan skema

bintang antara lain :

• Efisiensi, struktur database yang konsisten membuat akses data lebih

efisien dengan menggunakan alat untuk menampilkan data termasuk

laporan tertulis dan query.

• Kemampuan untuk mengatasi perubahan kebutuhan, skema bintang

dapat beradaptasi terhadap perubahan kebutuhan, karena semua tabel

dimensi memiliki kesamaan dalam hal menyediakan akses ke tabel

fakta.

• Extensibility, model dimensional dapat dikembangkan. Contohnya

menambah tabel fakta selama data masih konsisten, menambah tabel

dimensi selama masih ada nilai tunggal di tabel dimensi tersebut yang

mendefinisikan setiap record tabel fakta yang ada.

• Kemampuan untuk menggambarkan situasi bisnis pada umumnya.

• Proses query yang bisa diprediksi, aplikasi data warehouse yang

mencari data dari level yang dibawahnya akan dengan mudah

menambah jumlah atribut pada tabel dimensi dari sebuah skema

bintang.

22

2.9.3 Tipe Tabel Skema Bintang

Di dalam data warehouse terdapat dua macam tipe tabel, yaitu :

2.9.3.1 Tabel fakta (fact table)

Tabel fakta sering disebut juga tabel mayor. Tabel ini berisi data

aktual yang akan dianalisis (data kuantitatif dan transaksi). Field-field

tabel fakta sering disebut measure dan juga selalu berisi foreign key dari

masing-masing tabel dimensi.

2.9.3.2 Tabel dimensi (dimension table)

Tabel dimensi sering disebut juga tabel minor. Tabel dimensi

biasanya lebih kecil daripada tabel fakta dan berisi data yang merupakan

deskripsi dari data-data yang ada pada tabel fakta.

2.9.4 Skema Bintang Sederhana

Dalam skema bintang sederhana ini, setiap tabel harus

mempunyai primary key yang dapat terdiri dari satu kolom atau lebih.

Primary key pada tabel fakta dapat terdiri dari satu atau lebih foreign key

dan primary key tersebut harus unique.

23

Gambar dibawah ini menggambarkan hubungan antara tabel fakta

dan tabel dimensi . Di dalam tabel fakta terdapat tiga foreign key yang

berasal dari primary key tabel dimensi.

Gambar 2.3 Skema Bintang Sederhana

Sumber : Poe, 1996, p124

Dalam sebuah skema bintang, dapat juga terdapat lebih dari satu

tabel fakta, karena adanya fakta yang tidak saling berhubungan. Walau

terdapat tabel fakta lebih dari satu, tabel dimensi digunakan secara

bersama-sama.

24

Gambar dibawah ini menggambarkan hubungan antara dua tabel

fakta dengan tiga tabel dimensi yang memperlihatkan hubungan many to

one.

Gambar 2.4 Skema Bintang dengan beberapa tabel fakta

Sumber : Poe, 1996, p126

Tabel dimensi mungkin juga mengandung primary key yang

menghubungkan ke tabel dimensi lainnya. Tabel dimensi yang

direferensikan ini dinamakan outboard atau secondary dimension table.

25

Pada gambar dibawah ini, tabel dimensi tiga mempunyai dua

outboard tabel yaitu tabel dimensi empat dan tabel dimensi lima.

Gambar 2.5 Skema Bintang dengan Tabel Dimensi Tambahan

Sumber : Poe,1996, p128

2.9.5 Skema Bintang Majemuk

Tabel fakta dalam skema bintang majemuk memiliki dua

kumpulan foreign key, yang pertama mengandung suatu referensi dengan

tabel dimensi sedangkan sisanya adalah primary key yang merupakan

gabungan dari satu atau lebih kolom yang menghasilkan suatu identifikasi

unik untuk setiap barisnya. Perbedaan antara skema bintang sederhana

dan skema bintang majemuk adalah saling tidak identiknya primary key

dan foreign key dalam skema bintang majemuk.

26

Gambar 2.6 Skema Bintang Majemuk

Sumber : Poe, 1996

2.10 Skema Snowflake

Menurut Connolly dan Begg (2002,p1080) skema snowflake merupakan

skema yang berbeda dengan skema bintang karena tabel dimensi tidak berisi data

denormalisasi.

Snowflake merupakan variasi lain dari skema bintang di mana tabel

dimensi dari skema bintang diorganisasi menjadi suatu hierarki dengan

melakukan denormalisasi.

