JNATIA Volume 1, Nomor 1, November 2022

Jurnal Nasional Teknologi Informasi dan Aplikasinya

Desain dan Implementasi Data Warehouse Penjualan Pada Database Sample Northwind Menggunakan Tools Tableau

I Putu Bagus Merta Sentanaa1, Ida Bagus Gede Dwidasmaraa2

aInformatics Department, Udayana University South Kuta, Badung, Bali, Indonesia 1[email protected] 2[email protected]

Abstract

Many corporate is using data warehouse as a place to store the operational data that has a purpose to support analytical and business decision making processes. Data warehouse have an ability to integrate and analyze data which are considered complex in order to support the analytical process and business decision-making of a company. The study will conduct a design and implementation of the data warehouse which uses the Northwind Database Sample as its main data sources. The process of designing the data warehouse, will use a methodology called Nine Step Design Methodology and Tableau desktop as its software to implement and visualize the data warehouse itself.

Keywords: Data Warehouse, Tableau, Northwind, NineStep Methodology, Gudang Data.

  • 1.    Pendahuluan

Data warehouse merupakan kumpulan data yang memiliki sifat subject oriented, integrated, nonvolatile, dan time variant, dengan tujuan sebagai salah satu acuan dalam proses pengambilan keputusan bisnis. Data warehouse merupakan sebuah solusi untuk pemrosesan data atau informasi yang berasal dari sumber data lain namun saling terkait yang kemudian akan diintegrasikan sehingga menjadi satu data warehouse. Data yang sudah diolah pada data warehouse dapat ditinjau dalam melakukan analisis secara akurat, efektif dan efisien.

Penelitian sebelumnya, membahas mengenai Perancangan dan Implementasi Data Warehouse Penjualan (Studi Kasus: Norhtwind Sample Database). Tujuan dari penelitian tersebut adalah untuk mengimplementasikan penggunaan data warehouse sehingga dapat menghasilkan informasi yang berguna untuk membantu analisis dan pengambilan keputusan bisnis perusahaan. Pada penelitian ini menggunakan star schema untuk data modelling, Pentaho sebagai alat untuk proses ETL, Microsoft Power BI sebagai alat visualisasi data hasil analisis. proses perancangan data warehouse pada penelitian ini menggunakan metode NineStep Design Methodology [1].

Penelitian sebelumnya yang membahas mengenai Perancangan Data Warehouse untuk Data Transaksi Penjualan Menggunakan Schema Snowflake Studi Kasus: Online Market Dataset. Tujuan dari penelitian tersebut adalah untuk melakukan perancangan data warehouse untuk data transaksi online market sehingga dapat menjadi informasi penjualan produk-produk yang menjadi trend atau wilayah yang paling banyak melakukan pembelian untuk kemajuan bisnis. Penelitian tersebut menggunakan schema snowflake untuk data modelling, tools Cloudera sebagai database server, Talend sebagai tool sebagai media proses ETL, dan Tableau sebagai tool untuk visualisasi data dan melakukan analisis [2].

Pada penelitian kali ini, penulis akan melakukan penelitian mengenai perancangan dan implementasi data warehouse penjualan menggunakan studi kasus pada Northwind sampel database yang diperoleh dari situs yugabyteDB. Northwind sampel database merupakan data dari perusahaan yang bergerak di bidang ekspor impor di Amerika Serikat. Data yang terkandung di dalam database tersebut sebanyak 77 jenis produk yang kemudian dikategorikan ke dalam 8 jenis produk yaitu beverage, condiments, confections, dairy product, grains/cereal, meat/poultry, produce dan seafood. Penerapan data warehouse pada database sampel northwind dapat memberikan gambaran mengenai proses analisa data dan integrasi data yang diharapkan dapat

membantu suatu perusahaan dalam mengolah informasi atau data yang dimiliki sehingga memudahkan proses pencarian data dan pengambilan keputusan terkait proses penjualan produk serta memudahkan proses transaksi bisnis pada suatu perusahaan.

