JURNAL SAINTESA

(Ju rn a l Il mia h S a in s, Te kn o lo g i d a n Re ka ya sa )
Volume 2 Edisi 1 | Februari , 2022 | ISSN 2808-6147

Implementasi Datawarehouse Dalam Menentukan Tabel Fakta Melalui Proses ETL

Di Alwy Minimart
Luthfi Hilmansyah1, Siti Maesaroh2
1,2
Teknik Informatika, Sekolah Tinggi Teknologi YBS Internasional
1
awesomeluthfi@gmail.com, 2sitimaesaroh40@gmail.com

Abstract
In the current information era, data growth occurs very quickly, so data processing is needed that is able to analyze historical
data from various aspects. Datawarehouse is one solution that can solve this problem. Datawarehouse is a relational database
designed for query and analysis purposes. The datawarehouse contains historical data from transaction data sources, and
various other data sources. Datawarehouse can provide dynamic reports because they can be viewed from various dimensions
and have the ability to be detailed in more detail according to user needs. However, in the modeling process, it still requires a
more specific study in accordance with the problems being handled. Especially related to the specification of the data subject
for the management needs of a system which is the basis for decision making, because in each data dimension it is possible to
solve in more detail. Based on these problems, this study proposes a data dimension model design to automate business
information in the datawarehouse so that it can be used to support business decision-making processes accurately. The
approach used is to apply the Star Schema model to quickly provide answers to requests for dimensional analysis processes
based on Online Analytical Processing (OLAP). The results of the research are useful for the process of developing more
complex facts based on data needs, as well as the dimensions of the data that have been made into a datamart, which can be
used in the future.
Keywords: Datawarehouse, Database, Query, Data Dimension, Star Schema, Online Analytical Processing (OLAP),
Datamart

Abstrak
Pada era informasi sekarang, pertumbuhan data terjadi sangat cepat, sehingga diperlukan pengolahan data yang mampu
menganalisa data histori dari berbagai aspek. Datawarehouse salah satu solusi yang bisa mengatasi persoalan tersebut.
Datawarehouse merupakan database relasional yang dirancang untuk keperluan query dan analisis. Datawarehouse berisikan
data historis yang berasal dari sumber data transaksi, dan berbagai sumber data lainnya. Datawarehouse dapat memberikan
laporan bersifat dinamis karena dapat dilihat dari berbagai dimensi dan memiliki kemampuan untuk diperinci lebih detail sesuai
kebutuhan pengguna. Namun di dalam proses pemodelannya, masih memerlukan kajian yang lebih spesifik sesuai dengan
persoalan yang ditangani. Terutama terkait dengan spesifikasi subjek data untuk kebutuhan pengelolaan suatu sistem yang
menjadi dasar dalam pengambilan keputusan, karena pada setiap dimensi data dimungkinkan untuk dilakukan pemecahan lebih
detail lagi. Berdasarkan persoalan tersebut, penelitian ini mengusulkan rancangan model dimensi data untuk mengotomatisasi
informasi bisnis pada datawarehouse sehingga dapat digunakan untuk mendukung proses pengambilan keputusan bisnis secara
akurat. Pendekatan yang digunakan menerapkan model Star Schema untuk menyajikan jawaban permintaan proses analisis
yang bersifat dimensional secara cepat berdasarkan Online Analytical Processing (OLAP). Hasil penelitian bermanfaat untuk
proses pengembangan fakta yang lebih kompleks berdasarkan kebutuhan data, serta dimensi data yang telah dibuat menjadi
suatu datamart, yang dapat dimanfaatkan dikemudian hari.
Kata kunci: Datawarehouse, Database, Query, Data Dimension, Star Schema, Online Analytical Processing (OLAP),
Datamart

1. Pendahuluan berdekatan menjadi persaingan yang kuat antar

Minimarket kini menghadapi dinamika serta minimarket. Selain itu, keuntungan yang
daya saing mencari pasar yang lebih baik. didapat dari retail market sekitar 7% hingga
Perkembangan dari pada minimarket 15% dari omzet [1]. Deskripsi fakta tersebut
dikarenakan oleh berbagai faktor. Faktor memiliki konsekuensi terhadap pertumbuhan
bertambahnya penduduk berpotensi baik informasi yang sangat besar, sehingga
kepada minimarket. Pendapatan perkapita dibutuhkan suatu sistem yang dapat mengelola
menawarkan efek pada daya beli masyarakat. data secara menyeluruh. Selain itu, diperlukan
Faktor lain semacam kebiasaan masyarakat juga suatu penyimpanan atau gudang data
perkotaan yang mengharapkan kenyamanan, sebagai salahsatu wadah pemodelan data yang
kebersihan, variasi produk, serta lokasi yang dapat menghasilkan suatu informasi yang
dekat dengan daerah tinggal. Lokasi gerai yang bermanfaat untuk kebutuhan eksekutif.

