Tesis dian sugiarto

Dari widuri
Lompat ke: navigasi, cari

PENERAPAN DATA MART DALAM KONTEKS BUSINESS INTELLIGENCE DI DIVISI PENJUALAN PT SUBAFOOD PANGAN JAYA

PROPOSAL THESIS

Oleh : DIAN SUGIARTO (1812599228) PASCA SARJANA MAGISTER TEKNOLOGI INFORMASI UNIVERSITAS RAHARJA 2019


KATA PENGANTAR Dengan mengucap puji syukur Alhamdulillah, penulis panjatkan kehadirat Allah SWT karena telah melimpahkan rahmat dan karunia-Nya kepada penulis sehingga pada akhirnya penulis dapat menyelesaikan tesis ini dengan baik. Dimana tesis ini penulis sajikan dalam bentuk buku yang sederhana. Adapun judul penulisan tesis, yang penulis ambil adalah sebagai berikut: “PENERAPAN BUSINESS INTELLIGENCE PADA SISTEM INFORMASI PENJUALAN PT SUBAFOOD PANGAN JAYA”. Tujuan dari pembuatan tesis ini adalah sebagai salah satu persyaratan dalam memperoleh gelar Magister Teknik Informatika (M.T.I) untuk jenjang S2 di Universitas Raharja, Cikokol Tangerang. Dalam penyusunan tesis ini, penulis banyak menerima bantuan dan dorongan baik moril maupun materil, serta bimbingan dan semangat yang diberikan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis menyampaikan rasa terima kasih secara tulus dan ikhlas kepada: 1. Bapak Ir. Untung Rahardja, M.T.I., sebagai Ketua Yayasan Universitas Raharja. 2. Bapak Sugeng Santoso, M.Kom, sebagai Kepala Program Studi Magister Teknik Informatika Universitas Raharja. 3. Bapak Dr. Ir. Winarno, M.Kom sebagai Dosen Pembimbing I yang telah berkenan memberikan bimbingan dan pengarahan kepada penulis. 4. Bapak Spits Warnars Harco Leslie Hendric, PhD sebagai Dosen Pembimbing II yang telah berkenan memberikan bimbingan dan pengarahan kepada penulis. 5. Bapak dan Ibu Dosen Universitas Raharja yang telah memberikan ilmu pengetahuan kepada kami. Penulis menyadari bahwa penulisan Laporan Proposal Tesis ini masih jauh dari kesempurnaan dan masih banyak kekurangannya. Untuk itu, penulis mohon kritik dan saran yang bersifat membangun demi kesempurnaan penulisan di masa yang akan datang. Akhir kata, penulis berharap Laporan Proposal Tesis ini dapat memberikan manfaat bagi penulis khususnya dan bagi para pembaca pada umumnya sebagai bahan acuan yang bermanfaat dikemudian hari. Tangerang, 2019 

                                                        (Dian Sugiarto)                                                                                                  
                                                                    Penulis


DAFTAR ISI Lembar Judul Kata Pengantar iii Abstrak iv Daftar Isi v BAB I PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Identifikasi Masalah 3 1.3 Rumusan Masalah 4 1.4 Batasan Masalah 4 1.5 Tujuan & Manfaat Penelitian 5 BAB II LANDASAN PEMIKIRAN 8 2.1 Tinjauan Pustaka 8 2.2 Dasar Teori 9 2.2.1 Rancang Bangun Sistem 9 2.2.2 Business Intelligence 10 2.2.2.1 Arsitektur Business Intelligence 14 2.2.2.2 Jenis Business Intelligence 16 2.2.3 Data Warehouse 17 2.2.3.1 Karakteristik Data Warehouse 19 2.2.3.2 Tugas Data Warehouse 219 2.2.3.3 Arsitektur Data Warehouse 193 2.2.4 On-Line Analytical Processing 195 2.2.5 Data Mining 199 2.2.6 Alat Bantu Rancang Bangun Sistem Business Intelligence Penjualan 19 2.2.6.1 Unified Modeling Language 19 2.2.6.2 Use Case Diagram 19 2.2.6.3 Activity Diagram 19 2.2.6.4 Class Diagram 19 2.2.6.5 Skema Bintang 19 2.2.6.6 PHP 19 2.2.6.7 MySQL 19 2.2.6.8 Framework Codeigniter 19 BAB III METODE PENELITIAN 19 3.1 Metode Penelitian 19 3.2 Populasi dan Sampel 19 3.3 Desain Penelitian 19 3.4 Teknik Pengumpulan Data 19 3.5 Teknik Analisa Data 19 3.6 Jadual Penelitian 43



ABSTRAK

Sistem business intelligence perusahaan dimulai dengan tahapan integrasi data, analisis data, membuat laporan dan membuat web portal dan kemudian mengitegrasikan laporan tersebut dengan web portal. Analisis data diolah dengan proses ETL untuk mengekstrak informasi dari data yang tersimpan didalam database. Hasil proses analisis data tersebut direpresentasikan dalam bentuk laporan dashboard, kemudian digunakan sebagai pendukung pengambilan keputusan penjualan. Penelitian ini bertujuan merancang bangun datamart dalam konteks business intelligence pada divisi penjualan PT. Subafood Pangan Jaya. Kata kunci :Business Intelligence. Datamart, ETL





BAB I PENDAHULUAN 1.1. Latar Belakang Pesatnya perkembangan teknologi informasi saat ini telah mendorong dunia bisnis, akademik, pemerintahan dan bidang lainnya untuk memanfaatkannya semaksimal mungkin. Banyak proses bisnis dan pengolahan data sangat bergantung dengan keberadaan teknologi informasi. Hal ini telah mendorong perusahaan-perusahaan yang ingin berkompetisi atau memenangkan persaingan melakukan terobosan-terobosan terkait pemanfaatan teknologi informasi itu sendiri. Informasi dan data yang dikelola atau dimiliki oleh perusahaan kini telah berubah menjadi aset berharga untuk kepentingan kelangsungan dan eksistensi bisnis guna menghadapi persaingan dunia usaha yang begitu ketat. Tanpa pengelolaan dan pemanfaatan data dan informasi tersebut secara maksimal maka boleh dikatakan perusahaan tersebut tidak memaksimalkan salah satu potensi yang dimiliki untuk menghadapi persaingan. Selain itu untuk menghadapi perkembangan dan pertumbuhan bisnis yang cepat, data dan informasi tersebut perlu dipelihara untuk kemudahan akses jika sewaktu-waktu dibutuhkan misalnya untuk keperluan analisa customer, transaksi penjualan dan lain sebagainya. Kemudahan akses data-data operasional yang bersifat historical dapat dikembangkan menjadi informasi guna kebutuhan perencanaan atau kebutuhan strategis untuk melihat peluang ke depan dengan tujuan membuat terobosan-terobosan bisnis baru yang sesuai dengan inti bisnis yang dimiliki perusahaan. Untuk mendukung pengelolaan data yang baik, utamanya bagi perusahaan yang memiliki data dengan volume besar dan tersebar ke dalam berbagai aplikasi terpisah, dewasa ini telah ada teknologi data warehouse yang dapat menggabungkan data dari berbagai sumber data operasional dan sinkronisasi datanya dapat dilakukan secara periodik maupun real time, disesuaikan dengan kebutuhan yang ada. Penerapan data warehouse yang baik dan sesuai dengan kebutuhan secara otomatis memudahkan pengelolaan data dan proses pengambilan informasi dari sumber data, selanjutnya adalah bagaimana data tersebut dapat disajikan secara informatif dan dapat menjawab kebutuhan dan proses bisnis, baik yang telah terjadi, sedang terjadi maupun apa yang terjadi di masa datang berdasarkan informasi yang disajikan. Salah satu bentuk penyajian informasi yang baik dan dapat menjawab pertanyaan apa yang telah terjadi, sedang terjadi maupun apa yang akan terjadi di masa datang berdasarkan informasi dari data operasional adalah penerapan Business Intelligence yang selanjutnya disingkat BI. Jadi singkatnya BI (tools) dapat menjawab tantangan bisnis organisasi ke depan bila diterapkan dengan baik tentunya diawali dengan pengelolaan data yang baik pula. Subbab 1.2 dijabarkan berbagai permasalahan yang dihadapi oleh PT. Subafood Pangan Jaya.