  • 2.     Metode Penelitian

    2.1.   Metode Pengumpulan Data

Proses pengumpulan data yang dilakukan pada penelitian ini meliputi studi literatur sebagai acuan dalam melaksanakan penelitian. Sedangkan untuk data yang digunakan sebagai data uji merupakan database sampel dari Northwind yang diperoleh dari situs yugabyteDB. Berdasarkan data yang diperoleh, terdapat 11 buah tabel yang masing-masing merepresentasikan model bisnis ekspor dan impor pada sampel database. Penelitian ini berfokus pada data penjualan dari database sampel northwind, oleh karena itu berdasarkan hasil analisis maka penulis menggunakan 5 buah tabel sebagai acuan, tabel tersebut diantaranya tabel product, tabel suppliers, tabel order, tabel order_details, dan tabel customers. Berikut merupakan rincian data pada masing-masing tabel:

  • • Tabel product

Tabel ini merepresentasikan produk yang diperjualbelikan pada database. Tabel product ini terdiri dari 77 baris data dan 10 kolom yang meliputi product_id, product_name, category_id, quantity_per_unit, unit_price, unit_in_stock, units_in_order, reorder_level, discounted.


  • Gambar 1. Tabel product

  • •    Tabel suppliers

Tabel ini suppliers terdiri dari 29 baris data dan 12 kolom yang meliputi supplier_id, company_name, contact_name, contact_title, address, city, region, postal_code, country, phone, fax, home_page.

*“ corτ>paπyjιsrτw         J aκ ContacLname T! a» contacLtit∣e____ Tll “‘address__________^l'*c⅛^^!∣*re9ion^ψ''p⅛a∣∏l*'wuιjylψ"p^^        ____Tll ** homepage

1

Exotic Liquids

Charlotte Cooper

Purchasing Manager

49 Gilbert St

London      !NULL]

EC14SD

UK

(171) 555-2222

2

New OrieansCajun Delights

Shelley Burke

Order Administrator

P.0. Box 78934

New Orleans

LA

70117

USA

(100) 555-4822

INULL1

#CAJUN.HTM#

3

Grandma Kelly s Homestead

Regina Murphy

Sales Representative

707 Oxford Rd.

Ann Arbor

Ml

48104

USA

(313) 555-5735

(313) 555-3349

Tokyo Traders

YOShi Nagase

Marketing Manager

9-8 Sekimai Musashino-shi

Tokyo

[NULL]

100

Iapan

(03) 3555-5011

[NULL]

[NULL]

5

Cooperatiw de Quesos 'Las Cacras

Antonio del Valle Saa Export Administrator

Calle del Rosal 4

Oviedo

Asturias

33007

Spain

(98)598 76 54

6

Mayumi's

Mayum∣ Ohno

Marketing Representative

92 Setsuko Cħιro-ku

Osaka

I'I Il

545

Japan

(06)431-7877

Mayumi's (on the V

Pavlova, Ltd.

Ian Devling

Marketing Manager

74 Rose St Moonie Ponds

Melbourne

Victoria

3058

Australia

(03)444-2343

(03) 444-6588

8

Specialty Biscuits. Ltd.

Peter Wilson

Sales Representative

29 King's Way

Manchester

[NULL]

M14GSD

UK

(161)555-4448

[NULL]

9

PB Knackebrod AB

Lars Peterson

Sales Agent

Kaloadagatan 13

Gbteborg

S-345 67

Sweden

031-987 65 43

031-987 65 91

10

Refrescos Americanas LTDA

Carlos Diaz

Marketing Manager

Av. das Americanas 12.890

Sao Paulo

[NULL]

5442

Brazil

(11)555 4640

[NULL]

[NULL]

11

Heli SiiBwaren GmbH & Co. KG

Petra Winkler

Sales Manager

TiergartenstraBe 5

Berlin

10785

Germany

(010) 9984510

12

Plutzer Lebensmitteigroemarkte AG

Martin Bein

International Marketing Mgr,

Bogenallee 51

Frankfurt

[NULL]

60439

Germany

(069) 992755

Plutzer (on the Wo

13

Nord-Ost-Fisch Handelsgesellschaft

Sven Petersen

Coordinator Foreign Markets

Frahmredder 112a

Cuxhaven

27478

Germany

(04721)8713

(04721)8714

14

Formaggi Fortini s.r.1.

Elio Rossi

Sales Representative

Viale Dante, 75

Ravenna

[NULLl

48100

Italy

(0544) 60323

(0544) 60603

≠FORMAG6I.HTM*

15

Norske Meiener

Beate Vileid

Marketing Manager

Hatlevegen S

Sandvika

1320

Norway

(0)2-953010

16

Bigfoot Breweries

Cheryl Saylor

Regional Account Rep.