Diterima Redaksi: 15-01-2022 | Selesai Revisi: 02-02-2022 | Diterbitkan Online: 24-02-2022

1
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

OLAP merupakan suatu metode pendekatan informasi bisa menjadi lebih banyak dan detail
untuk menyajikan jawaban dari permintaan [5].
proses analisis yang bersifat dimensional secara Berdasarkan permasalahan tersebut, pembuatan
cepat, yaitu desain dari aplikasi dan teknologi datawarehouse untuk kebutuhan proses
yang dapat mengoleksi, menyimpan, transaksi merupakan salah satu bentuk
memanipulasi suatu data multidimensi untuk pemecahan masalah yang muncul.
tujuan analisis [2]. Datawarehouse ini menyediakan sudut pandang
OLAP digunakan untuk keperluan analisis data dari berbagai perspektif analisis bisnis dan
oleh manajer, eksekutif bisnis dan analis pembuatan keputusan sehingga dibutuhkan
pemasaran. Datawarehouse dan OLAP telah untuk pemrosesan transaksi dan pemecahan
muncul sebagai teknologi yang terkemuka yang masalah laporan penjualan yang lebih efektif.
dapat memfasilitasi penyimpanan data, Dalam penelitian ini, fokus yang menjadi kajian
pengaturan dan pencarian data. Teknologi utama adalah bagaimana mengembangkan
OLAP memungkinkan datawarehouse untuk suatu desain datawarehouse dengan
digunakan secara efektif untuk kepentingan menerapkan metode OLAP.
analisis online, menyediakan respon cepat 2. Kajian pustaka
terhadap iterative complex analytical queries. 2.1 Teori Terkait
Mutidimensional data model OLAP dan teknik Datawarehouse
data aggregation mengatur dan Datawarehouse adalah database relasional
menyederhanakan data dalam jumlah yang yang didesain untuk keperluan query serta
besar sehingga dapat dievaluasi secara cepat analisis. Datawarehouse berisikan data historis
menggunakan online analysis dan graphical yang bersumber dari sumber data transaksi,
tools. tetapi juga bersumber dari beberapa sumber data
Datawarehouse merupakan suatu sistem yang lainnya. Datawarehouse memisahkan beban
mengambil serta mengkonsolidasikan data kerja analisis dari transaksi dan memungkinkan
dengan cara periodik dari suatu sumber data ke perusahaan untuk menggabungkan data dari
suatu kawasan penyimpanan data yang bersifat beberapa sumber [6].
dimensional maupun relasional. Suatu Karakteriksik Datawarehouse
datawarehouse merupakan suatu koleksi data Menurut Bapak Datawarehouse W. H. Inmon
yang bisa digunakan untuk menunjang karakteristik datawarehouse adalah sebagai
pengambilan keputusan manajemen, yang berikut:
berorientasi subjek (topik), terpadu, time a) Subject-oriented
variant, dan tidak mudah berubah [3]. Datawarehouse diorganisasikan subjek
Pemodelan datawarehouse yang paling umum utama perusahaan (seperti pelanggan,
adalah model dimensi data, yang dilakukan produk, dan penjualan) daripada area
dengan berbagai macam model. Salah satunya utama aplikasi (seperti pelanggan, faktur,
adalah model Star Schema, model ini digunakan pengendalian stok, dan penjualan
oleh Amborowati (2009) dalam penelitianya produk).
yang merekomendasikan perlunya b) Integrated
pengembangan subjek data agar lebih sesuai Karena sumber data datang secara
dengan kebutuhan pengelolaan suatu sistem [4]. bersamaan dari berbagai enterprise-wide
Dimensi data inilah yang menjadi subjek application system.
informasi untuk menjadi bahan dalam c) Time variant
pengambilan keputusan, karena pada setiap Karena data dalam warehouse hanya
dimensi data dimungkinkan untuk dilakukan akurat dan berlaku di beberapa titik di
pemecahan lebih detail lagi. Dengan demikian suatu waktu atau selama beberapa
sumber data yang bisa diolah untuk menjadi interval waktu.
d) Non-volatile
2
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