1.2. Masalah Penelitian 1.2.1. Identifikasi Masalah Permasalahan yang ada dalam di lingkungan PT. Subafood Pangan Jaya adalah secara umum memiliki produk utama yang dijual yaitu bihun jagung. Produk tersebut memiliki beragam jenis produk turunan dengan variasi dan karasteristik yang berbeda-beda. Hal ini tentu seiring dengan berjalannya waktu maka volume data yang disimpan semakin besar sehingga sewaktu-waktu jika dibutuhkan analisa data tentu membutuhkan waktu yang cukup signifikan jika diukur dengan kondisi teknologi informasi sekarang yang dapat menyajikan informasi secara cepat dan akurat dari data yang diolahnya. Analisa data yang dilakukan oleh bagian penjualan untuk kebutuhan penilaian seberapa jauh nilai jual suatu produk seringkali data yang dimiliki atau diambil dari sumber data tidak didukung oleh data-data yang kurang akurat dikarenakan data-data pendukung tersimpan di sumber data yang terpisah. Karena analisa data dilakukan oleh pihak-pihak yang berbeda hanya sesuai dengan kebutuhan masing-masing, maka jika dibandingkan hasil yang diperoleh tersebut memiliki perbedaan yang signifikan, hal ini membuat koordinasi antara fungsi terkait dalam organisasi bekerja tidak maksimal karena masing-masing data yang dimiliki berbeda dalam angka dan interprestasi, dan membuat masing-masing pihak tersebut tidak mempercayai data dan informasi yang dimiliki, salah satu cara untuk meningkatkan kepercayaan data yang dimiliki adalah dengan meminta data langsung ke bagian teknologi informasi sehingga pihak-pihak tersebut seperti mendapat jaminan bahwa data yang dimiliki valid. Sesuai dengan penjelasan diatas, maka untuk permasalahan yang muncul dapat diidentifikasi sebagai berikut : 1. Persaingan bisnis dewasa ini semakin meningkat, sehingga masing-masing perusahaan dituntut untuk bisa meningkatkan daya saing melalui pemanfaatan teknologi. 2. Informasi dan Data yang dikelola oleh perusahaan telah menjadi aset yang berharga bagi pengembangan usaha, sehingga perlu dilakukan pengelolaan data dan informasi secara tepat. 3. Data dan Informasi perlu dipelihara untuk kemudahan akses jika sewaktu-waktu dibutuhkan. 4. Belum adanya datamart penjualan yang digunakan untuk mengolah data penjualan. 5. Belum adanya penyajian informasi secara mendalam mengenai data-data penjualan yang dapat digunakan untuk menentukan strategi penjualan. Berdasarkan dari rincian identifikasi masalah tersebut diatas, maka permasalahan pada nomor lima (Belum adanya penyajian informasi secara mendalam mengenai data-data penjualan yang dapat digunakan untuk menentukan strategi penjualan) merupakan identifikasi masalah yang paling tepat untuk dilakukan penelitian dalam hal ini untuk penulisan tesis dengan judul “Penerapan Datamart dalam konteks Business Intelligence di Divisi Penjualan PT Subafood Pangan Jaya”. 1.2.2. Rumusan Masalah Berdasarkan latar belakang di atas maka dapat dirumuskan masalah pada penelitian ini yakni : 1. Apakah penerapan datamart dalam konteks business intelligence di Divisi Penjualan PT Subafood Pangan Jaya dapat memberikan informasi secara detail dalam mengambil keputusan ? 2. Apakah penyajian informasi dalam penerapan business intelligence dashboard sudah informatif ? 1.2.3. Batasan Masalah Berdasarkan rumusan masalah di atas, penulis memberikan batasan masalah sebagai berikut : 1. Data yang digunakan yakni data penjualan tahun 2010, 2011, dan 2012. 2. Informasi disajikan dalam bentuk grafik yang memberikan informasi mengenai total penjualan barang, trends penjualan barang perbulan dan per tahun berdasarkan produk. 3. Aplikasi Business Intelligence yang dikembangkan yaitu berbasis Web (Web Application). 4. Pengguna dari aplikasi ini yaitu Manajer dan Supervisor pada Departemen Penjualan. 1.3. Tujuan dan Manfaat Penelitian 1.3.1. Tujuan Penelitian a. Membuat rancangan datamart untuk Divisi Penjualan; b. Mengimplementasikan datamart penjualan berdasarkan rancangan yang telah dibuat; c. Membuat business intelligence dashboard untuk menyajikan informasi kinerja atas penjualan; d. Mengetahui tingkat keberhasilan penerapan datamart dan pembuatan business intelligence dashboard dalam konteks business intelligence di Divisi Penjualan. 1.3.2. Manfaat Penelitian 1.3.3.1 Manfaat Bagi Pemakai (Eksekutif) Dapat Memberikan informasi tentang masalah yang terjadi sehingga Pimpinan (dalam hal ini pimpinan dalam bidang penjualan) dapat melakukan perbaikan yang berkelanjutan. 1.3.3.2 Manfaat Bagi Penulis Menambah wawasan berfikir dalam penerapan Business Intelligence di lapangan 1.3.3.3 Manfaat Bagi Ilmu Pengetahuan a. Diharapkan dapat memberikan manfaat berupa penerapan teori Business Intelligence menggunakan metode pengembangan waterfall dengan teknik analisis dan perancangan berorientasi obyek menggunakan desain model Unified Modelling Language (UML); b. Diharapkan dapat dijadikan bahan referensi terkait dengan pokok bahasan penerapan business intelligence pada sistem informasi penjualan. 1.4. Sistematika Penulisan Sistematika penulisan laporan penelitian tesis ini adalah sebagai berikut : BAB I PENDAHULUAN Bab ini menjelaskan tentang latar belakang, masalah penelitian, tujuan dan manfaat penelitian, sistematika penulisan laporan BAB II LANDASAN TEORI Bab ini berisi tinjauan pustaka, tinjauan studi, tinjauan organisasi atau objek penelitian, kerangka pemikiran dan hipotesis. BAB III METODOLOGI PENELITIAN Bab ini berisi metode penelitian, metode pengumpulan data, teknik analisis data dan langkah-langkah penelitian dan jadwal penelitian. BAB VI PEMBAHASAN HASIL PENELITIAN Bab ini menguraikan tentang penjabaran hasil penelitian berupa hasil analisa, masalah yang ditemukan, usulan solusi yang diusulkan oleh peneliti berupa sistem Business Intelligence. BAB V PENUTUP Pada bab ini penulis menyimpulkan isi dari hasil penelitian serta saran-saran yang dapat berguna bagi penulis.   BAB II LANDASAN TEORI 2.1. Data Warehouse dan Datamart Pada bagian ini dijelaskan mengenai pengertian mengenai data warehouse dan datamart, pemrosesan ETL 2.1.1 Pengertian Data Warehouse dan Datamart Data Warehouse atau disingkat DW merupakan basisdata relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, dan biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data Warehouse dapat juga dikatakan sebagai tempat penyimpanan ringkasan dari data historis yang seringkali diambil dari basisdata terpisah departemen, organisasi atau perusahaan (Kimball dan Caserta, 2004). Menurut Inmon (2002) bahwa data warehouse merupakan koleksi data yang mempunyai sifat berorientasi subyek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management, proses ini subject-oriented, terintegrasi, waktu yang bervariasi dan permanen. Tujuan utama dari pembuatan data warehouse merupakan untuk menyatukan data yang beragam ke dalam sebuah tempat penyimpanan dimana pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis. Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan. Dari definisi yang dijelaskan diatas, dapat disimpulkan bahwa data warehouse merupakan basisdata yang saling berinteraksi dan dapat digunakan untuk query dan analisis, bersifat orientasi subyek, terintegrasi, time-variant, tidak berubah (adhoc) yang nantinya digunakan dalam membantu pengambilan keputusan organisasi atau perusahaan oleh pihak pengambil keputusan. Sedangkan Datamart adalah fasilitas penyimpan data yang berorentasi pada Subject tertentu atau berorentasi pada Departemen tertentu dari suatu organisasi, fokus pada kebutuhan Departemen tertentu seperti Sales, Marketing, atau Operation. Sehingga suatu Organisasi bisa mempunyai lebih dari satu Data Mart. Data Mart pada umumnya di organisasikan sebagai suatu Dimensional Model, seperti Star-Schema yang tersusun dari sebuah tabel Fact dan beberapa tabel Dimension. Arsitektur data mart dibedakan menjadi dua, yaitu: a) Dependent Data Mart Dependent Data Mart berlaku sebagai komponen atau suatu bagian dari Enterprise Data Warehouse, Data Mart dibangun dengan cara extract data dari Data Warehouse.

Gambar 2.1 Arsitektur Dependent Data Mart b) Independent Data Mart Dibangun dengan cara extract langsung data dari berbagai Source System. Independent Data Mart tidak tergantung pada pusat penyimpan data seperti Data Warehouse arsitektur ini biasa juga disebut sebagai “Data Warehouse Bus structure”.

Gambar 2.2 Arsitektur Independent Data Mart Tabel 2.1 Perbandingan Data Mart dan Data Warehouse (Ponniah, 2001) Data Warehouse Data Mart Menampung seluruh data organisasi Menampung data per departemen Merupakan kumpulan data mart Merupakan proses bisnis tunggal Subyek penggunanya luas Subyek penggunanya departemental Terpusat Desentralisasi Dibuat untuk menampilkan data perusahaan Dibuat untuk menampilkan data per departemen