3400 - 8th Avenue Suite 210

Bend

OR

97101

USA

(503) 555-9931

17

Svensk SjbfOda AB

Michael BjQm

Sales Representative

Brovallavigen 231

Stockholm

S-123 45

Sweden

08-123 45 67

18

Auxjoyeux ecclesiasriques

Guylene Nodier

Sales Manager

203, Rue des Francs-Bourgec Paris

75004

France

(1) 03.83.00.68

(1) 03.83.00.62

INULll

19

New England Seafood Cannery

Robb Merchant

Wholesale Account Agent

Order Processing Dept 2100 Boston

MA

02134

USA

(617) 555-3267

(617)555-3389

ZO

Leka Trading

Chandra Leka

Owner

471 Serangoon Loop, Suite * Singapore

0512

Singapore

555-8787

'M.∣ I

21

Lyngbysiid

Niels Petersen

Sales Manager

Lyngbysiid Fiskebakken 10

Lyngby

2900

Denmark

43844108

43844115

22

Zaanse Snoepfabnek

Dirk Luchte

Accounting Manager

Verkoop Rijnweg 22

Zaandam

[NULL]

9999 22

Netherlands

(12345) 1212

(12345) 1210

[NULL]

23

Karkki Oy

Anne Heikkonen

Product Manager

Valtakatu 12

Lappeenranta

53120

Finland

(953) 10956

24

G'day, Mate

Wendy Mackenzie

Sales Representative

170 Prince Edward Parade H∣ Sydney

NSW

2042

Australia

(02) 555-5914

(02) 555-4873

G day Mate (on Uh

25

Ma Maison

Jean-Guy Lauzon

Marketing Manager

2960 Rue St Laurent

Montreal

Quebec

H1J1C3

Canada

(514) 555-9022

INlII 11

Gambar 2. Tabel suppliers

  • •    Tabel order

Tabel order terdiri dari 830 baris data dan 14 kolom yang meliputi order_id, customer_id, employee_id, order_date, required_date, shipped_date, ship_via, freight, ship_name, ship_address, ship_city, ship_region, ship_postal_code dan ship_country.

.ιorder.id ^! mcCustomerJd'i! 1 ^employeeJd TJ Oorder date TJ S req j red date '! ® shipped cate ,il∣j^sniρ.via ,Ujj" freight U ’” ship name ^^ ",csħiρ address TI∣ “<snip_city T^j ∙ws∏∣ρjeg∣dn

1

10,248

EI VlNtr

SW

1996-07-04

1996-08-01

1996-07-16

3 B

32.380001068

Vins eτ a∣coo∣s Cries 59 rue de IAbbaye

Reims

2

10.249

B TOMSP

60

1996-07-05

1996-08-16

1996-07-10

1 0

11.609999657

Toms Spezialitaten

Luisenstr. 48

Mtlnster

(NULL]

3

10.250

B HANAR

4 B

1996-07-08

1996-08-05

1996 07-12

2 B

65830001831

Ha∏ar∣ Cames

Rua do Paςa 67

RiodeJaneiro

RJ

10,251

B VKTE

30

1996-07-08

1996-08-05

1996-07-15

1 0

41.340000153

Victuailles en stock

2, rue du Commerce

Lyon

[NULL]

S

10.252

B SUPRD

4 B

1996-07-09

1996 08 06

1996-07-11

2 B

51299999237

Suprfmes df∣ices

Boulevard Tirou. 255

Charleroi

6

10.253

u’ HANAR

30

1996-07-10

1996-07-24

1996-07-16

2 B

58.169998169

Hanari Carnes

Rua do Paςo. 67

Rio de Janeiro

RJ

10,254

B CHOPS

50

1996-07-11

1996-08-08

1996-07-23

2 B

22.979999542

Chop-suey Chinese

Hauptstr 31

Bern

8_

10,255

u,RICSU

90

1996-07-12

1996-08-09

1996-07-15

30

148.330001831

Richter Supermarkt Starenweg 5

Geneve

10

10,257

u' HILAA

40

1996-07-16

1996-08-13

1996-07-22

30

81.910003662

weιιιπgι□n ιmpoπa HlLARION-ABastos

rtuaoαιvιercauo1ιz     Isesenoe

Carrera 22 con Ave. Carlo San Cristdbal

Tachira

11

10,258

ri ERNSH

1 B

1996-07-17

1996-08-14

1996 07 23

1B

140.509994507

Ernst Handel

Kirchgasse 6

Graz

12

10.259

B CENTC

40

1996-07-16

1996-08-15

1996-07-25

3u'

325

Centro Comercial M Sierras de Granada 9993

Mexico D.F.

