Data Warehouse , Mart, dan Minning pada Perusahaan

PENDAHULUAN

Pada lingkungan bisnis global yang berkembang pesat dewasa ini, banyak  perusahaan yang menyadari bahwa informasi yang tepat dan berguna dapat menjadi kunci untuk meraih sukses dalam kompetisi dunia bisnis. Untuk dapat menghadapi  persaingan bisnis global, perusahaan harus dapat dengan cepat menggunakan data yang ada, baik historis maupun geografis. Oleh karena itulah saat ini telah  berkembang konsep baru dan toolsyang penting yang dapat memberikan solusi terhadap kebutuhan penyediaan data dan informasi bagi eksekutif dalam perusahaan. Maka berbagai macam teknologi baru mulai berkembang saat ini diantaranya yaitu data Warehouse, data Mart, dan data Minning

Data Warehouse dapat membantu eksekutif dalam mengambil keputusan secara cermat, cepat, dan akurat. Selain itu, data warehouse menyediakan tampilan yang user friendly kepada penggunanya. Sedangkan Data Mart merupakan bagian dari data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. Data mart sering digunakan untuk memberikan informasi kepada segmen fungsional organisasi. Lalu data Minning dapat bermanfaat untuk mengindentifikasi karateristik umum pelanggan, menganalisis produk yang dijual bersamaan, menganalisis kecenderungan konsumen dari waktu yang berbeda, dan juga untuk membuat prediksi dan deskripsi perusahaan kedepannya. Yang biasanya dibagi menjadi 3 Minning tools yaitu Query-Reporting Tools, Intelegent Agent, dan Analisis Multidimensional.

Maka dibawah ini kami akan memaparkan contoh perusahaan yang menggunakan ketiga teknologi tersebut.

1.       Penggunaan Data Warehouse pada PT. SEMEN PADANG

Untuk membangun data warehose analisis kinerja penjualan maka dibutuhkan seperangkat komputer yang dilengkapi dengan softwer berupa Windows XP sebagai sistem operasi dan Microsoft SQL 2008 R2 sebagai aplikasi untuk membangun data warehouse itu sendiri.

Gambar Arsitektur Sytem Pricess Data Warehouse Penjualan Pada PT. Semen Padang

1)   Arsitektur data warehouse penjualan di PT. Semen Padang dimulai dengan mengumpulkan data yang berkaitan dengan penjualan yang bersumber dari berbagai database seperti database penjualan, promosi, customer, dan produksi

2)   Setelah data dari berbagai database dikumpulkan, terhadap data tersebut dilakukan ekstraksi sesuai dengan kebutuhan data warehouse yang akan dibangun. Seperti dari database penjualan, data yang dibutuhkan adalah data penjualan dari tahun 2010-2011, data wilayah penjualan, data tipe pembayaran dan jenis penjualan

3)   Dari data yang sudah diekstraksi dilakukan proses transformasi data. Pada proses transformasi dilakukan proses seperti merapikan data yang tidak konsisten seperti pemberian kode customer, memperbaiki penamaan pada field, dan lain-lain.

4)   Proses selanjutnya adalah data loading ke dalam gudang data yang sudah dibangun dengan menggunakan script yang ada di SQL. Sehingga terbentuklah sebuah data warehouse yang siap digunakan untuk menghasilkan informasi. Tampilan User Interface dapat dilihat pada Gambar 2

5)   Dengan teknologi OLAP (OnLine Analytical Processing), dihasilkan beberapa view yang disesuaikan dengan kebutuhan user diantaranya analisis penjualan berdasarkan jenis semen tiap tahun, analisis penjualan berdasarkan wilayah penjualan tiap tahun, analisis penjualan berdasarkan plant pengantongan semen tiap tahun, analisis penjualan berdasarkan customer tiap tahun, analisis penjualan berdasarkan bulan penjualan, dan analisis penjualan berdasarkan tahun penjualan. Desain OLAP dapat dilihat pada Gambar 3

Gambar 2. User Interface untuk Proses Data Loading

Sales Date ( From)	Sales Month ( Form)	Sales Year (Form)
Sales Date	Sales Month (To)	Sales Year (To)
Material_Description	DO_Quantity_TON	Price
Grand Total

Gambar 3 Desain OLAP Penjualan Berdasarkan Jenis Semen 2.