2.1.2 Extraction Transformation Loading (ETL) ETL merupakan proses mengambil data aplikasi yang dibutuhkan dan mengintegrasikannya ke dalam data warehouse. ETL adalah proses menyiapkan data yang meliputi pengambilan data yang dibutuhkan, pengubahan dan pengintegrasian data, serta pemuatan data dari sumber data ke dalam data warehouse. (Inmon, 2005) Di dalam jurnal yang ditulis oleh (Steinacher, 2000), proses ETL dibagi menjadi 3 bagian, yaitu: 1. Data extraction; Untuk memulai proses ETL, programmer akan menjalankan rutin extraction untuk membaca record dari database sumber dan membuat data pada record dapat dipakai untuk proses transformasi. 2. Data transformation; Setelah melakukan proses extraction, data kemudian ditransformasikan ke dalam bentuk yang cocok dengan lingkungan data warehouse. Terdapat beberapa teknik tranformasi yang sering dilakukan, yaitu aggregation, value translation, field derivation, dan cleansing. Sebelum melakukan loading ke data warehouse, biasanya programmer akan melakukan aggregate data terlebih dahulu. Aggregation akan menggantikan sejumlah record detail dengan beberapa baris record ringkasan. Sebagai contoh, andaikan data penjualan dalam setahun disimpan dalam beberapa ribu record dalam database yang sudah dinormalisasi. Melalui aggregation, data tersebut ditransformasi menjadi data ringkas yang akan disimpan pada data warehouse penjualan. Value translation merupakan salah satu teknik dalam transformasi data. Database operasional menyimpan kode informasi untuk membatasi redudansi data dan merupakan syarat penyimpanan. Sebagai contoh, kode barang ditulis di dalam file faktur karena panjangnya yang pendek, daripada menulis deskripsi produk dalam faktur. Karena data warehouse mengandung informasi ringkasan dan dirancang untuk kemudahan penggunaan, programmer biasanya mengganti kode tersebut dengan deskripsi yang lebih jelas. Inilah yang disebut sebagai value translation. Field derivation merupakan teknik ketiga dalam mentransformasikan data. Melalui field derivation, informasi baru diciptakan untuk pengguna. Sebagai contoh, andaikan database operasional mengandung kolom untuk jumlah penjualan dan harga per unit. Daripada membuat pengguna menghitung penghasilan, programmer dapat membuat kolom penghasilan selama proses transformasi. Produk-produk ETL telah memungkinkan programmer untuk menggunakan operasi matematika, fungsi statistik, manipulasi string, date arithmetic, dan logika kondisional untuk menurunkan kolom baru. Teknik transformasi yang keempat, cleansing, mempunyai banyak kegunaan. Programmer bergantung pada algoritma cleansing untuk menjaga agar data yang tidak akurat tidak masuk ke dalam sistem. Sebagai contoh, cleansing biasanya memastikan bahwa kolom numeric mengandung data angka. Cleansing dapat juga digunakan dalam kasus dimana satu nilai unik direpresentasikan dalam banyak cara di database. Sebagai contoh, IBM dapat digambarkan sebagai IBM Co. atau International Businesss Machines, dan lain sebagainya. Selama proses cleansing, versi-versi lain dari elemen data yang sama diganti dengan nilai tunggal. Tipe-tipe transformasi yang biasa di implementasikan pada data warehouse adalah sebagai berikut : • Format-Changes, dimana setiap data field dari sistem operasional disimpan dalam format dan tipe data yang berbeda. Individual data ini akan di modifikasi selama proses transformasi ke dalam format yang di standarisasi. • De-duplication, record dari beberapa sumber dibandingkan untuk mengidentifikasi adanya duplikasi berdasarkan nilai dari suatu field. Data yang terduplikasi bisa di merge menjadi suatu single record. Record yang potensial mengalami duplikasi akan dipisahkan dalam suatu tempat untuk di pilah secara manual. • Splitting up fields, data dari source system sangat mungkin untuk di pisahkan dalam satu atau beberapa field dalam data warehouse. Hal yang sering terjadi adalah pemisahan data informasi customer yang terdiri dari satu field dipisahkan menjadi beberapa field di data warehouse seperti nama jalan, nama gedung, kota, kode pos dan sebagainya. • Integrating fields, kebalikan dari splitting up fields dimana dua buah field atau lebih akan di integrasikan dalam satu field. • Replacement of values, jika data dalam system operasional memliki makna yang kurang informatf bagi pengguna data warehouse, akan ditransformasikan kedalam bentuk yang lebih sesuai. • Derived values, field yang dihasilkan dari formulasi fungsi agregasi. Dengan melakukan penghitungan sebelum dimasukkan ke dalam data warehouse maka kemungkinan kesalahan yang akan dilakukan oleh pengguna data warehouse akan berkurang. Sebagai contoh field balance, ratio dan sebagainya • Aggregate, field yang diagregasi secara atomik juga dapat dilakukan sebelum dimasukkan ke dalam data warehouse. 3. Data loading; Setelah data ditransformasikan, programmer menggunakan prosedur load untuk menulis data tersebut ke dalam database yang menjadi target. Selama tahap ini, kita harus menentukan apakah akan menyebarkan data secara berkala atau terus-menerus. Penambahan terjadi secara teratur, seperti harian, mingguan, atau bulanan. Pendekatan ini merekam kondisi sistem operasional pada saat-saat spesifik. Jika pengguna menginginkan informasi terkini, continuous propagation dapat memuat data ke dalam database target pada basis waktu real-time. Kita bisa mengkategorikan data loading berdasarkan metode yang dipakai untuk mereplikasi data. Dalam replikasi push, aplikasi sumber “mendorong‟ data yang telah ditransformasi ke aplikasi target. Dalam replikasi pull, aplikasi target “menarik‟ data yang diperlukan olehnya, seperti ketika pengguna menjalankan sebuah query. Kita juga bisa merancang prosedur load yang menggunakan proses pull dan push. Pada pendekatan tipe ini, aplikasi sumber biasanya mendorong data ke staging database, dimana data tersebut akan ditransformasi dan kemudian ditarik ke dalam aplikasi target ketika diperlukan saja. Pendekatan tipe ini memerlukan ruang disk yang lebih besar, tapi dapat meningkatkan performa. 2.2 Metodologi Perancangan Data Warehouse/Datamart Menurut Kimball terdapat sembilan langkah dalam merancang database untuk data warehouse (Kimbal & Ross, 2002) yaitu : Langkah 1 : Memilih Proses Proses ini merujuk pada subjek data warehouse tertentu. Data warehouse yang dibangun pertama kali haruslah data warehouse yang dapat dikerjakan dan selesai tepat waktu, biaya yang cukup, dan menjawab pertanyaan bisnis paling penting. Contoh pemilihan proses adalah yang berkaitan dengan proses penjualan. Langkah 2 : Memilih grain Memilih grain berarti kita memutuskan secara tepat apa yang direpresentasikan oleh record pada tabel fakta. Sebagai contoh, entitas PropertySale merepresentasikan fakta tentang tiap-tiap penjualan properti dan menjadi tabel fakta dari star schema penjualan properti. Oleh karena itu, grain dari tabel fakta PropertySale adalah setiap record penjualan properti. Ketika kita sudah memilih grain dari tabel fakta, maka kita bisa mengidentifikasikan dimensi-dimensi dari tabel fakta. Langkah 3 : Identifikasi dan membuat dimensi yang sesuai Dimensi mengatur konteks untuk mengajukan pertanyaan tentang fakta-fakta dalam tabel fakta. Dimensi yang dirancang dengan baik membuat datamart lebih mudah dimengerti dan digunakan. Dimensi yang tidak lengkap dan kurang akan menurunkan manfaat dari sebuah datamart bagi perusahaan. Jika terdapat dimensi yang muncul dalam dua datamart, mereka harus merupakan dimensi yang persis sama, atau salah satu harus merupakan subset matematis dari yang lain. Hanya dengan cara ini, dua datamart dapat saling berbagi satu atau lebih dimensi pada aplikasi yang sama. Ketika sebuah dimensi digunakan pada lebih dari satu data mart, maka dimensi itu disebut sedang disesuaikan. Kalau dimensi tersebut tidak disinkronisasi, maka keseluruhan data warehouse akan gagal karena kedua datamart tidak akan dapat digunakan secara bersama-sama. Langkah 4 : Memilih Fakta Grain pada tabel fakta menentukan fakta mana yang dapat digunakan dalam datamart. Semua fakta harus diekspresikan pada tingkatan yang telah dinyatakan oleh grain. Dengan kata lain, kalau grain dari tabel fakta adalah setiap record pada penjualan properti, maka semua fakta numerik harus merujuk pada penjualan jenis ini. Dan juga, fakta harus berupa numerik dan hasil penjumlahan. Langkah 5 : Menentukan data pre-kalkulasi dari tabel fakta Ketika fakta telah dipilih, maka masing-masing fakta tersebut harus diperiksa ulang untuk menentukan apakah ada kemungkinan untuk menggunakan prekalkulasi. Contoh umum akan kebutuhan menyimpan pre-kalkulasi terjadi ketika terdapat fakta yang terdiri dari pernyataan laba dan rugi. Situasi ini akan sering terjadi ketika tabel fakta berdasarkan penjualan atau invoice. Langkah 6: Melengkapi tabel dimensi Pada langkah ini, kita melengkapi tabel dimensi dengan menambahkan keterangan ke dalamnya. Deskripsi ini harus intuitif dan mudah dimengerti oleh pengguna. Langkah 7: Memilih durasi dari basis data Kita harus menentukan seberapa jauh durasi waktu yang ditampung di dalam tabel fakta. Untuk perusahaan seperti perusahaan asuransi, mengharuskan untuk menyimpan data sampai 5 tahun atau lebih. Tabel fakta yang sangat besar menimbulkan setidaknya dua masalah signifikan pada data warehouse. Pertama, semakin tua suatu data, maka akan ada masalah dalam membaca dan menginterpretasikan file tua tersebut. Kedua, wajib untuk menggunakan versi lama dari dimensi penting, bukan versi yang baru. Ini dikenal sebagai masalah pada slowly changing dimension. Langkah 8: Melacak dimensi yang berubah secara perlahan Ada tiga tipe dimensi yang berubah secara perlahan (slowly changing dimension), yaitu: Tipe 0, yaitu dimensi yang tidak pernah mengalami perubahan, contohnya dimensi waktu. Tipe 1, yaitu perubahan dimensi menyebabkan data lama dioverwrite. Tipe 2, yaitu perubahan dimensi menyebabkan pembentukan record baru. Tipe 3 yaitu perubahan dimensi menyebabkan pembuatan atribut alternatif sehingga nilai yang lama dan nilai yang baru dapat diakses secara bersama pada dimensi yang sama. Langkah 9: Menentukan prioritas dan mode dari query Pada langkah ini, kita mempertimbangkan permasalahan desain fisik. Permasalahan desain fisik paling kritis yang mempengaruhi persepsi pengguna terhadap data mart adalah urutan fisik dari tabel fakta pada disk dan kehadiran ringkasan atau aggregation yang telah disimpan.