10.260

B OTTlIC

40

1996-07-19

1996-08-16

1996-07-29

1B

55.090000153

Ottilies Kaseladen

Mehrbeimerstr. 369

Koln

10.261

UQUfDf

1996-07-19

1996-08-16

1996-07-30

2B

3.049999952

Que Deitoa

Rua OaPanificadora, 12

Rio de Janeiro

RJ

15

10,262

B RATTC

80

1996-07-22

1996-08-19

1996-07-25

3 B

48290000916

Rattlesnake Canyon 2817 Mitton Dr.

Albuquerque

NM

I ∙

10.263

B ERNSH

9 u'

1996-07-23

1996-08-20

1996-07-31

3 B

146.059997559

Ernst Handel

Kirchgasse 6

G*? 7

17

10.264

B FOLKO

60

1996 07-24

1996-08-21

1996 08-23

3 B

3.670000076

Folkocti fa HB

Akergatan 24

Bracke

13

10.265

B BlONP

20

1996-07-25

∣996-O8-22

1996-08-12

1B

55279998779

Blondel p⅛e et Wli

24. place KWber

Strasbourg

19

10.266

B WARTH

3 0

1996-07-26

1996-09-06

1996-07-31

3 B

25.729999542

Wartian Herkku

Tarikatu 38

Oulu

20

10.267

B FRANK

40

1996-07-29

1996-08-26

1996-08-06

1 B

208.580001831

Frankenversand

Berliner Riatz 43

Munchen

21

10.268

B GROSR

80

1996-07-30

1996-08-27

1996-08-02

30

66290000916

GROSELLA-Restaur

5i Ave. Los Palos Grandes Caracas

DF

Gambar 3. Tabel order

  • •    Tabel order details

Tabel order detail terdiri dari 2155 baris data dan 5 kolom yang meliputi order_id, product_id, unit_price, quantity, discount.

1¾ orderjd ^+

1⅛productjd ^+

123unit_price ^X 1123 quantity ^+

123 discount H

1

10,248 e?

11 E?

14

12

0

2

10,248 E?

42 ET

9.800000191

10

0

3

10,248 e?

72 e?

34.799999237

5

0

4

10,249 e?

14e?

18.600000381

9

0

5

10,249 E?

51 E?

42.400001526

40

0

6

10,250 e?

41 e?

7.699999809

10

0

7

10,250 e?

51 e?

42.400001526

35

0.150000006

8

10,250 e?

65 e?

16.799999237

15

0.150000006

9

10,251 e?

22 e?

16.799999237

6

0.050000001

10

10,251 e?

57 e?

15.600000381

15

0.050000001

11

10,251 e?

65 e?

16.799999237

20

0

12

10,252 e?

20 e?

64.800003052

40

0.050000001

13

10,252 e?

33 e?

2

25

0.050000001

14

10,252 e?

60 e?

27.200000763

40

0

15

10,253 ET

31 Ef

10

20

0

16

10,253 e?

39 e?

14.399999619

42

0

17

10,253 e?

49 E?

16

40

0

18

10,254 E?

24 E?

3.599999905

15

0.150000006

19

10,254 e?

55 e?

19.200000763

21

0.150000006

20

10,254 e?

74 E?

8

21

0

21

10,255 E?

2 Ef

15.199999809

20

0

22

10,255 e?

16E?

13.899999619

35

0

Gambar 4. Tabel order_details

  • •    Tabel customers

Tabel ini terdiri dari 91 baris data dan 11 kolom yang meliputi customer_id, company_name, contact_name, contact_title, address, city, region, postal_code, country, phone, fax.