Data tidak di perbarui secara real time Dari dimensi-dimensi yang telah diidentifikasi,
tapi memperbarui dari operasional sistem dibuat deskripsi yang memuat informasi
secara teratur. Data baru selalu terstruktur mengenai atribut-atribut pada tabel
ditambahkan sebagai suplemen ke dimensi. Tabel dimensi tersebut harus diberi
database, database terus menyerap data keterangan secara lengkap dan mudah dipahami
baru secara bertahap dengan oleh pengguna.
mengintegrasikan data sebelumnya. g) Choose the Durations of the Database
Arsitektur Datawarehouse Durasi waktu dari data-data yang akan
dimasukkan ke dalam datawarehouse akan
ditentukan pada tahap ini.
h) Determine the Need to Track Slowly
Changing Dimension
Dimensi dapat berubah dengan lambat dan
menjadi sebuah masalah.
i) Decide Physical Design
Pada tahap ini, dilakukan perancangan
fisik dari datawarehouse.
Online Analitycal Processing (OLAP)
Datawarehouse dan OLAP telah muncul
Gambar 1. Arsitektur Datawarehouse sebagai teknologi yang terkemuka yang dapat
Menurut Connoly & Begg memfasilitasi penyimpanan data, pengaturan
dalam membangun sebuah datawarehouse dan pencarian data. Teknologi OLAP
menurut Girsang (2017) yang dikutip dari Ralph memungkinkan datawarehouse untuk
Kimball, dikenal dengan nine-step design digunakan secara efektif untuk kepentingan
methodology, jika langkah-langkah dalam nine- analisis online, menyediakan respon cepat
step design methodology dilakukan secara terhadap iterative complex analytical queries.
sistematis, maka dapat membangun sebuah Mutidimensional data model OLAP dan teknik
datawarehouse yang baik. data aggregation mengatur dan
a) Choose the Process menyederhanakan data dalam jumlah yang
Memilih proses berarti menentukan subjek besar sehingga dapaat dievaluasi secara cepat
utama. menggunakan online analysis dan graphical
b) Choose the Grain tools. OLAP merupakan suatu alat yang
Memilih grain berarti menentukan apa disediakan oleh datawarehouse untuk
yang akan diwakili atau dipresentasikan oleh kepentingan pengambilan keputusan yang
sebuah tabel fakta. intensif dimana data disimpan kedalam model
c) Identify and Conform the Dimensions multidimensional. OLAP biasanya digunakan
Mengidentifikasi dan menghubungkan untuk mendeskripsikan analisis dari informasi
tabel dimensi dengan tabel fakta. kompleks datawarehouse [7].
d) Choose the Facts Extract, Transform dan Load (ETL)
Grain dari suatu tabel fakta menentukan a) Extract
fakta-fakta yang bisa digunakan. Ekstrak merupakan proses pemilahan dan
e) Store pre-Calculations in the Fact pengambilan data dari satu atau lebih
Table sumber data. Pada proses ekstak,
Pada tahap ini, hasil perhitungan pada pertama-tama data diambil dari database
suatu atribut perlu dipertimbangkan untuk operasional. Proses ekstraksi informasi
disimpan dalam database. dari sumber asli dan dipindahkan ke
f) Round Out the Dimension Tables dalam datawarehouse merupakan hal
yang sangat penting. Hal ini disebabkan