2.3 Konsep Pemodelan Data Warehouse/Data Mart Konsep Permodelan data warehouse dibedakan menjadi beberapa pendekatan perancangan termasuk penentuan perancangan dimensi yang digunakan. 2.3.1 Star Schema Star schema adalah struktur logikal yang dibentuk dari sebuah tabel fakta yang mengandung data fakta pada bagian tengah, dikelilingi oleh tabel-tabel dimensi yang mengandung data referensi, dimana data tersebut dapat didenormalisasi (Connoly & Begg, 2005). Star schema mengeksploitasi karakteristik dari data faktual seperti fakta yang dihasilkan oleh peristiwa yang muncul pada waktu yang lalu dan tidak berubah, tanpa memperhatikan bagaimana mereka dianalisis. Penting untuk memperlakukan data fakta sebagai data referensi yang bersifat read-only. Star schema dapat dipakai untuk meningkatkan kecepatan performa kinerja query dengan melakukan denormalisasi informasi referensi ke dalam tabel dimensi tunggal. Denormalisasi dianjurkan ketika terdapat sejumlah entitas yang berhubungan dengan tabel dimensi yang sering diakses. Gambar 2.3 merupakan contoh perancangan star schema.

Gambar 2.3 Perancangan Star Schema 2.3.2 Snowflake Schema Snowflake schema adalah variasi lain dari star schema dimana tabel dimensi tidak berisi data yang didenormalisasi (Connoly & Begg, 2005). Pada snowflake schema, sebuah tabel dimensi dapat mempunyai tabel dimensi lainnya. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memory, tetapi waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama. Gambar 2.4 contoh perancangan snowflake skema.

Gambar 2.4 Perancangan Snowflake Schema 2.3.3 Schema Galaxy / Fact Constellation Fact constellation schema adalah dimensional model yang didalamnya terdapat lebih dari satu tabel fakta yang membagi satu atau lebih tabel dimension. Skema ini lebih kompleks daripada star schema karena berisi berbagai tabel fakta. Dalam skema fact constellation, satu dimensi tabel dapat digunakan di beberapa tabel fakta sehingga desainnya lebih kompleks. Keuntungan dari skema fact constellation adalah kemampuan untuk memodelkan bisnis lebih akurat menggunakan beberapa tabel fakta dan dapat menghemat memori dan mengurangi kesalahan yang mungkin terjadi. Skema Fact Constellation biasanya digunakan dalam sebuah desain Enterprise Data Warehouse, sedangkan dua desain lainnya (star skema dan snow flake skema) digunakan untuk membangun data warehouse atau datamart dengan skala yang lebih kecil yang spesifik untuk memenuhi kebutuhan sebuah bagian/unit bisnis dari sebuah organisasi. Gambar 2.5 contoh perancangan dengan skema fact constellation.

Gambar 2.5 Perancangan Skema Fact Constellation 2.4 Dasar Teori Business Intelligence 2.4.1 Business Intelligence Business Intelligence atau disingkat BI merupakan kumpulan dan serangkaian kegiatan atau tahapan-tahapan untuk mengumpulkan data dan menganalisis data sehingga dapat digunakan untuk proses pengambilan keputusan yang lebih baik sehingga dapat digunakan dalam proses pengambilan keputusan vital dalam bisnis perusahaan atau keputusan untuk memperoleh tujuan dari bisnis perusahaan. Business Intelligence seringkali digunakan untuk dapat membantu kegiatan bisnis dalam proses pengambilan keputusan stategis seperti perencanaan anggaran tahunan, penentuan target sales, menganalisa dan memprediksi tren bisnis serta melakukan data konsolidasi untuk keperluan para pengambil keputusan. Business Intelligence merupakan kerangka kerja konseptual untuk mendukung keputusan bisnis, business intelligence menggabungkan arsitektur, basisdata atau data warehouse, tool analisis dan aplikasi (Turban dkk., 2007). Business Intelligence digunakan untuk aplikasi dan teknologi dalam mengumpulkan, menyimpan, menganalisa, dan menyediakan akses pada data sehingga dapat membantu pengguna dari kalangan perusahaan atau organisasi untuk mengambil keputusan dengan lebih baik dan tepat (Brannon, 2010). Business Intelligence menjelaskan tentang suatu konsep dan metode bagaimana cara atau prosedur untuk meningkatkan kualitas pengambilan keputusan bisnis berdasarkan sistem yang berbasiskan data-data dari berbagai data sumber. Dimana dalam proses business intelligence melakukan kegiatan pengambilan jumlah data yang besar, kemudian melakukan proses menganalisis data, dan dilanjutkan dengan menyajikan serta melaporkan hasil dari proses business intelligence tersebut sebagai bahan pertimbangan tindakan manajemen bisnis, memungkinkan untuk mengambil keputusan pokok bisnis saat dibutuhkan. Selain itu, business intelligence dapat digunakan untuk membuat referensi prediksi sehingga orang lain dapat mengukur dampak keputusan yang dibuat berdasarkan data yang ada. Business Intelligence juga merupakan proses yang berulang-ulang dengan cara menganalisis data untuk melihat apa yang terjadi. Kemudian mengambil tindakan untuk melanjutkan setiap hasil positif serta menghentikan jika ada potensi menuju arah negatif, sekaligus mengukur hasil dari setiap keputusan yang ada terhadap faktor pendukung eksternal maupun internal yang bagi bisnis perusahaan. Business Intelligence dalam kaitannya management support terhadap data terstruktur dan data tidak terstruktur, merupakan proses mengintegrasikan dan menyatukan komponen-komponen untuk menangani data-data pada business intelligence framework. Pendekatan tersebut akan dilakukan dengan tiga jenis pendekatan yaitu mengintegrasikan data yang terstuktur dan tidak terstruktur, melakukan analisis koleksi data dan melakukan pendistribusikan hasil analisis ke dalam bentuk yang sesuai dengan kebutuhan. Pendekatan tersebut diatas dapat memanfaatkan tiga lapisan business intelligence framework berupa data layer, logic layer dan access layer seperti yang ditunjukan pada gambar 2.1 arsitektur business intelligence dengan beberapa lapisan (Baars dan Kemper, 2006).


Gambar 2.1 Arsitektur Business Intelligence (Baars dan Kemper, 2008) Dalam sebuah perusahaan atau organisasi, keputusan dibuat pada tingkatan atau level yang berbeda-beda, keputusan juga harus dilakukan secepat mungkin untuk mempertahankan daya saing, sehingga dapat membuat keputusan yang benar dan menjadi dasar yang solid dalam hal data, informasi dan ketersediaan pengetahuan. Dasar ini dapat bersumber dari informasi atau data berita bisnis, konferensi, pelanggan, tenaga penjualan, dan sebagainya.Sehingga bersama-sama membentuk sebuah konsep mengenai pasar dan dunia bisnis tertentu. Gambar 2.2 menyajikan pemahaman dasar mengenai sistem business intelligence. Sebuah sistem business intelligence dengan kata lain merupakan kombinasi data warehouse dan sistem pendukung keputusan. Hal ini menjelaskan bagaimana data dari sumber-sumber yang berbeda dapat diekstraksi dan disimpan dan selanjutnya diambil untuk dianalisis. Kegiatan utama business intelligence meliputi pengumpulan, menyiapkan dan menganalisa data. Dalam proses business intelligence data yang digunakan harus berkualitas tinggi, dengan cara memperolehnya dari berbagai sumber data yang dikumpulkan, kemudian diubah, lalu dibersihkan, selanjutnya dimuat dan disimpan dalam basisdata data warehouse.