Gambar 5. Tabel customers

  • 2.2.   Nine Steps Design Methodology

Terdapat 9 langkah yang dapat dilakukan untuk membangun sebuah data warehouse dengan baik yang dikenal dengan nine-step design methodology (Kimball & Ross., 2010). Apabila kesembilan langkah tersebut dilaksanakan secara sistematis dapat menghasilkan data warehouse yang baik. Pada penerapannya sendiri terdapat sembilan tahapan yang dapat dilakukan, antara lain sebagai berikut:

  • a.    Choose the Process

Tahapan yang bertujuan untuk memilih proses atau kegiatan bisnis suatu perusahaan yang dapat menjawab pertanyaan-pertanyaan penting terkait dengan bisnis tersebut.

  • b.    Choose the Grain

Tahapan yang berfungsi untuk menentukan data yang akan direpresentasikan oleh sebuah tabel fakta. Setelah menentukan grain dari tabel fakta maka dapat ditentukan tabel dimensi yang lain yang berhubungan dengan tabel fakta tersebut.

  • c.    Identify and Conform the Dimensions

Tahapan untuk mengidentifikasi dan menghubungkan tabel dimensi dengan tabel fakta. Tabel dimensi merupakan kumpulan sudut pandang yang penting untuk menggambarkan fakta yang terdapat pada tabel fakta itu sendiri.

  • d.    Choose the Facts

Tahapan untuk menentukan measure yang dibutuhkan pada tabel fakta atau informasi yang dibutuhkan pada tabel fakta.

  • e.    Store Precalculations in the Fact Table

Tahapan perhitungan pada suatu atribut yang penting serta yang akan disimpan pada database.

  • f.    Round Out the Dimension Tables

Tahapan untuk memberikan deskripsi lengkap yang memuat informasi terstruktur mengenai atribut-atribut pada tabel dimensi.

  • g.    Choose the Duration of the Database

Tahapan yang bertujuan untuk memilih durasi waktu yang dipilih terhadap data-data yang akan dimasukkan ke dalam data warehouse.

  • h.    Determine the Need toTrack Slowly changing Dimensions

Tahapan yang berfungsi untuk menentukan tipe dasar dari perubahan dimensi seperti menulis ulang atribut, membuat record baru pada dimensi dan membuat atribut alternatif.

  • i.    Decide the Physical Design

Tahapan yang berfungsi untuk melakukan perancangan fisik dari data warehouse serta menentukan masalah-masalah yang memiliki kemungkinan untuk muncul pada perancangan fisik.

  • 2.3.    On Line Analytical Processing (OLAP)

Online Analytical Processing (OLAP) umumnya digunakan untuk proses pemilihan data secara selektif dan melalui sudut pandang yang beragam. Data pada OLAP akan disimpan dalam basis data multidimensi. Data multidimensi sendiri memiliki beberapa atribut, diantaranya yaitu atribut dimensi (dimension) sebagai atribut yang akan ditinjau, atribut pengukur (measurement) sebagai besaran yang dapat diukur berdasarkan irisan antara atribut dimensi, dan atribut kalkulasi sebagai nilai dari pengukuran.

Pada proses OLAP sendiri terdapat beberapa tahapan yang dapat dilakukan, antara lain sebagai berikut:

  • a.    Roll-Up

Tahapan yang berfungsi untuk meningkatkan hirarki konsep data. Hal tersebut dikarenakan apabila tingkat hirarki konsep data terus meningkat maka data yang akan dihasilkan akan lebih ringkas.

  • b.    Drill-Down

Tahapan ini bertujuan untuk menurunkan tingkat hirarki konsep data. Hal tersebut dikarenakan apabila tingkat konsep data terus menurun maka data yang data yang dihasilkan akan semakin mendetail.

  • c.    Slice & Dice

Tahapan ini bertujuan untuk memilih satu dimensi dari data multidimensi atau data kubus serta memilih dua atau lebih dimensi untuk menghasilkan bagian dari data kubus.

  • d.    Pivot

Tahapan ini berfungsi sebagai operasi visualisasi data untuk menampilkan tampilan data dalam representasi yang beragam.

  • 2.4.   Perancangan Data Warehouse

Arsitektur yang digunakan dalam perancangan data warehouse pada penelitian ini merupakan single dimensional data store (DDS). Pada arsitektur DDS tunggal, data dapat disimpan dalam satu dimensi. DDS sendiri terdiri dari satu atau beberapa dimensi data mart, yang dimana merupakan sekelompok tabel fakta terkait dan tabel dimensi yang sesuai dengan kegiatan bisnis yang dipilih. Keuntungan dari arsitektur ini yaitu struktur arsitektur yang lebih sederhana dari arsitektur lainnya, hal tersebut dikarenakan data dari stage akan langsung dimuat pada data dimensi, tanpa melewati setiap jenis store.