2.  Data Mart Penjualan Hypermarket

Berikut ini skema database yang digambarkan oleh ERD (entity relationship diagram) dimana terdapat 9 entitas yang mewakili 9 tabel yang saling berelasi.

Gambar 1 Skema Database Penjualan konseptual pada Hypermarket XYZ

PERANCANGAN DATA MART

1. Classify Entities

Mengelompokkan entitas kedalam 3 kategori, yaitu sebagai berikut:

·      Trans action Entities : Entitas Transaksi dan entitas ItemTransaksi

·      Component Entities : Entitas Kasir, entitas MasterBarang dan entitas Barcode

·      Class ification Entities : entitas Sub Master Barang,entitas DepHead, entitas DivisiManager dan entitas Kategori

2. Identify Hierarchy

·         Hirarki dengan entitas DivisiManager di bagian atas dan entitas Master Barang di bagian bawah.

·         Hirarki dengan entitas Kasir di bagian atas dan entitas ItemTransaksi di bagian bawah.

3. Model dimensional

Collapse hierarchy yaitu peleburan entitas level tertinggi ke entitas dengan level

yang lebih rendah dalam hirarki. Sebagai contoh entitas DivisiManager dilebur atau

digabungkan ke dalam entitas DepHead maka Entitas Dephead akan berisi atribut asli

ditambah dengan antribut yang berasal dari tabel yang digabung. Peleburan ini

berlangsung hingga entitas terbawah dalam suatu hirarki, dan menyisakan satu entitas

yang kemudian akan menjadi tabel dimesi. Agregation diterapkan pada sebuah transaction entity untuk menciptakan sebuah entitas yang baru yang berisi data yang diringkas

Dalam implementasi dari perancangan data warehouse ini, maka data-data yang telah diolah ditampilkan dalam bentuk diagram dan tabel berdasarkan dari kebutuhan user. Beberapa implementasinya adalah sebagai berikut:

  *Data omset penjualan keseluruhan          *Data penjualan tahun 2011 dari seluruh divisi

          

*Data Penjualan divisi tertentu            

      

 

*Data rata-rata penjualan semua divisi

    

       

3.   Penerapan Data Mining pada PT. Dirgantara Indonesia Bandung menggunakan metode Clustering

K-Means   Clustering merupakan   metode untuk mengklasifikasikan atau mengelompokan objek-objek (data) kedalam    K-group    (cluster)    berdasarkan atribut     tertentu.     Pengelompokan     data dilakukan   untuk   memperhitungkan   jarak terdekat  antara  data-data(objek  observasi) dengan   pusat   cluster(centroid).   Prinsip utama  dari  metode  ini  adalah  menyusun  K buah  centroid  atau  rata-rata  (mean)  dari sekumpulan   data   berdimensi   N,   dimana metode   ini   mensyaratkan   nilai   K   sudah diketahui  sebelumnya  (apriori).  Algoritma K-Means    dimulai    dengan    pembentukan prototype  cluster  diawal  kemudian  secara iteratif  prototipe  cluster  tersebut  diperbaiki sehingga  tercapai  kondisi  konvergen,  yaitu kondisi   dimana   tidak   terjadi   perubahan yang  signifikan  terhadap  prototipe  cluster. Perubahan  ini  diukur  dengan  menggunakan fungsi objektif D yang umumnya didefinisikan   sebagai   jumlah   atau   rata-rata jarak  tiap  item  data dengan  centroid groupnya.