Gambar 2.2 Pemahaman Dasar Sistem Business Intelligence (Ranjan, 2009) 2.4.2 Arsitektur Business Intelligence Arsitektur dari sebuah sistem business intelligence terdiri atas enam komponen utama (Vercellis, 2009) yaitu : 1. Data Source Pada tahap pertama ini diperlukan proses untuk mengumpulkan dan mengintegrasi data yang disimpan dalam berbagai sumber yang bervariasi yang saling berbeda baik itu asal maupun jenisnya. Sumber data ini berasal dari data yang terdapat pada operational system, tetapi juga bisa berasal dari dokumen yang tidak terstruktur seperti email dan data yang dikirimkan oleh pihak luar. 2. Data Mart Pada tahap ini proses menggunakan extraction dan transformation tool yang dikenal sebagai ETL (Extract, Transform, Load), yang ditujukan untuk mendukung proses analisis business intelligence. 3. Data Exploration Pada tahap ini, tools yang berfungsi untuk keperluan analisis business intelligence pasif digunakan.Tools ini terdiri dari query dan reporting system, serta statistical methods. Metodologi ini bersifat pasif dikarenakan para pengambil keputusan harus mengambil keputusan berdasarkan hipotesis mereka sendiri atau mendefiniskan kriteria dari data extraction, kemudian menggunakan tools analisis untuk menemukan jawaban dan mencocokannya dengan hipotesa awal mereka. 4. Data Mining Pada tahap ini proses terdiri sejumlah metodologi business intelligence bersifat aktif yang tujuannya untuk mengekstrak informasi dan pengetahuan dari data tersebut. Metodologi ini berisi sejumlah model matematika untuk pengenalan pola (pattern), pembelajaran mesin (machine learn) dan teknik data mining. 5. Optimization Pada tahap ini menghasilkan solusi dimana solusi terbaik harus dipilih dari sekian solusis alternatif yang ada, dan biasanya sangat banyak dan beragam atau bervariasi. 6. Decisions Pada tahap ini yang menjadi persoalan utama merupakan bagaimana menentukan keputusan akhir yang akan diambil yang dikenal sebagai decision making process. Walaupun metodologi business intelligence berhasil diterapkan, pilihan untuk mengambil sebuah keputusan tetap ada ditangan para pengambil keputusan tersebut. 2.4.3 Jenis Business Intelligence Menurut Turban, dkk (2007), business intelligence terbagi ke dalam lima jenis atau kategori yaitu : 1. Enterprise Reporting yakni digunakan untuk menghasilkan laporan-laporan statis yang didistribusikan ke banyak orang. Jenis laporan ini sangat sesuai untuk laporan operasional dan dashboard. 2. Cube Analysis yakni digunakan untuk menyediakan analisis OLTP multidimensional yang ditujukan untuk manajer bisnis dalam lingkungan terbatas. 3. Ad Hoc Query and Analysis yakni digunakan untuk memberikan akses kepada user agar dapat melakukan query pada basis data, dan menggali informasi sampai pada tingkat paling dasar dari informasi transaksional. Query ini berfungsi untuk mengeksplor informasi yang dilakukan oleh user. 4. Statistical Analysis and Data Mining yakni digunakan untuk melakukan analisis prediksi atau menentukan korelasi sebab akibat diantara dua matrik. Delivery Report and Alert yakni digunakan secara proaktif untuk mengirimkan laporan secara lengkap atau memberikan peringatan kepada populasi user yang besar atau banyak. 2.2 Penelitian Sebelumnya Penelitian sebelumnya mengenai business intelligence telah menarik perhatian banyak peneliti, beberapa penelitian terdahulu adalah: Tabel Ringkasan Penelitian Sebelumnya No Peneliti, Judul dan Publikasi Penelitian yang penulis lakukan 1. Suwarni Isa, Sani Muhamad Susena, Karona Cahya Nugroho, Eko Cahyo Girsang, Abba Suganda Gunarso, Davy Yeria, Business Intelligence for Analyzing Department Unit Performance in eProcurement System, 2018 International Conference on Orange Technologies, ICOT 2018 Penelitian ini menjelaskan bagaimana menerapkan teknologi data warehouse untuk menciptakan cara tercepat untuk membuat laporan berdasarkan persyaratan tanpa menyesuaikan permintaan SQL dan hanya membaca data yang diperlukan saja. Dengan metodologi Kimball, data dapat dilaporkan dalam berbagai bentuk dan pembuat keputusan dapat mengambil keputusan terbaik dalam Sistem eProcurement (Suwarni et al., 2019)

2 Wani, Mudasir Ahmad Jabin, Suraiya, Big Data: Issues, Challenges, and Techniques in Business Intelligence, Advances in Intelligent Systems and Computing Dalam penelitian ini, telah dilakukan identifikasi masalah dan tantangan terkait dengan big data, business intelligence dan menunjukkan perbandingan komprehensif berbagai teknik untuk menangani masalah big data (Wani & Jabin, 2018)

3. Vallurupalli, Vamsi Bose, Indranil, Business intelligence for performance measurement: A case based analysis, Decision Support Systems Penelitian ini memberikan pelajaran utama tentang perencanaan yang sukses, pelaksanaan dan adopsi PMS berbasis BI serta identifikasi faktor-faktor keberhasilan kritis (CSF) dalam implementasi PMS, yang akan menarik bagi organisasi yang berencana untuk mengimplementasikan suatu sistem serupa (Vallurupalli & Bose, 2018)

4. Rikhardsson, Pall Yigitbasioglu, Ogan, Business intelligence & analytics in management accounting research: Status and future focus, International Journal of Accounting Information Systems Penelitian ini mengulas literatur, menunjukkan beberapa kesenjangan penelitian dan mengusulkan kerangka kerja untuk mempelajari hubungan antara Business Intelligence & Analytic dan akuntansi manajemen (Rikhardsson & Yigitbasioglu, 2018)

5. Eder, Florian Koch, Stefan, Critical Success Factors for the Implementation of Business Intelligence Systems, International Journal of Business Intelligence Research Penelitian ini berfokus pada faktor penentu keberhasilan selama penerapan Business Intelligence. Literatur yang ada ditinjau, dan faktor penentu keberhasilan diekstraksi. Selanjutnya, faktor penentu keberhasilan yang terjadi dalam praktik dikumpulkan melalui wawancara ahli kualitatif yang dianalisis melalui analisis konten kualitatif. Ditemukan bahwa banyak faktor penentu keberhasilan disebutkan dalam literatur dan dalam wawancara ahli juga, seperti dukungan manajemen yang kuat, pendekatan ringan, penerimaan pengguna, tim proyek dan kualitas data. Selain itu, kinerja Business Intelligence, definisi standar, terminologi dan indikator kinerja utama serta pelembagaan dan integrasi Business Intelligence disebutkan dalam wawancara ahli. (Eder & Koch, 2018)

6. Narra, Jagan Mohan Bein, Doina Popa, Vlad, Business Intelligence Dashboard Application for Insurance Cross Selling , Information Technology – New Generations, Advances in Intelligent Systems and Computing Penelitian ini adalah untuk membangun solusi perangkat lunak yang menyediakan platform untuk perusahaan asuransi dan e-commerce untuk menemukan seperangkat alat dan solusi yang dapat diimplementasikan untuk analisis data bisnis mereka. Aplikasi BI Dashboard dapat digunakan oleh perusahaan asuransi untuk mengimplementasikan konsep Cross-Selling dan Up-selling produk asuransi kepada pelanggan mereka. Aplikasi berbasis web Ecommerce digunakan untuk mengimplementasikan konsep pemasaran kolaboratif berbasis kelompok dari produk yang secara internal menggunakan data mining dan algoritma clustering. (Narra, Bein, & Popa, 2018)

7. Sun, Zhaohao Sun, Lizhe Strang, Kenneth, Big Data Analytics Services for Enhancing Business Intelligence, Journal of Computer Information Systems Penelitian ini membahas cara menggunakan layanan Big Data Analytic untuk meningkatkan Business Intelligence (BI). Lebih khusus lagi, Penelitian ini mengusulkan ontologi Big Data Analytic dan menyajikan arsitektur berorientasi layanan analisis data besar (BASOA), dan kemudian menerapkan BASOA ke BI, di mana analisis data yang disurvei menunjukkan bahwa BASOA yang diusulkan layak untuk meningkatkan BI. (Sun, Sun, & Strang, 2018)

8. Ali, Md Shaheb Khan, Shahadat , Organizational Capability Readiness Towards Business Intelligence Implementation, International Journal of Business Intelligence Research Penelitian ini bertujuan untuk menganalisis dan mengeksplorasi pandangan literatur yang terintegrasi dalam kaitannya dengan kesiapan kemampuan organisasi untuk implementasi BI. Analisis konten kualitatif dari artikel sampel yang relevan dilakukan untuk mengeksplorasi pemahaman tematik tentang kesiapan kemampuan organisasi untuk implementasi BI. Temuan utama dari studi review ini diklasifikasikan dalam dua kategori, yaitu, kesiapan kemampuan manajerial dan kesiapan lingkungan yang dipimpin IS. (Ali & Khan, 2018)

9. Delen, Dursun Moscato, Gregory Toma, Inga Linda, The Impact of Real-Time Business Intelligence and Advanced Analytics on the Behaviour of Business Decision Makers, 2018 International Conference on Information Management and Processing, ICIMP 2018 Penelitian ini menyelidiki apakah pengiriman informasi pada saat keputusan bisnis dibuat mempengaruhi atau mengubah pikiran pembuat keputusan, dan dengan demikian, mengarah pada hasil keputusan yang berbeda. Penelitian ini berkontribusi pada teori keputusan deskriptif dan preskriptif dan menambah literatur yang ada di bidang BI. Penelitian ini juga, memberikan wawasan tentang persepsi selektif dan perilaku pembuat keputusan ketika peringatan tentang konsekuensi keputusan diberikan. Berdasarkan hasil yang diperoleh dari penelitian ini yaitu menyajikan rekomendasi tentang bagaimana solusi BI dapat berpotensi ditingkatkan (Delen, Moscato, & Toma, 2018)

10. Muntean, Mihaela , Business Intelligence Issues for Sustainability Projects, Sustainability (Switzerland) Penelitian ini mewakili kontribusi penulis dalam memodelkan data untuk mendukung pendekatan BI lebih lanjut dalam inisiatif keberlanjutan perusahaan. Pemodelan multi-dimensi telah digunakan untuk meletakkan proposal dan untuk memperkenalkan indikator kinerja utama. (Muntean, 2018)

11. Rivas, Alberto Mart, Javier J Prieto, Javier Gonz, Alfonso , Model of Integration of Business Intelligence and Knowledge Management, 2018 First International Conference on Artificial Intelligence for Industries (AI4I) Penelitian ini menyajikan model yang menggunakan teknologi yang muncul untuk mengintegrasikan kedua alat, mempertimbangkan juga aset teknologi dan pengetahuan (yang merupakan elemen kunci dalam pengambilan keputusan) untuk memungkinkan pengunduhan kognitif karyawan perusahaan, inovasi dan keunggulan operasional. (Rivas, Mart, Prieto, & Gonz, 2018)