Gambar 6. Arsitektur DDS Tunggal

Metode perancangan yang digunakan untuk membangun data warehouse pada penelitian ini adalah menggunakan metode nine-step design methodology. Berikut merupakan tahapan dalam melakukan perancangan data warehouse:

  • a.    Analisis dan Pengumpulan Kebutuhan

Proses pengumpulan data pada perancangan data warehouse untuk prediksi penjualan produk menggunakan data sampel dari database northwind, yang dimana data yang digunakan pada penelitian ini merupakan data produk, pelanggan, kategori produk, supplier, serta transaksi jual beli.

  • b.    Memilih Proses (Choosing the process)

Pada tahapan ini akan ditentukan proses bisnis dari perusahaan yang ingin dibangun pada data warehouse. Berdasarkan tujuan dan analisis dari proses pengumpulan kebutuhan, maka berikut merupakan proses bisnis yang dipilih pada penelitian ini:

  • •    Penjualan Produk

  • •    Pembelian Produk

  • c.    Memilih Grain (Choosing the Grain)

Tahap ini bertujuan untuk memilih grain yang digunakan sebagai acuan dalam membuat tabel fakta berdasarkan proses bisnis yang ditentukan. Pemilihan grain dalam penelitian ini adalah quantity product.

  • d.    Identifikasi dan Penyesuaian Dimensi

Tahap untuk mengidentifikasi dan memilih dimensi yang berhubungan dengan tabel fakta. Dari hasil identifikasi, maka tabel dimensi yang berhubungan dengan tabel fakta meliputi: • Dimensi Customer

Dimensi yang berfokus pada pembelian produk dari pelanggan, yang dimana hal tersebut termasuk juga grain dari dimensi ini.

  • •    Dimensi Produk

Dimensi yang berfokus pada produk di dalam database northwind, yang dimana grain dari dimensi ini adalah jumlah produk yang dibeli.

  • •    Dimensi Order

Dimensi ini merupakan kumpulan data transaksi yang tersimpan dalam database northwind, yang dimana hal tersebut termasuk juga grain dari dimensi ini.

  • e.    Memilih Fakta (Choosing the Fact)

Gambar 7. Model Tabel Fakta

Proses pemilihan tabel fakta berdasarkan grain yang sudah ditentukan sebelumnya yang dimana ditentukan tabel penjualan sebagai tabel fakta. Pada gambar 6, merupakan model data yang dibangun menggunakan skema star, dengan tujuan agar meningkatkan kinerja data warehouse dan pemrosesan query yang lebih efisien dan efektif.

  • f.    Menyimpan Pre-calculation pada tabel Fakta

Perhitungan agregasi pada tabel fakta penjualan berdasarkan jumlah produk terjual berdasarkan waktu, yang menghasilkan data total penjualan pada tabel fakta.

  • g.    Melengkapi Tabel Dimensi

Tabel 1. Dimensi Customer

Field

Size

Keterangan

City

varchar(15)

Kota tinggal customer

CompanyName

varchar(40)

Nama perusahaan atau usaha customer

ContactName

varchar(30)

Nama customer pada daftar kontak perusahaan

ContactTitle

varchar(30)

Jabatan customer

Country

varchar(15)

Negara tinggal customer

CustomerID

integer(5)

Nomor identitas customer

Region

varchar(15)

Wilayah tinggal customer

Tabel 2. Dimensi Produk

Field

Size

Keterangan

CategoryName

varchar(15)

Kategori dari masing-masing produk

City

varchar(15)

Nama perusahaan supplier produk

CompanyName

varchar(40)

Nama perusahaan atau usaha customer

ContactName

varchar(30)

Nama kontak supplier produk

Country

varchar(15)

Negara tinggal supplier produk

Discontinued

tinyint(1)

Diskon harga produk

ProductID

integer(11)

Nomor identitas produk

ProductName

varchar(40)

Nama Produk

QuantityPerUnit

varchar(20)

Kuantitas pembelian produk per unit

UnitPrice

double

Harga satuan produk

UnitsInStock

integer(11)