Prinsip dasar dari skema ini tidak berbeda jauh dengan skema bintang.

Pengunaan tabel dimensi sangatlah menonjol, karena itulah perbedaan mendasar

dari skema bintang dan skema snowflake. Skema snowflake menggunakan

beberapa tabel fakta dan tabel dimensi yang sudah mengalami normalisasi,

sedangkan skema bintang menggunakan tabel dimensi yang masih

didenormalisasi. Skema snowflake dibuat berdasarkan OLTP sehingga semua

data akan termuat detail dalam setiap tabel fakta dan tabel dimensi.

27

Keuntungan dari skema snowflake adalah :

• Kecepatan memindahkan data dari OLTP ke dalam metadata

• Sebagai kebutuhan dari alat pengambil keputusan tingkat tinggi di

mana dengan tipe yang seperti ini seluruh struktur dapat digunakan

sepenuhnya.

• Banyak yang beranggapan lebih nyaman merancang dalam bentuk

normal ketiga.

Sedangkan kerugiannya adalah mempunyai masalah yang besar dalam

hal kinerja (performance), hal ini disebabkan semakin banyaknya join antar

tabel-tabel yang dilakukan dalam skema snowflake ini, maka semakin lambat

juga kinerja yang dilakukan.

Berikut ini adalah contoh gambar dari skema snowflake :

Gambar 2.7 Skema Snowflake

Sumber : Poe (1996,p129)

28

2.11 Pengertian Analisis SWOT

Menurut Rangkuti, (2002, p18-19), analisis SWOT adalah identifikasi

berbagai faktor secara sistematis untuk merumuskan berbagai strategi perusahaan.

Analisis ini didasarkan pada logika yang dapat memaksimalkan kekuatan

(Strength) dan peluang (Opportunities), namun secara bersamaan dapat

meminimalkan kelemahan (Weakness) dan ancaman (Threat).

Lingkungan yang diamati di dalam analisis SWOT mencakup lingkungan

internal (kekuatan dan kelemahan) dan lingkungan eksternal (peluang dan

ancaman).

1. Strength (kekuatan)

Setiap perusahaan harus mengetahui kekuatan yang dimilikinya dan dapat

membandingkan kekuatan tersebut dengan kekuatan para pesaing.

2. Weakness (kelemahan)

Kelemahan atau masalah yang dihadapi oleh perusahaan kadang dapat

menyebabkan kegagalan suatu rencana bisnis yang bukan karena masing-

masing bagiannya tidak memiliki kekuatan yang dibutuhkan, melainkan

karena bagian-bagian tersebut tidak bekerja sama sebagai sebuah tim.

3. Opportunity (peluang)

Peluang pemasaran adalah suatu kebutuhan dimana perusahaan dapat

bergerak dengan memperoleh laba. Peluang tersebut dapat dicatat dan dipilih

menurut daya tarik dan kemungkinan keberhasilannya.

29

4. Threat (ancaman)

Sebagian perkembangan dalam lingkungan eksternal merupakan ancaman.

Ancaman lingkungan adalah tantangan akibat kecenderungan yang tidak

menguntungkan atau perkembangan yang akan mengurangi penjualan dan

laba apabila tidak dilakukan gerakan defensif.

Gambar 2.8 Analisis SWOT

Kuadran 1 : Menggambarkan situasi yang sangat menguntungkan

perusahaan, dimana perusahaan memiliki kekuatan dan dapat memanfaatkan

peluang yang ada. Strategi yang harus diterapkan dalam kondisi ini adalah

mendukung kebijakan pertumbuhan yang agresif.

Kuadran 2 : Meskipun menghadapi berbagai ancaman, perusahaan

memiliki kekuatan dari segi internal. Strategi yang harus diterapkan adalah

menggunakan kekuatan untuk memanfaatkan peluang jangka panjang dengan

cara strategi diversifikasi produk atau pasar.

30

Kuadran 3 : Perusahaan menghadapi peluang pasar yang sangat besar,

tetapi di lain pihak, perusahaan menghadapi berbagai kendala atau kelemahan

internal. Fokus strategi perusahaan ini adalah meminimalkan masalah-masalah

internal perusahaan sehingga dapat merebut peluang pasar yang lebih baik.

Kuadran 4 : Menggambarkan situasi yang tidak menguntungkan, dimana

perusahaan menghadapi berbagai ancaman dan kelemahan internal.