12. Jin, Dong Hui Kim, Hyun Jung , Integrated Understanding of Big Data, Big Data Analysis, and Business Intelligence: A Case Study of Logistics, Sustainability (Switzerland) Penelitian ini memiliki dua tujuan. Pertama, meninjau literatur tentang BI, Big Data, dan Big Data Analytic untuk menunjukkan bahwa hal tersebut diatas bukan metode terpisah tetapi sistem pendukung keputusan yang terintegrasi. Kedua, mengeksplorasi bagaimana bisnis menggunakan Big Data, dan Big Data Analytic secara praktis dalam hubungannya dengan BI melalui studi kasus pemilahan dan pemrosesan logistik dari perusahaan kurir yang khas. (Jin & Kim, 2018)

13. Sluijter, J. Otten, M. , Business Intelligence (BI) for Personalized Student Dashboards, ACM International Conference Proceeding Series Tujuan dari penelitian ini adalah untuk mengembangkan dasbor yang dipersonalisasi untuk siswa melalui Microsoft Office 365 dan Power BI di mana siswa dapat mengatur KPI pribadi mereka sendiri. Data mentah dari Sistem Informasi Siswa (SIS) diubah menjadi visualisasi yang jelas yang akan membantu siswa mendapatkan wawasan yang lebih baik tentang kinerja akademik mereka. (Sluijter & Otten, 2017)

14. Gawin, Bartlomiej Marcinkowski, Bartosz , Business Intelligence in Facility Management: Determinants and Benchmarking Scenarios for Improving Energy Efficiency, Information Systems Management Penelitian ini menyelidiki sumber data untuk solusi Business Intelligence, yang menyediakan dasar untuk analisis holistik, optimisasi, dan peramalan konsumsi daya listrik dalam Manajemen Fasilitas untuk jaringan fasilitas ritel. Para penulis mengidentifikasi, memverifikasi, dan mengatur faktor-faktor penentu yang meningkatkan proses pengambilan keputusan yang berorientasi pada efisiensi energi dan memperkenalkan serangkaian skenario pembandingan potensial untuk mengelolanya. (Gawin & Marcinkowski, 2017)

15. Visinescu, Lucian L. Jones, Mary C. Sidorova, Anna , Improving decision quality: The role of business intelligence, Journal of Computer Information Systems Penelitian ini memberikan model penelitian anteseden persepsi yang valid dan persepsi kualitas keputusan yang dibuat menggunakan dukungan business intelligence. Temuan memberikan wawasan ke dalam sedikit jalan yang diselidiki seperti peran kompleksitas ruang masalah dalam persepsi kualitas keputusan serta menunjukkan interaksi yang lebih kompleks di antara anteseden kualitas keputusan daripada yang sebelumnya diperiksa. Sebagai contoh, hasil menunjukkan bahwa mungkin ada titik kritis di mana kualitas informasi dan penggunaan sistem mendukung kualitas keputusan yang dirasakan lebih tinggi. Selain itu, penelitian ini memberikan arahan bagi penelitian di masa depan untuk menghasilkan kontribusi yang lebih dalam, lebih bermakna dalam pemahaman kolektif tentang bagaimana business intelligence (BI) berfungsi untuk meningkatkan kualitas pengambilan keputusan. (Visinescu, Jones, & Sidorova, 2017)

16. Petermann, André Junghanns, Martin, Scalable business intelligence with graph collections, IT - Information Technology Penelitian ini, membandingkan sistem canggih untuk manajemen data grafik dan analitik sehubungan dengan dukungan untuk pendekatan dalam skenario Big Data. Untuk memberikan contoh nilai analitis model grafik untuk business intelligence, penelitian ini juga mengusulkan alur kerja analitis untuk mengekstraksi pengetahuan dari data bisnis terintegrasi grafik. Pada akhirnya, penelitian ini menunjukkan bagaimana menggunakan Gradoop, sebuah kerangka kerja baru untuk analitik grafik terdistribusi. (Petermann & Junghanns, 2016)

17. Fischer, Tobias Christian, Technology in its context – a literature review of the macro and micro levels of business intelligence, International Journal of Business Intelligence and Data Mining Penelitian ini menggabungkan dua kerangka kerja yang mapan untuk menggambarkan wawasan baru mengenai tingkat makro dan mikro dari BI. Kombinasi komplementer dari kedua level menghasilkan pandangan baru yang menunjukkan konseptualisasi dan karakteristik BI dalam pandangan secara menyeluruh. Hasil penelitian menunjukkan bahwa BI digunakan sebagai konsep monolitik dan alat statis dengan mekanisme kontrol teknis. Hasil lain menyiratkan bahwa BI berada dalam fase kedewasaan, di mana ia memenuhi tujuan organisasi tanpa mempertimbangkan konteks sosial atau ekosistem di mana ia terjadi. (Fischer, 2018)

18. Nasab, Samaneh Salehi Jaryani, Farhang Selamat, Harihodin Bin Masrom, Maslin, Critical success factors for business intelligence system implementation in public sector organisation, International Journal of Information Systems and Change Management Penelitian ini bertujuan untuk menyelidiki faktor penentu keberhasilan (CSF), yang mempengaruhi keberhasilan implementasi sistem BI di organisasi sektor publik. Penelitian ini menyusun penelitian sebelumnya dengan menghadirkan klasifikasi komprehensif di bidang keberhasilan implementasi sistem BI. Tinjauan literatur mengidentifikasi sejumlah besar CSF untuk keberhasilan BI yang sebagian besar terkait dengan organisasi sektor swasta. Selain itu, penelitian sebelumnya menunjukkan bahwa belum ada penelitian yang cukup tentang dampak budaya pada keberhasilan implementasi sistem BI. Akhirnya, temuan utama dari penelitian ini mengungkapkan keberhasilan mencapai implementasi sistem BI dalam organisasi sektor publik dikaitkan dengan empat faktor yaitu budaya belajar, budaya pengambilan keputusan, budaya berbagi informasi dan budaya kolaborasi di bawah dimensi budaya. (Nasab, Jaryani, Selamat, & Masrom, 2017)

19. Garg, Poonam Khurana, Reema, Applying structural equation model to study the critical risks in business intelligence and analytical system implementation in Indian retail, International Journal of Management Concepts and Philosophy Tujuan dari Penelitian ini yaitu untuk mengidentifikasi faktor risiko utama atau terutama untuk sektor ritel India. Model teoritis dikembangkan yang menjelaskan faktor-faktor risiko yang dapat mempengaruhi keberhasilan implementasi BIAS. Dengan menggunakan SEM, ditemukan bahwa 40% variasi dalam keberhasilan implementasi BIAS dapat dijelaskan dengan bantuan model yang disarankan dalam studi penelitian. Temuan dari makalah ini dapat memberikan pemahaman yang lebih besar tentang implementasi BIAS. Peneliti, manajer praktik, dan mereka yang ingin menerapkan BIAS di organisasi ritel juga dapat menggunakan temuan penelitian ini sebagai kendaraan untuk meningkatkan keberhasilan implementasi BIAS di sektor ritel. (Garg & Khurana, 2017)

20. Olszak, Celina M, Toward Better Understanding and Use of Business Intelligence in Organizations, Information Systems Management Penelitian ini memberikan informasi berharga tentang peluang dan kemungkinan penerapan Business Intelligence dalam organisasi. Tiga teori — Pandangan Berbasis Sumberdaya, Model Kematangan, dan Faktor Sukses Kritis — digunakan untuk menyelidiki masalah-masalah Business Intelligence. Penelitian ini memberikan pandangan komprehensif tentang Business Intelligence. (Olszak, 2016)

21. Avinda, Maya Tarigan, Riswan E. Widjaja, Andree E., Evaluasi Aplikasi Business Intelligence pada Proyek Indonesia WIFI PT. PINS Indonesia Maya, Prosiding Seminar Nasional SISFOTEK Penelitian ini mengembangkan sistem yang mampu menampilkan informasi tentang distribusi lokasi pelanggan dalam dasbor. Fitur dasbor membantu dan memfasilitasi masuk pengambilan keputusan tentang strategi pemasaran dengan menggunakan data perusahaan untuk membantu meningkatkan pendapatan perusahaan. Dasbor yang dikembangkan dirancang sebagai aplikasi berbasis web yang memberikan fleksibilitas kepada penggunanya. Dasbor yang dihasilkan memiliki persyaratan seperti mampu menampilkan distribusi lokasi pelanggan, permintaan lokasi pelanggan terbaru, jarak dan waktu pengiriman pesanan masing-masing transaksi dan fitur menarik lainnya yang penting untuk strategi pemasaran. (Avinda, Tarigan, & Widjaja, 2017)

22. Akbar, Ricky Oktaviani, Ria Tamimi, Shabrina Shavira, Syifa Rahmadani, Tri Winda, Implementasi Business Intelligence untuk Menentukan Tingkat Kepopuleran Jurusan pada Universitas, Jurnal Ilmiah Informatika Penelitian ini bertujuan untuk mendapatkan informasi mengenai mahasiswa yang tepat yang berhak untuk menerima beasiswa tersebut, namun banyaknya data mahasiswa yang ada membuat proses pengambilan informasi berjalan lamban jika dilakukan dengan query standard pada database. Dalam menentukan mahasiswa yang berhak menerima beasiswa tentu banyak faktor yang membuat mahasiswa tersebut pantas untuk dipilih karena banyak kriteria yang akan menentukan mahasiswa penerima beasiswa tersebut, seperti nilai indeks prestasi akademik mahasiswa, dan dari tingkat ekonomi mahasiswa. Business intelligence merupakan serangkaian proses untuk mendapatkan informasi dengan mudah dari data yang berukuran besar. Business intelligence tak lepas dari penggunaan data warehouse dan analisis data. Pada penelitian ini dilakukan pembuatan tree decision untuk pembuatan calon mahasiswa yang masuk kategori dalam penerimaan beasiswa selanjutnya akan dilakukan pembuatan dalam pengurutan calon mahasiswa yang berhak menerima beasiswa tersebut dengan menggunakan RapidMiner. Metode yang akan digunakan dalam penelitian ini adalah Online Analytical Processing (OLAP) serta operasi-operasi yang ada di dalamnya. Dengan menggunakan metode OLAP dan RapidMiner diharapkan akan mampu mempermudah dalam data mining yang menghasilkan pohon keputusan dalam pengambilan keputusan serta menentukan mahasiswa yang berhak menerima beasiswa pada sebuah universitas. (Akbar, Oktaviani, Tamimi, Shavira, & Rahmadani, 2017)