Jumlah stok produk tersedia

UnitsOnOrder

integer(11)

Jumlah unit produk yang dipesan customer

Tabel 3. Dimensi Order

Field

Size

Keterangan

Freight

double

Jumlah biaya pengiriman produk ke customer

OrderID

integer(11)

Nomor identitas transaksi

OrderDate

datetime

Tanggal produk dibeli customer

ProductID

integer(11)

Nomor identitas produk yang dibeli customer

Quantity

integer(11)

Jumlah produk yang dibeli customer

ShipCity

varchar(15)

Kota perusahaan pengiriman

ShipCountry

varchar(15)

Negara perusahaan pengiriman

ShipName

varchar(40)

Nama perusahaan pengiriman

ShippedDate

datetime

Tanggal produk dikirimkan ke customer

ShipRegion

varchar(15)

Wilayah perusahaan pengiriman

UnitPrice

double

Harga satuan produk yang dibeli customer

  • h.    Pemilihan Durasi Basis Data

Bertujuan untuk memilih durasi waktu terkait data set pada database northwind yang akan digunakan untuk membangun data warehouse. Penulis menggunakan data selama tiga tahun terakhir yaitu dari tahun 1996 hingga 1998.

  • i.    Melacak Perubahan dari Dimensi

Proses ini bertujuan untuk memonitoring perubahan terhadap atribut yang terdapat pada tabel dimensi yang terjadi karena adanya proses Extraction, Transformation, Loading (ETL) pada database.

3.

3.1.


Hasil dan Pembahasan

Skema Database Northwind

Gambar 8. Database Northwind


Pada penelitian ini penulis memutuskan untuk menggunakan lima tabel data dari database northwind yang terkait dengan proses bisnis pada penelitian ini. Tabel tersebut diantaranya meliputi tabel products, categories, orders, suppliers, order_details dan customer. Setelah tabel tersebut membentuk relasi satu sama lain maka selanjutnya skema database akan dianalisis dengan tujuan untuk merancang skema dari data warehouse yang akan dibangun.

  • 3.2.   Skema Data Warehouse

0∙ DataWarehouse(Northwind)

Gambar 9. Skema Data Warehouse


Dari hasil analisis skema data base northwind, dirancang sebuah skema data warehouse untuk penjualan yang ditunjukkan pada gambar… . Pada skema tersebut terdapat fact_penjualan yang menjadi representasi hasil penjualan berdasarkan tabel dim_costumers, dim_orders, dan dim_products. fact_penjualan akan menyimpan informasi hasil dari perhitungan barang yang terjual pada perusahaan dan perhitungan pendapatan yang akan digunakan untuk membantu perusahaan.

  • 3.3.    Proses ETL (Extract, Transformation, Loading)

Extract, Transformation, Loading merupakan proses integrasi data dari berbagai sumber data untuk menghasilkan perspektif yang berbeda terhadap masing-masing data yang telah diintegrasikan. Pada proses ETL ini terdapat beberapa tahapan, diantaranya:

  • a.    Extraction

Proses pemilahan dan pengambilan data dari satu atau lebih sumber data.

  • b.    Cleansing

Proses pembersihan data untuk memastikan kualitas, dan konsistensi antar data serta mengatasi adanya duplikasi data.

  • c.    Transformation

Proses penyesuaian data ketika terjadinya integrasi data dari beberapa sumber agar sesuai dengan rancangan data warehouse.

  • d.    Loading

Proses Pemuatan data ke dalam data warehouse itu sendiri menggunakan tools Tableau Prep Builder. Tipe objek yang digunakan berupa transformation. Transformasi ini bersifat data-oriented dan digunakan untuk mengekstraksi, mentransformasi dan memuat data. Transformasi ini berupa sekumpulan langkah yang merupakan suatu operasi pada satu atau beberapa record streams. Dari satu langkah ke langkah lain dihubungkan dengan hop atau penghubung yang mengalirkan record dari satu langkah ke langkah lain. Sebagai contoh skema proses ETL tabel dim_orders yang digambarkan pada Gambar 10. Bagian input dari transformasi ini mendapatkan data dari dua tabel yaitu orders dan tabel order_details. Proses transformasi diawali dengan langkah stream lookup terhadap tabel orders dan order_details, yang kemudian dilanjutkan dengan dengan memilih order field yang akan menata hasil field proses sebelumnya. hasil pemilihan field dan proses transformasi akan disimpan pada tabel dimensi dim_orders. Proses ETL pada tabel fakta penjualan memiliki 3 buah tabel dimensi yaitu dim_orders, dim_products, dan dim_customer serta 1 buah tabel fakta seperti skema yang sudah dirancang, terlihat pada Gambar 10.