2.12 Pengertian Analisis Critical Success Factor (CSF)

Menurut Laudon (2004, p380), Critical Success Factor (CSF) adalah

sejumlah kecil tujuan operasional yang dapat diidentifikasi, dibentuk oleh

industri, perusahaan, manajer, dan lingkungan lebih luas yang dipercaya untuk

memastikan sukses tidaknya sebuah organisasi. Digunakan untuk menentukan

kebutuhan informasi dari sebuah organisasi.

Menurut McLeod (2001, p109), Critical Success Factor (CSF) adalah

satu dari aktifitas dari perusahaan yang mempunyai pengaruh kuat terhadap

kemampuan perusahaan untuk memenuhi tujuannya. Sebuah perusahaan

umumnya mempunyai banyak CSF. Kekuatan dari metode CSF adalah bahwa

CSF menghasilkan kumpulan data yang lebih kecil untuk dianalisis daripada

analisis perusahaan (enterprise analysis) secara keseluruhan. Hanya manajer

tingkat atas yang diwawancarai dan pertanyaan berfokus pada sejumlah kecil

CSF daripada pertanyaan yang luas sehingga dapat memuat informasi apa yang

dibutuhkan. Ini khususnya untuk manajer tingkat atas dan membantu di dalam

membangun DSS dan EIS.

31

2.13 Nine Step Methodology

Nine step methodology merupakan salah satu metode merancang data

warehouse. Metode ini dikembangkan oleh Kimball. Tahapan-tahapan dalam

nine step methodology adalah :

1. Choosing the process

Menentukan proses berarti menentukan subyek utama. Subyek

utama merujuk pada suatu kegiatan bisnis perusahaan yang terpenting.

2. Choosing the grain

Menentukan grain maksudnya menentukan apa yang

direpresentasikan oleh suatu tabel fakta. Setelah menentukan grain dari

tabel fakta maka untuk selanjutnya dapat ditentukan tabel-tabel dimensi

yang berhubungan dengan tabel fakta tersebut. Penentuan grain dari

setiap tabel dimensi.

3. Identifying and conforming the dimensions

Tahap selanjutnya adalah mengidentifikasi dan menghubungkan

dimensi tersebut dengan tabel fakta. Dimensi merupakan kumpulan sudut

pandang mengenai suatu fakta yang terdapat pada tabel fakta.

4. Choosing the facts

Grain dari suatu tabel fakta menentukan fakta-fakta yang bisa

ditampilkan. Pada tahap ini, hal yang dilakukan adalah menentukan

measure (ukuran) yang dibutuhkan pada tabel fakta.

5. Storing pre-calculations in the fact table

Umumnya hasil perhitungan dari atribut di database tidak

disimpan pada suatu atribut khusus pada database tersebut, namun pada

32

tahap ini, perlu dipertimbangkan kembali penyimpanan hasil perhitungan

pada suatu atribut tersendiri di database dengan alasan mengurangi resiko

kesalahan pada program setiap kali melakukan perhitungan pada atribut –

atribut tersebut.

6. Rounding the dimension tables

Dari dimensi – dimensi yang telah diidentifikasi, pada tahap ini

dibuat deskripsi dari tabel – tabel dimensi yang memuat informasi

terstruktur mengenai atribut – atribut pada tabel dimensi.

7. Choosing the duration of database

Pada tahap ini ditentukan durasi atau periode waktu dari data-data

yang akan dimasukkan ke dalam data warehouse.

8. Tracking slowly changing dimensions

Dimensi dapat berubah, untuk mengantisipasinya ada tiga cara

untuk mengubah data di dimensi, yaitu :

• Menulis ulang atribut yang berubah

• Membuat record baru pada dimensi

• Membuat suatu atribut alternatif untuk menampung nilai yang baru,

sehingga nilai lama dan nilai baru dari atribut tersebut bisa diakses

secara bersamaan.

9. Deciding the query priorities and the query models

Pada tahap terakhir ini, pertimbangan yang dilakukan lebih berupa

perancangan fisik dari data warehouse

33

2.14 Pengertian Penjualan

Menurut Romney dan Steinbart (2003,p157) penjualan merupakan suatu

set rekursif dari kegiatan bisnis dan operasi pemrosesan informasi terkait yang

dihubungkan dengan penyediaan barang dan pelayanan pelanggan serta

penerimaan pembayaran dari penjualan tersebut.