3
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

sejumlah besar volume data akan pandang. Multidimensional data model

dipindahkan dari sistem sumber (legacy) mengorganisir dan meringkas data yang
ke dalam datawarehouse dengan berjumlah banyak agar data dapat dievaluasi
ekstraksi data dilakukan secara otomatis. secara cepat menggunakan analisis online dan
Hanya item yang dibutuhkan yang graphical tools.
dipindahkan ke dalam datawarehouse. a) Tabel Dimensi
Informasi yang masuk ke dalam Dimensi berisikan referensi informasi
datawarehouse dapat datang dari internal mengenai fakta seperti tanggal, produk
sistem (legacy system) maupun dari atau pelanggan. Tabel dimensi berisi
eksternal organisasi [8]. informasi tekstual deskriptif dan dimensi
b) Transform atribut digunakan sebagai batasan dalam
Transformasi adalah serangkaian aturan query datawarehouse. Terlebih lagi,
atau fungsi untuk extract data, yang mana tabel dimensi adalah tabel yang
menentukan bagaimana data akan diperlukan untuk melengkapi tabel fakta.
digunakan untuk analisis dan dapat Tabel dimensi berisi konteks tekstual
melibatkan data transformasi seperti data yang terkait dengan bisnis proses.
pengkodean data, penggabungan data, b) Tabel Fakta
pemisahan data, perhitungan data, dan Tabel fakta adalah tabel besar didalam
pembuatan Surrogate Key. Output dari susunan datawarehouse yang
transformasi adalah data yang bersih dan menyimpan pengukuran bisnis. Tabel
konsisten dengan data yang sudah di Fakta mereprentasikan data, biasanya
warehouse dan selanjutnya adalah dalam dalam bentuk angka dan data tambahan,
bentuk yang siap untuk dianalisis oleh yang dapat dianalisa dan diperiksa.
pengguna warehouse [9]. Contohnya termasuk penjualan, biaya
c) Loading dan, keuntungan.
Fase load merupakan tahapan yang c) Surrogate Key
berfungsi untuk memasukkan data ke Surrogate key merupakan kunci primer
dalam target akhir, yang biasanya ke yang bersifat unik untuk
dalam suatu datawarehouse. Jangka mengidentifikasi setiap record yang
waktu proses ini tergantung pada disebut dengan kunci dimensi surrogate.
kebutuhan organisasi. Beberapa Kunci ini merupakan sebuah identifier
datawarehouse dapat setiap minggu yang dibangkitkan oleh sistem database
mengisi keseluruhan informasi yang ada ataupun oleh aplikasi proses ETL.
secara kumulatif, data diubah, sementara Terlebih lagi surrogate key menghindari
datawarehouse yang lain (atau bagian datawarehouse dari adanya perubahan
lain dari datawarehouse yang sama) data oleh user.
dapat menambahkan data baru dalam d) Star Schema
suatu bentuk yang historikal, contohnya Star schema merupakan dimensional data
setiap jam [10]. model yang memiliki tabel fakta
Multidimensional Data Model ditengahnya dan dikelilingi oleh tabel
Multidimensional data model merupakan teknik dimensi yang di denormalisasi. Star
desain logis yang bertujuan untuk menyajikan schema ditandai oleh satu atau lebih tabel
data secara standar, merupakan bentuk intuitif fakta yang sangat besar yang berisikan
yang memungkinkan adanya akses performa informasi mutlak pada datawarehouse
yang tinggi. Multidimensional data model juga serta sejumlah tabel dimensi yang lebih
diketahui sebagai data cube yang mana kecil, yang masing-masing berisikan
memungkinkan data untuk dimodelkan dan informasi tentang entri untuk atribut
dilihat dari berbagai dimensi atau sudut tertentu pada tabel fakta.

4
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

Pentaho Data Integration (PDI) 3.1.1 Lingkungan

Pentaho adalah kumpulan aplikasi business a) Kesulitan analisis data secara
intelligence yang bersifat free open source keseluruhan
software (FOSS) dan berjalan diatas platform Proses ini merupakan permasalahan
java. Selain sifatnya gratis dalam bentuk lisensi, utama dibuatnya penelitian mengenai
pentaho juga dapat dibeli dalam bentuk service desain datawarehouse, karena aplikasi
level agreement (SLA) dan dipaketkan dalam yang sedang berjalan digunakan di tiap
versi enterprise edition yang sifatnya annual cabang bisnis memiliki sistem penjualan
subscription atau perlu langganan. dan database yang terpisah. Adanya
Pentaho Data Integration atau Kettle adalah datawarehouse memudahkan dalam
tools yang memiliki kemampuan extract, melakukan proses analisis data untuk
transform, dan load (ETL) pada multi platform penentuan keputusan.
database. Script dari desain dapat disimpan b) Kesulitan menentukan keputusan strategi
dalam bentuk file ataupun repository. Selain itu, bisnis
pada tools ini terdapat cukup banyak ‘steps’ Proses bisnis yang terjadi adalah bisnis
untuk mengatur workflow control (JOB), dan dengan memiliki beberapa cabang, hal ini
data workflow (Transformation). mengharuskan pemilik bisnis dapat
2.2 Pekerjaan Terkait melakukan analisis terhadap proses
Pada salah satu penelitian terkait dan yang penjualan secara keseluruhan, yang
hampir mirip dengan penelitian yang sedang kemudian menjadi permasalahan ketika
dilakukan, yaitu penelitian dengan judul pimpinan/manajer perusahaan ingin
Perancangan Datawarehouse pada Perpustakaan menentukan strategi penjualan atau
Yayasan Lentera Insan, membahas masalah data pengambilan keputusan strategis.
perlu diolah terlebih dahulu menjadi sebuah 3.1.2 Proses
informasi. Proses pengolahan data dapat a) Pengumpulan database
dilakukan diberbagai tempat, misalkan di Proses pengumpulan database ini adalah
database operasional, aplikasi operasional, suatu proses penarikan database dari
maupun teknologi datawarehouse. Dengan seluruh cabang usaha sebagai tahap awal
metode yang digunakan adalah metode dalam menentukan skema datawarehouse
grounded (grounded research) yaitu suatu yang akan dibuat. Pengumpulan database
metode penelitian berdasarkan pada fakta dan ini dilakukan karena tidak saling
menggunakan analisis perbandingan dengan terhubungnya sistem yang digunakan di
tujuan mengadakan generalisasi empiris, masing-masing cabang.
menetapkan konsep, membuktikan teori, b) Pemodelan datawarehouse
mengembangkan teori, pengumpulan dan Proses pemodelan datawarehouse adalah
analisis data dalam waktu yang bersamaan. langkah awal membuat skema
3. Metode Penelitian pembuatan dimensi database baru dengan
3.1 Fishbone Diagram menggunakan star schema sebagaimana pada
Bentuk Fishbone Diagram dari penelitian ini bab sebelumnya telah di bahas.
dikembangkan untuk membuat rancangan 3.1.3 Metode
model dimensi data.. a) Penerapan OLAP
OLAP dibangun dengan tujuan agar
pengguna dapat melakukan analisis
multidimensi sehingga menghasilkan
informasi yang diperlukan.
b) Proses ETL
Proses pemodelan data ini bertujuan
Gambar 2 Fishbone Diagram adalah langkah untuk membuat skema