Gambar 10. Proses ETL

  • 3.4.    Penerapan Aplikasi Business Intelligence

Data warehouse yang telah dibangun dalam penelitian ini kemudian akan divisualisasikan menggunakan aplikasi business intelligence. pada penelitian ini, penulis

menggunakan aplikasi Tableau Desktop. Tableau Desktop merupakan aplikasi yang digunakan untuk menganalisa dan memvisualisasikan data. untuk melakukan visualisasi, akan dilakukan proses pengambilan data dari sumber data baik melalui file atau dengan mengintegrasikannya dengan server. Pada penelitian ini, penulis mengintegrasikan server dari Postgre sebagai sumber data.

Proses pengambilan data diawali dengan mengaktifkan server Postgre, kemudian akan dilanjutkan dengan menginput data server beserta username dan password pada Tableau Desktop. Setelah itu load, maka database dari Postgre akan terintegrasi dengan Tableau.

Visualisasi data pada penelitian ini berupa teks dan grafik yang ditampilkan pada dashboard. Dalam penelitian ini, dibentuk sebuah dashboard yaitu dashboard pendapatan seperti pada gambar 9. Pada dashboard tersebut terdapat informasi pendapatan dari beberapa aspek berupa supplier, negara pembeli, kategori, produk, dan juga waktu dalam satuan tahun.

Gambar 11. Visualisasi Dashboard Pendapatan

  • 4.     Kesimpulan

Berdasarkan hasil penelitian mengenai rancangan dan implementasi data warehouse penjualan pada Northwind Sample Database, maka penulis dapat mengambil kesimpulan sebagai berikut:

  • 1)    Tahapan Pengumpulan data yang digunakan pada penelitian ini merupakan tahapan studi literatur sebagai teori acuan dalam penelitian dan data uji sebagai studi kasus yang diperoleh dari situs yugabyteDB.

  • 2)    Proses integrasi data warehouse menggunakan konsep ETL dengan bantuan Tableau Prep Builder.

  • 3)    Perancangan dan implementasi data warehouse yang telah dilakukan dapat membantu perusahaan sebagai salah satu pertimbangan dalam proses pengambilan keputusan bisnis terkait dengan transaksi penjualan produk.

Referensi

  • [1]    M.F.Zulkarnain, N.P.N.Ardiyanti, I.W.W.K.Sandi, I.D.N.T.Hendrawan, I.B.M.Mahendra, “Perancangan Dan Implementasi Data Warehouse Penjualan (Studi Kasus: Northwind Sample Database) ”, J. Elektronik Ilmu Komputer Udayana., vol. 10, no. 1, pp. 175 - 188, 2021.

  • [2]    I.R.Marbun, R.Somya, “Perancangan Data Warehouse untuk Data Transaksi Penjualan Menggunakan Schema Snowflake Studi Kasus : Online Market Dataset”, SEMINAR NASIONAL Dinamika Informatika 2021 Universitas PGRI Yogyakarta, pp. 87 - 91, 2021.

  • [3]    B.K.Easterita, I. Arwani, D.E.Ratnawati, “Pengembangan Data Warehouse dan Data Analytichal Processing (OLAP) untuk Analisa Data Artikel Pada Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK)”, J. Sistem Informasi, Teknologi Informasi, Edukasi Sistem Informasi., vol.1, no.1, pp.12 - 22, 2020.

  • [4]    I. P. A. E. Pratama and I. G. A. Pradipta, “Desain dan Implementasi Data warehouse untuk Prediksi Penjualan Produk Pada Toko Mekarsari”, J. Teknol. Inf. dan Terap., vol. 05, no. 1, pp. 65–71, 2018

  • [5]    T.Asroni, B. Arimbi, S. Riyadi, “Implementing of Data Warehouse Data Alumni using Single Dimensional Data Store Method”, Journal of Physics Conference Series 1471, 2020.

Halaman ini sengaja dibiarkan kosong

632