a. Implementasi Antar Muka Pengguna (User Interface) awal

    

   c. Proses analisa clustering

 

e. form history dan laporan akhir

4.  Penerapan Minning tools diperusahaan

a. Analisis multidimensional perusahaan industri manufaktur kopi

analisis multidimensional scalling ini bertujuan untuk mentransformasikan bagaimana penilaian yang diberika para konsumen terhadap kemiripan atau preferensi terhadap sesuatu misalnya penilaian kemiripan terhadap beberapa toko atau merek barang. Jika konsumen menilai ada kemiripan diantara objek tersebut, maka akan terlihat dalam jarak diantara keduanya pada skala multidimensi. Apabila objek A dan B, misalnya dinilai mirip oleh konsumen, maka MDS akan memetakan posisi objek A dan B pada posisi yang lebih dekat dibanding yang lainnya.

-         Isikan kuisioner survei

-         Klik Analyze, Scale lalu pilih Multidimensional Scalling (ALSCAL). Berikut gambarannya:

-         Masukkan seluruh variabel mulai dari Tos_Kopi sampai dengan Wajibstat_Kopi ke dalam bagian Variables. Nah, pada Shape pilih Rectangular untuk menggambarkan pemetaan (mapping) jarak Euclidean pada output. Berikut gambarannya:

-         Selanjutnya klik pada Model dan pada Level of Measurement pilih skala data yang dipakai, dalam hal ini kita pilih Rasio.. Lalu pada scalling model silahkan centang pada Euclidean Distance. Untuk Conditionality kita pilih Row karena kita hanya akan membandingkan produk kopi berdasarkan kriterianya yang sudah di set per baris (row 1=Kekentalan, row 2=Rasa, row 3=Aroma, row 4=Warna, row 5=Harga, row 6=Manfaat dan row 7=Kemasan). Berikut gambarannya:

-         Selanjutnya klik lagi Options dan pada bagian Display lalu centang Group Plots seperti ini:

b.  Intelegent Agent (Robot Koki)

Koki Cerdas merupakan contoh teknologi Intelegent Agent (Kecerdasan Buatan). Robot yang dapat memasak makanan secara otomatis. Cara kerja alat ini adalah manusia dapat memilih menu serta porsi makanan yang disediakan robot tersebut, kemudian memasukkan bahan – bahan yang diperlukan. Koki cerdas ini merupakan tipe agen Goal – based agent  karena didesain untuk bekerja sesuai target yang telah ditentukan sebelumnya, yaitu memasak makanan. Selain itu, karena agen tersebut akan belajar dari informasi baru apabila terdapat menu masakan baru yang akan dimasukkan. Agen akan mempelajari informasi baru tersebut hingga kemudian dapat dijalankan olehnya.

Impikasi :

a.      Perfomance Measure

Perfomance Measure atau tujuan dari alat ini adalah:

·      Mengenali peralatan dan bahan –bahan sesuai  menu                

·      Memasak makanan sesuai menu dengan benar.

·      Dapat memberikan peringatan ketika terdapat kesalahan pada peralatan atau bahan-bahan

·      Meminimalkan waktu dan tenaga user.

b.      Environment (Lingkungan)

Lingkungan dari agent ini adalah: Peralatan masak, dan bahan-bahan untuk memasak

c.       Actuators

Actuators merupakan aktivitas yang dilakukan oleh agen tersebut. Actuators dari koki cerdas ini adalah:

·      Mengambil peralatan dan bahan-bahan untuk memasak

·      Membersihkan bahan-bahan sebelum digunakan

·      Memasak makanan sesuai menu yang dipilih

·      Menyajikan makanan yang telah jadi.

d.      Sensor

·      Sensor bentuk : untuk mengenali peralatan serta bahan-bahan apa saja yang digunakan untuk memasak.

·      Sensor letak :agar dapat meletakkan peralatan serta bahan-bahan untuk memasak dengan benar dan juga menyajikan hasilnya pada tempat yang benar.