5
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

dimensi data sehingga menghasilkan permasalahan yang dialami, khususnya

database baru dengan berbagai dimensi terkait perancangan datawarehouse.
data baru yang dapat dijadikan sebagai b) Analisis Kebutuhan
olah data dalam pengambilan keputusan. Tahap ini juga dilakukan melalui
3.1.4 Hasil wawancara untuk identifikasi kebutuhan
a) Dimensi data agar mampu memberikan solusi terhadap
Dimensi data ini dihasilkan dari proses permasalahan serta melakukan
ETL yang menghasilkan skema database. identifikasi terhadap kebutuhan
b) Database baru perancangan datawarehouse.
Database baru ini yang dapat digunakan c) Analisis Data
ke tahap visualisasi untuk penentuan Sebelum melakukan analisis data,
keputusan dengan memanfaatkan dimensi dilakukan pengambilan sampel data
data. omzet penjualan. Data tersebut kemudian
3.2 Tahapan Penelitian dianalisis agar dapat mempermudah
Adapun tahapan penelitian ini dapat dilihat pada perancangan dan pemodelan
gambar berikut. datawarehouse.
3.2.3 Konsep Penelitian
a) Menentukan alur penelitian
Menjelaskan tentang bagaimana alur
proses penelitian yang sedang diteliti.
Tahapan ini adalah upaya-upaya untuk
mencari jawaban dari suatu masalah
dengan cara pengumpulan, pengolahan,
penyajian dan analisis data secara
sistematis.
b) Menentukan metodologi penelitian
Tahap penentuan metode yang akan
digunakan untuk menyelesaikan
permasalahan. Dalam penelitian ini
menggunakan metode OLAP melalui
proses ETL.
3.2.4 Arsitektur Sistem
a) Implementasi Metodologi
1) Proses Extraction, Transformation dan
Gambar 3 Tahapan Penelitian Loading (ETL).
3.2.1 Studi Literatur 2) Penerapan OLAP, dibangun dengan
Indikator pada tahap ini yaitu untuk memahami tujuan agar pengguna dapat melakukan
domain penelitian dan pekerjaan terkait. analisis multidimensi sehingga
Aktivitas yang dilakukan adalah menghasilkan informasi yang
mengeksplorasi penelitian dan pekerjaan diperlukan untuk mendukung
terkait, diantaranya melakukan kajian teori keputusan.
tentang datawarehouse dan melakukan survey b) Analisis Kesenjangan (Gap Analysis)
pendekatan engineering. Deskripsi penelitian terkait yang terdapat
3.2.2 Definisi Persoalan Penelitian dari rangkuman beberapa paper
Terdapat 3 hal yang dilakukan pada tahap ini. penelitian sebelumnya, deskripsi tersebut
a) Analisis Permasalahan berisi tentang kelemahan atau
Penelitian diawali dengan melakukan kesenjangan masalah yang belum
wawancara untuk identifikasi terpecahkan oleh peneliti sebelumnya.