Menurut Mulyadi (1997,p204) kegiatan penjualan terdiri dari transaksi

penjualan barang atau jasa, baik secara kredit maupun tunai. Penjualan adalah

suatu proses penting dalam melaksanakan tujuan dari perusahaan yaitu untuk

memperoleh keuntungan semaksimal mungkin.

Ditinjau dari cara pembayarannya, penjualan dibagi menjadi dua macam,

yaitu :

1. Penjualan Tunai

Penjualan tunai dilakukan oleh perusahaan yang bersangkutan

dengan cara mewajibkan pembeli melakukan pembayaran harga barang

terlebih dahulu sebelum barang diserahkan kepada pembeli.

Menurut Mulyadi (1997,p474) pembeli diwajibkan untuk

melakukan pembayaran harga barang terlebih dahulu sebelum barang

tersebut dikerahkan oleh perusahaan. Barang kemudian diserahkan kepada

pembeli dan transaksi penjualan tunai dicatat oleh perusahaan. Penjualan

tunai dilakukan oleh perusahaan yang bersangkutan dengan cara

mewajibkan pembeli melakukan pembayaran harga barang terlebih dahulu

sebelum barang tersebut diserahkan kepada pembeli.

34

2. Penjualan Kredit

Penjualan kredit adalah penjualan yang pembayarannya dilakukan

beberapa waktu kemudian setelah menerima barang yang dipesannya.

Pembayaran biasanya dilakukan dalam jangka waktu yang telah disepakati

oleh kedua belah pihak.

Menurut Mulyadi (2001,p202) penjualan kredit dilaksanakan oleh

perusahaan dengan cara mengirimkan barang sesuai dengan pesanan yang

diterima oleh pembeli dan untuk jangka waktu tertentu perusahaan

mempunyai tagihan kepada pembeli tersebut.

Menurut Mulyadi (2001,p204-205) fungsi-fungsi yang terkait dalam

sistem penjualan kredit adalah sebagai berikut :

a. Fungsi Penjualan

Fungsi ini bertanggung jawab untuk menerima surat order

dari pembeli, mengedit order dari pelanggan untuk menambahkan

informasi yang belum ada pada surat order tersebut, meminta

otorisasi kredit, menentukan tanggal pengiriman dan dari gudang

mana barang akan dikirim dan mengisi surat order pengiriman.

Fungsi ini juga bertanggung jawab untuk memenuhi order pada saat

diketahui tidak tersedianya persediaan untuk memenuhi order dari

pelanggan.

b. Fungsi Kredit

Fungsi ini bertanggung jawab untuk meneliti status kredit

pelanggan dan pembelian kredit kepada pelanggan.

35

c. Fungsi Gudang

Fungsi ini bertanggung jawab untuk menyimpan barang dan

menyiapkan barang yang dipesan untuk pelanggan serta menyerahkan

barang ke fungsi pengiriman.

d. Fungsi Pengiriman

Fungsi ini bertanggung jawab untuk menyerahkan barang atas

dasar surat order pengiriman yang diterimanya dari fungsi penjualan

dan menjamin bahwa tidak ada barang yang keluar dari perusahaan

tanpa ada otorisasi dari yang berwenang.

e. Fungsi Penagihan

Fungsi ini bertanggung jawab untuk membuat dan

mengirimkan faktur penjualan kepada pelanggan serta menyediakan

salinan faktur bagi kepentingan pencatatan transaksi penjualan oleh

fungsi akuntansi.

f. Fungsi Akuntansi

Fungsi ini bertanggung jawab untuk mencatat piutang yang

timbul dari transaksi penjualan kredit dan membuat laporan penjualan

serta mencatat harga pokok persediaan yang dijual kedalam kartu

persediaan.

Adapun tujuan dilakukannya penjualan adalah :

a. Untuk mencapai volume penjualan maksimal.

b. Untuk mencapai laba maksimal.

c. Untuk mendukung pertumbuhan perusahaan.

36

Agar tujuan diatas dapat terwujud maka perlu adanya kerja

sama antara bagian-bagian yang terkait.

2.15 Pengertian Retur Penjualan

Menurut Mulyadi (2001, p226) transaksi retur penjualan terjadi jika

perusahaan menerima pengembalian barang dari pelanggan. Pengembalian

barang dari pelanggan harus diotorisasi oleh fungsi penjualan dan diterima oleh

fungsi penerimaan.