23. Rezkiani Indrajit, Richardus Eko Fauzy, Muh, Implementasi konsep bussiness intelligence dalam strategi pemasaran public training pada PT.ZIGOT MEDIATAMA, Prosiding Seminar Nasional Sains dan Teknologi Fakultas Teknik Universitas Muhammadiyah Jakarta Penelitian ini bertujuan untuk dapat meningkatkan jumlah peminat dalam melakukan pelatihan. Suatu strategi pemasaran yang tepat dapat meningkatkan atau memaksimalkan keuntungan yang diperoleh perusahaan. Penelitian ini menggunakan konsep business intelligence dan metode data mining berdasarkan data prospek registrasi peserta untuk proses analisa data. (Rezkiani, Indrajit, & Fauzy, 2017)

24. Ariani, Tiara Retno Tania, Ken Ditha Indah, Dwi Rosa, Penerapan Business Intelligence Pada Sistem Informasi Penjualan Barang PT. WINSA (STUDI KASUS DI PT. WINSA PALEMBANG), Jurnal Sistem Informasi Penelitian ini bertujuan untuk merancang dan mengimplementasikan suatu sistem yang dapat mengekstrak dan mengubah informasi bisnis dari data-data operasional yang ada sehingga pada akhirnya dapat memberikan dukungan terhadap keputusan-keputusan bisnis bagi pimpinan perusahaan. (Ariani, Tania, & Indah, 2016)

25. Pratama, Ridho Najib, Warsun, Pengembangan Business Intelligence Dashboard Untuk Mendukung Strategi Pemasaran Pada Usaha Online Food Delivery, Konferensi Nasional Teknologi Informasi dan Komunikasi (KNASTIK 2016) Penelitian ini mengembangkan sistem yang mampu menampilkan informasi tentang distribusi lokasi pelanggan dalam dashboard. Fitur dashboard membantu dan memfasilitasi dalam pengambilan keputusan tentang strategi pemasaran dengan menggunakan data perusahaan untuk membantu meningkatkan pendapatan perusahaan. Dashboard yang dikembangkan dirancang sebagai aplikasi berbasis web yang memberikan fleksibilitas kepada penggunanya. Dashboard yang dihasilkan memiliki persyaratan sistem terpenuhi, seperti mampu menampilkan distribusi lokasi pelanggan, permintaan lokasi pelanggan terbaru, jarak dan waktu pengiriman pesanan dari setiap transaksi dan fitur menarik lainnya yang penting untuk strategi pemasaran. (Pratama & Najib, 2016)










BAB III METODOLOGI PENELITIAN

Penentuan metodologi ini mempertimbangkan dari metodologi yang digunakan pada penelitian terdahulu serta referensi dari literatur yang telah direviu. Berikut ini adalah metodologi yang ditentukan oleh penulis dalam penelitian ini.

Gambar 3.1 Metodologi Penelitian 3.1 Pemahaman Bisnis Pemahaman terhadap bisnis berjalan pada PT. Subafood Pangan Jaya adalah hal mendasar yang akan dilakukan dalam penelitian ini. Dalam rangka memahami kebutuhan bisnis tersebut, penulis merumuskan masalah melalui penentuan pertanyaan penelitian yang akan menjadi fondasi dalam penelitian ini. Untuk menentukan hal tersebut, penulis melakukan observasi awal ke objek penelitian dan melakukan wawancara kepada beberapa pegawai kunci yang bekerja. Kegiatan observasi tersebut akan menghasilkan kesenjangan antara kondisi ideal dan kondisi yang berjalan pada saat ini, yang kemudian kesenjangan tersebut akan diselesaikan dalam penelitian ini. 3.2 Pengumpulan Data Setelah memiliki kerangka teoritis yang cukup memadai, penelitian akan dimulai dengan mengumpulkan data yang dibutuhkan dalam penelitian. Mengingat bahwa topik penelitian ini adalah penerapan data mart, maka pengumpulan datanya adalah dokumentasi sistem, terutama dokumentasi basis data operasional, seperti Entity Relatioship Diagram (ERD) dan sejenisnya. Selain itu, dokumen proses bisnis seperti: formulir yang digunakan, laporan yang berjalan dan sejenisnya akan menjadi target dalam pengumpulan data. Akses terhadap basis data operasional yang ada (sebaiknya menggunakan backup data) juga dilakukan pada tahap ini. Hal ini dibutuhkan untuk mendapatkan pemahaman terhadap bisnis berjalan beserta struktur data yang ada pada basis data operasional. 3.3 Analisis Kebutuhan Data yang diperoleh dari tahap pengumpulan data akan digunakan sebagai bahan analisis terhadap kebutuhan informasi yang akan dihasilkan dalam perancangan data mart. Kebutuhan informasi ini sebaiknya mengacu kepada kebutuhan eksekutif yang akan mengkonsumsi informasi untuk menunjang proses pengambilan keputusan. Kebutuhan informasi ini akan dirancang dalam bentuk dashboard business intelligence sehingga memungkinkan bagi pihak eksekutif untuk dapat memanfaatkan informasi dalam bentuk visual dan grafis. 3.4 Perancangan Data Mart Dalam rangka mempertajam tahapan perancangan data mart dalam penelitian ini, perlu dikaitkan dengan pemilihan platform teknologi yang digunakan dalam penelitian. Penggunaan platform teknologi ini perlu disesuaikan dengan yang telah berjalan atau mencari paltform yang open source sehingga akan lebih hemat dari sisi pengadaan lisensi perangkat lunak untuk implementasi data mart ini. Setelah melakukan pemilihan platform teknologi, maka hal konkrit yang akan diterapkan dalam perancangan data mart ini sesuai dengan langkah-langkah yang ditetapkan oleh Gambar 3.2.

Gambar 3.2 Data Warehouse Lifecycle (Thornthwaite, 2011) Namun dari Gambar 3.2 tersebut, tidak secara seluruhnya menjadi metodologi dalam perancangan data warehouse di penelitian ini. Adapun hal yang dikecualikan dalam penelitian ini antara lain: 1. Project Management; 2. Growth; 3. Maintenance. 3.5 Pembuatan ETL Sebagaimana pada Gambar 3.2, pembuatan ETL merupakan salah satu langkah dalam penelitian ini. Setelah rancangan data mart telah usai, pekerjaan selanjutnya adalah membuat ETL untuk memindahkan data dari basis data operasional ke dalam data mart. Pembuatan ETL ini akan menggunakan Pentaho Data Integration. Pembuatan ETL ini bisa bersumber dari basis data dan platform yang berbeda. Untuk itu, melakukan instalasi ke production server, perlu dilakukan ujicoba yang komprehensif terhadap berjalannya proses ETL. Dalam penelitian ini akan ditentukan pula frekuensi sinkronisasi data yang dilakukan oleh ETL agar informasi yang dihasilkan dari proses data mart tepat sasaran, dalam arti informasi yang dihasilkan akan terikat waktu kapan informasi tersebut masih bisa valid. Selain itu otomasi ETL juga harus dipertimbangkan mengingat pertambahan data pada basis data operasional akan terus berjalan selama ada aktivitas bisnis. 3.6 Perancangan Dashboard BI Setelah semua rancangan data mart dan pembuatan ETL selesai, maka tahap selanjutnya adalah membuat rancangan visual untuk dashboard yang akan dijadikan konsumsi para eksekutif. Tampilan visual ini akan disesuaikan dengan kebutuhan informasi yang telah didefinisikan pada tahap analisis kebutuhan. Pada tampilan visual juga akan dilakukan pengecekan konsistensi rancangan dengan laporan-laporan yang dimiliki oleh objek penelitian. Hal ini bertujuan agar laporan yang dibutuhkan dapat dihasilkan dari rancangan dashboard ini, sehingga dapat bermanfaat untuk meningkatkan kinerja dari organisasi tersebut.