6
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

Deskripsi tersebut menegaskan perlunya Nama Tabel Nama Field

ms_karyawan kode_cabang : varchar
penelitian lebih lanjut berdasarkan (10)
kekurangan penelitian-penelitian kode_karyawan : varchar
sebelumnya. (10)
nama_depan : varchar (8)
c) Pemodelan kebutuhan nama_belakang : varchar
1) Perancangan datawarehouse, (9)
jenis_kelamin : varchar (1)
Perancangan datawarehouse
ms_cabang kode_cabang : varchar
menggunakan nine step methodology (10)
yang terdiri dari 9 tahap. nama_cabang : varchar
(100)
2) Skema datawarehouse, Pemodelan kode_kota : varchar (8)
datawarehouse yang paling umum ms_produk kode_item : varchar (7)
kode_produk : varchar
adalah model dimensi data, salah
(12)
satunya adalah Star Schema, dengan kode_kategori : varchar (7)
menentukan data apa yang ingin dilihat nama_produk : varchar
(100)
oleh pengguna (besarannya) dan unit : int (11)
bagaimana pengguna melihat data kode_satuan : varchar (4)
tersebut (kondisi atau dimensinya). ms_kategori kode_kategori : varchar (7)
nama_kategori : varchar
3.2.5 Evaluasi Sistem (17)
Pengembang sistem melakukan uji coba ms_kota kode_kota : varchar (8)
nama_kota : varchar (16)
sebelum aplikasi OLAP disampaikan kepada kode_propinsi : varchar (3)
pengguna dengan cara membuat laporan sesuai ms_propinsi kode_propinsi : varchar (3)
dengan kebutuhan. Namun jika belum sesuai, nama_propinsi : varchar
(25)
maka kembali ke tahap desain untuk ms_harga_harian kode_produk : varchar
memperbaiki rancangan maupun pemodelan. (12)
tgl_berlaku : datetime
4. Hasil dan Pembahasan kode_cabang : varchar
4.1 Perancangan (Design) (10)
harga_berlaku_cabang : int
Proses design akan menerjemahkan syarat (11)
kebutuhan kedalam sebuah desain tabel suatu modal_cabang : int (11)
database yang akan dilakukan proses ETL. biaya_cabang : int (11)
tr_penjualan tgl_transaksi : datetime
4.1.1 Desain Database kode_cabang : varchar
Sebelum melakukan proses eksekusi database, (10)
kode_kasir : varchar (10)
hal pertama yang disiapkan adalah dua buah
kode_item : varchar (7)
database yaitu. kode_produk : varchar
a) Database phi-minimart (nama database (12)
jumlah_pembelian : int
yang akan dijadikan studi kasus) (11)
b) Database dw-phi (nama database baru
sebagai database penyimpanan hasil 4.1.3 Desain Tabel Fakta Penjualan
proses ekstraksi)
4.1.2 Memahami Struktur Tabel Database
Masukan
Tabel tersebut mendeskripsikan detail nama
tabel yang ada pada database phi-minimart.sql,
yang menjadi database minimart, yang akan
menjadi sumber database untuk kemudian Gambar 4 Desain tabel fakta penjualan
dikembangkan menjadi tabel dimensi dan tabel Gambar di atas merupakan desain star schema
fakta. dari database yang akan dilakukan proses
Tabel 1. Struktur database phi-minimart.sql ekstraksi sehingga didapatkan tabel baru berupa
Database: phi-minimart.sql

7
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

dim_karyawan, dim_produk, dim_waktu, terpisah sehingga perlu dua kali proses

dim_cabang serta fact_penjualan. penggabungan, yang pertama adalah
4.1.4 Desain Tabel Dimensi Karyawan penggabungan ms_cabang dengan ms_kota,
hasilnya digabungkan dengan ms_propinsi.
Berikut desain untuk proses pengambilan data
untuk dimensi cabang.
4.1.7. Desain Tabel Dimensi Waktu

Gambar 5 Desain tabel dimensi karyawan

Tabel dimensi karyawan ini didapatkan dari
hasil gabungan tabel ms_karyawan dan Gambar 8 Desain tabel dimensi waktu
ms_cabang pada database phi_minimart. Hal ini Design awal yang dilakukan membuat tabel
bertujuan untuk mendapatkan data baru berupa dimensi waktu dengan nama output tabel
“Masing-masing karyawan berada di cabang dim_waktu pada database dw-phi. Sebelum
yang mana”. melakukan desain tabel waktu, sebelumnya
4.1.5. Desain Tabel Dimensi Produk harus mendifinisikan terlebih dahulu tanggal
awal dan hari selanjuntya, karena tabel waktu
ini dibuat dari membuat field di pentahonya.
4.2 Implementasi
Tahap implementasi meliputi proses Extract,
Transform dan Load (ETL) dengan
menggunakan tools yang bernama Pentaho Data
Gambar 6 Desain tabel dimensi produk
Integration.
Tabel dimensi produk ini didapatkan dari hasil 4.2.1 Membuat Tabel Dimensi Karyawan
gabungan tabel ms_produk dan ms_kategori Tabel dimensi karyawan didapatkan dari hasil
pada database phi_minimart. Hal ini bertujuan penggabungan dua tabel yang ada di database
untuk mendapatkan data baru berupa phi_minimart, yaitu tabel ms_karyawan dan
“Klasifikasi produk berdasarkan kategori ms_cabang, sehingga dibutuhkan dua step pada
produk”. pentaho yaitu step Table Input. Untuk
4.1.6. Desain Tabel Dimensi Cabang menghasilkan tabel dimensi karyawan
diperlukan proses ETL pada database yang akan
diolah. Berikut desain ETL untuk tabel dimensi
karyawan.

Gambar 7 Desain tabel dimensi cabang

Tabel dimensi cabang ini didapatkan dari hasil
gabungan tabel ms_cabang, ms_kota dan
ms_propinsi pada database phi_minimart. Hal
ini bertujuan untuk mendapatkan data dimensi Gambar 9 Desain ETL tabel dimensi
baru berupa “Klasifikasi cabang berdasarkan karyawan
kota”. Namun, pada bagian dimensi cabang ini 4.2.2 Membuat Tabel Dimensi Produk
memiliki 3 masukan yaitu ms_cabang, ms_kota Tabel dimensi produk difungsikan untuk
dan ms_propinsi, karena pada database mendapatkan data produk berdasarkan kategori.
phi_minimart tabel kota dan propinsi dibuat Tabel dimensi produk didapatkan dari

8
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

penggabungan tabel ms_kategori dan fakta penjualan. Tabel fakta penjualan

ms_produk pada database phi_minimart, didapatkan dengan mengolah sumber tabel
dengan catatan koneksi dengan database sumber tr_penjualan pada database phi_minimart dan
telah dilakukan. Berikut beberapa proses yang semua tabel dimensi pada database dw-phi.
dilakukan untuk mendapatkan tabel dimensi
produk pada database dw-phi.

Gambar 13 Desain ETL tabel fakta penjualan

4.2.6 Hasil Tabel Fakta Penjualan
Gambar 10 Desain ETL tabel dimensi Tabel fakta penjualan didapatkan dari proses
produk pengolahan database phi-minimart melalui
4.2.3 Membuat Tabel Dimensi Cabang proses ETL sehingga menghasilkan tabel fakta
Tabel dimensi cabang difungsikan untuk sebagai berikut.
mendapatkan data baru berupa klasifikasi data
cabang berdasarkan kota dan propinsi.
Dibutuhkan tiga inputan dalam proses ini,
karena pada studi kasus ini tabel kota dan tabel
propinsi dibuat secara terpisah, maka secara
logika perlu penggabunga diantara keduanya.

Gambar 14 Hasil tabel fakta penjualan

5. Simpulan
Berdasarkan seluruh hasil pembahasan
penelitian yang telah dilakukan, menghasilkan
beberapa simpulan sebagai berikut:
1) Penelitian ini telah berhasil merancang
Gambar 11 Desain ETL tabel dimensi cabang model dimensi data berbasis model star
4.2.4 Membuat Tabel Dimensi Waktu schema untuk menunjang pengambilan
Tahap pembuatan dimensi waktu ini berbeda keputusan datawarehouse penjualan.
dengan pengolahan data pada dimensi yang 2) Penelitian ini menghasilkan suatu analisis
lainnya, pada dimensi waktu ini data yang ingin data yang diperlukan untuk membuat
dicapai adalah data hari, tanggal, tahun, kuartal. sebuah datawarehouse dalam perusahaan
minimarket yang memiliki cabang atau
waralaba dalam pelaksanaan proses
bisnisnya, sehingga dihasilkan sebuah data
berupa fakta yang dapat digunakan oleh
eksekutif.
3) Penelitian ini menghasilkan database baru
berupa tabel-tabel dimensi dan tabel fakta,
yang menjadi output penelitian. Selain itu,
Gambar 12 Desain ETL tabel dimensi waktu
database tersebut dapat dikembangkan
4.2.5 Membuat Tabel Fakta Penjualan
lebih kompleks sesuai dengan kebutuhan
Proses pembuatan tabel fakta ini merupakan
eksekutif.
penggabungan dari beberapa tabel dimensi yang
telah dibuat sebelumnya, berikut desain tabel

9
 Luthfi Hilmansyah1, Siti Maesaroh2
Jurnal Saintesa (Sains Teknologi dan Rekayasa) Vol. 2 No. 1 (2022) | ISSN 2808-6147

4) Penelitian ini memberikan skema proses Rumah Sakit M.Yunus Bengkulu dengan
Extract, Transform dan Load pada suatu Menggunakan Metode OLAP (Online
database. Analytical Processing). Jurnal Rekursif,
Vol. 3 No. 1, ISSN 2303-0755, 14.
5) Model atau tipe keputusan yang dapat
[4] Akhmad Dahlan, dkk. (2013). Perancangan
didukung dalam proses pengambilan Data Warehouse Perpustakaan Perguruan
keputusan datawarehouse penjualan Tinggi XYZ Menggunakan Metode
diantaranya adalah mengetahui data Snowflake Schema. Jurnal Teknologi
karyawan berdasarkan cabang, klasifikasi Informasi Vol. VIII Nomor 24, ISSN :
produk berdasarkan kategori dan 1907-2430.
mengetahui fakta penjualan produk dari [5] Syah, R. (2014). Rancang Bangun Data
Warehouse Untuk Analisis Strategi
seluruh cabang minimarket yang ada.
Produksi Penjualan Usulan : PT. XYZ.
6) Hasil penelitian ini bermanfaat untuk Jurnal Penelitian Teknik Informatika,
proses pengembangan fakta lain yang lebih TECHSI Vol.4 No.1, 2.
kompleks berdasarkan kebutuhan data [6] Padeli, Allam, M. D., & Suharto, N. R.
yang diinginkan, serta dimensi data yang (2017). PERANCANGAN SISTEM
telah dibuat menjadi suatu datamart yang DATA WAREHOUSE
dapat dimanfaatkan dikemudian hari. PEMBELAJARAN PADA PONDOK
PESANTREN AL-FURQON. CERITA
Selain itu, eksekutif (pemilik
Vol.3 No.1 ISSN 2461-1417.
usaha/manajemen) dapat dengan mudah [7] Wijaya, A.F., Sugiarto, A.T. (2017). Proses
melihat data penjualan dari keseluruhan Extraction, Transformation, and Loading
cabang yang ada secara ringkas. pada Pemodelan Datawarehouse PO.
Berdasarkan hasil penitian dari simpulan dan Sumber Alam Kutoarjo. JUTEI, Volume 1
analisis yang telah dilakukan pada No.1, ISSN 2579-3675.
[8] Safril, A. (2009). PERANCANGAN DAN
datawarehouse minimarket tersebut masih dapat
IMPLEMENTASI DATA WAREHOUSE
dikembangkan lebih jauh dan lebih kompleks METEOROLOGI, KLIMATOLOGI,
serta dengan skala data yang lebih besar. GEOFISIKA DAN BENCANA ALAM.
Daftar Pustaka JURNAL METEOROLOGI DAN
[1] Nurzani, Z. (2019). IMPLEMENTASI GEOFISIKA, VOLUME 10 NOMOR 2,
ASSOCIATION RULE DALAM ISSN 1411-3082.
MENGANALISISTRANSAKSI [9] Connolly, T. M., & Begg, C. E. (2015).
PENJUALAN 212 MART KUTO Database systems: a practical approach to
PALEMBANG . Jurnal Sistem Informasi, design, implementation, and management,
Universitas Sriwijaya. Global ed. Harlow, Pearson Education.
[2] Sinaga, A. S. (2019). Implementasi OLAP [10] Darudiato, S. (2010). PERANCANGAN
Menggunakan Dashboard Holistic DATAWAREHOUSE PENJUALAN
Software Pada LPPM STMIK Pelita UNTUK MENDUKUNG KEBUTUHAN
Nusantara. Jurnal Penelitian Teknik INFORMASI EKSEKUTIF
Informatika Universitas Prima Indonesia CEMERLANG SKIN CARE. Seminar
(UNPRI) Medan, Volume 2 Nomor 1, e- Nasional Informatika 2010 (semnasIF
ISSN : 2541-2019, 55. 2010), UPN “Veteran” Yogyakarta, ISSN
[3] Asahar Johar, A. V. (2015). Aplikasi 1979-2328.
Business Intelegence (BI) Data Pasien

10