BAB IV PEMBAHASAN

4.1 Tinjauan Objek Penelitian 4.1.1 Deskrpsi Singkat PT Subafood Pangan Jaya didirikan pada tanggal 14 Juni 2004, dengan akte Notaris Imas Fatimah No. 42 di Jakarta dan sudah disahkan oleh Menteri Kehakiman dan Hak Asasi Manusia pada tanggal 09 Agustus 2004 dengan No. C.17065 HT 01.01 th.2004. yang beralamat di Jl. Raya Serang Kp.Pasir Kalong No.Km, RW.5, Cibadak, Kec. Cikupa, Tangerang, Banten. PT Subafood Pangan Jaya bergerak pada industri makanan khususnya bihun yang berbahan dasar jagung. Perusahaan ini didukung dengan teknologi produksi yang canggih sehingga menghasilkan hasil produk yang bermutu dan hieginis. Produk Subafood merupakan produk pionir untuk kategori Bihun Jagung, karena pada umumnya bihun terbuat dari tepung beras. Karena itu pula, dapat dikatakan bahwa PT Subafood Pangan Jaya adalah Produsen Bihun Jagung Pertama di Indonesia. PT Subafood Pangan Jaya merupakan anak perusahaan dari PT Suba Indah Tbk., produsen pengolah jagung terbesar di Asia Tenggara. Bahan baku untuk memproduksi bihun jagung ini sendiri didapat dari subsidi PT Suba Indah Tbk. selaku induk perusahaan. Adapun produk yang dipasarkan oleh PT Subafood Pangan Jaya adalah : 1. Tanam Jagung, 2. Pilihan Bunda, 3. Subahoon, 4. Panen Jagung, 5. Finela. Pendistribusian produk PT Subafood Pangan Jaya dibedakan menjadi 2 segmen yaitu Modern Market dan Tradisional Market. Untuk Modern Market, produk yang dipasarkan adalah Pilihan Bunda, Subahoon dan Finela. Sedangkan untuk Tradisional Market, produk yang dipasarkan adalah Tanam Jagung, Subahoon dan Panen Jagung. 4.1.2 Struktur Organisasi Struktur organisasi merupakan sebuah pondasi bagi sebuah perusahaan, supaya perusahaan dalam menjalankan operasi kegiatannya dapat berjalan dengan baik dan dapat mencapai tujuan yang diinginkannya. Struktur organisasi juga merupakan suatu alat dari manajemen yang dibutuhkan perusahaan agar segala wewenang dan tanggung jawab bagi setiap individu perusahaan dapat dipertanggung jawabkan, sehingga tujuan perusahaan dapat tercapai dengan adanya struktur organisasi. Setiap pekerjaan diberikan batasan-batasan kerja dari pekerjaannya. Batasan- batasan dalam struktur organisasi merupakan garis kerja yang harus dilaksanakan setiap saat untuk menciptakan suatu pekerjaan yang lebih efisien dan efektif. Susunan Struktur Organisasi PT. Subafood Pangan Jaya sebagai berikut:

Gambar 4.1 Struktur Organisasi

4.2 Pengumpulan Data Untuk melakukan perancangan data mart yang akan digunakan oleh PT. Subafood Pangan Jaya, diperlukan pengumpulan data terlebih dahulu. Dari data yang terkumpul akan dilakukan pemahaman data yang meliputi struktur data, jenis data, tipe data dan hal lainnya terkait dengan karakteristik data yang akan diolah. 4.2.1 Sumber Data Sumber data yang akan digunakan dalam pembentukan data mart ini penulis ambil dari sumber data basis data operasional yang saat ini berjalan pada PT. Subafood Pangan Jaya. Spesifikasi sumber data tersebut dapat dilihat pada Tabel 4.1. Tabel 4.1 Spesifikasi Basis Data Operasional untuk Sumber Data No Basis Data Spesifikasi Keterangan 1 

	Penjualan	Tipe Database	RDBMS

Engine Syabase Database 9 OS Windows Server 2008 Nama Database POWER SUBAFOOD

4.2.2 Kebutuhan Informasi Dalam melakukan penggalian kebutuhan informasi, dilakukan metode wawancara dan observasi terhadap pegawai PT. Subafood Pangan Jaya atas aktivitas operasional sehari-harinya. Petugas yang diwawancara berasal dari Divisi Penjualan, karena ketiga bidang tersebut yang memiliki tugas untuk membuat kebijakan terutama dalam memastikan penerimaan dapat tercapai sesuai dengan target yang telah ditetapkan. 4.3 Analisis Kebutuhan Berdasarkan Pemodelan Dimensional

4.4 Perancangan Arsitektur Data Mart 4.5 Proses ETL 4.6 Perancangan Business Intelligence Dashboard








BAB V KESIMPULAN DAN SARAN







DAFTAR PUSTAKA

Akbar, R., Oktaviani, R., Tamimi, S., Shavira, S., & Rahmadani, T. W. (2017). Implementasi Business Intelligence untuk Menentukan Tingkat Kepopuleran Jurusan pada Universitas. Jurnal Ilmiah Informatika, 2(2), 135–138. Alan Bryman. (2012). Social Research Methods 4th Edition. In Oxford University Press (4th ed.). Ali, M. S., & Khan, S. (2018). Organizational Capability Readiness Towards Business Intelligence Implementation. International Journal of Business Intelligence Research, 10(1), 42–58. https://doi.org/10.4018/ijbir.2019010103 Ariani, T. R., Tania, K. D., & Indah, D. R. (2016). Penerapan Business Intelligence Pada Sistem Informasi Penjualan Barang PT. WINSA (STUDI KASUS DI PT. WINSA PALEMBANG). Jurnal Sistem Informasi, 103–110. Avinda, M., Tarigan, R. E., & Widjaja, A. E. (2017). Aplikasi Business Intelligence pada Proyek Indonesia WIFI PT . PINS Indonesia Sistem Informasi dan Teknologi Informasi Evaluasi Aplikasi Business Intelligence pada Proyek Indonesia WIFI PT . PINS Indonesia. Prosiding Seminar Nasional SISFOTEK, 3584(September), 1–6. Delen, D., Moscato, G., & Toma, I. L. (2018). The impact of real-time business intelligence and advanced analytics on the behaviour of business decision makers. 2018 International Conference on Information Management and Processing, ICIMP 2018, 2018-Janua, 49–53. https://doi.org/10.1109/ICIMP1.2018.8325840 Eder, F., & Koch, S. (2018). Critical success factors for the implementation of business intelligence systems. International Journal of Business Intelligence Research, 9(2), 27–46. https://doi.org/10.4018/IJBIR.2018070102 Fischer, T. C. (2018). Technology in its context – A literature review of the macro and micro levels of business intelligence. International Journal of Business Intelligence and Data Mining, 13(1–3), 347–368. https://doi.org/10.1504/IJBIDM.2017.10008076 Garg, P., & Khurana, R. (2017). Applying structural equation model to study the critical risks in ERP implementation in Indian retail. International Journal of Management Concepts and Philosophy, 24(1), 143–162. https://doi.org/10.1108/BIJ-12-2015-0122 Gawin, B., & Marcinkowski, B. (2017). Business Intelligence in Facility Management: Determinants and Benchmarking Scenarios for Improving Energy Efficiency. Information Systems Management, 34(4), 347–358. https://doi.org/10.1080/10580530.2017.1366219 Jin, D. H., & Kim, H. J. (2018). Integrated understanding of big data, big data analysis, and business intelligence: A case study of logistics. Sustainability (Switzerland), 10(10). https://doi.org/10.3390/su10103778 Muntean, M. (2018). Business intelligence issues for sustainability projects. Sustainability (Switzerland), 10(2). https://doi.org/10.3390/su10020335 Narra, J. M., Bein, D., & Popa, V. (2018). for Insurance Cross Selling. Information Technology – New Generations, Advances in Intelligent Systems and Computing. https://doi.org/https://doi.org/10.1007/978-3-319-77028-4_56 Nasab, S. S., Jaryani, F., Selamat, H. Bin, & Masrom, M. (2017). Critical success factors for business intelligence system implementation in public sector organisation. International Journal of Information Systems and Change Management, 9(1), 22–43. https://doi.org/10.1504/IJISCM.2017.086210 Olszak, C. M. (2016). Toward Better Understanding and Use of Business Intelligence in Organizations. Information Systems Management, 33(2), 105–123. https://doi.org/10.1080/10580530.2016.1155946 Petermann, A., & Junghanns, M. (2016). Scalable business intelligence with graph collections. It - Information Technology, 58(4), 166–175. https://doi.org/10.1515/itit-2016-0006 Pratama, R., & Najib, W. (2016). Pengembangan Business Intelligence Dashboard Untuk Mendukung Strategi Pemasaran Pada Usaha Online Food. Konferensi Nasional Teknologi Informasi Dan Komunikasi (KNASTIK 2016), (November). Rezkiani, Indrajit, R. E., & Fauzy, M. (2017). Implementasi konsep bussiness intelligence dalam strategi pemasaran public training pada PT.ZIGOT MEDIATAMA. Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Universitas Muhammadiyah Jakarta, (November), 1–9. Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status and future focus. International Journal of Accounting Information Systems, 29(March), 37–58. https://doi.org/10.1016/j.accinf.2018.03.001 Rivas, A., Mart, J. J., Prieto, J., & Gonz, A. (2018). for Industry 4 . 0. 2018 First International Conference on Artificial Intelligence for Industries (AI4I), 1, 537–548. https://doi.org/10.1007/978-3-319-95204-8 Sluijter, J., & Otten, M. (2017). Business intelligence (BI) for personalized student dashboards. ACM International Conference Proceeding Series, 562–563. https://doi.org/10.1145/3027385.3029458 sugiyono. (2014). Metode penelitian. Metode Penelitian. Sun, Z., Sun, L., & Strang, K. (2018). Big Data Analytics Services for Enhancing Business Intelligence. Journal of Computer Information Systems, 58(2), 162–169. https://doi.org/10.1080/08874417.2016.1220239 Suwarni, Isa, S. M., Susena, K. C., Nugroho, E. C., Girsang, A. S., & Gunarso, D. Y. (2019). Business Intelligence for Analyzing Department Unit Performance in eProcurement System. 2018 International Conference on Orange Technologies, ICOT 2018, 1–4. https://doi.org/10.1109/ICOT.2018.8705817 Vallurupalli, V., & Bose, I. (2018). Business intelligence for performance measurement: A case based analysis. Decision Support Systems, 111(2017), 72–85. https://doi.org/10.1016/j.dss.2018.05.002 Visinescu, L. L., Jones, M. C., & Sidorova, A. (2017). Improving decision quality: The role of business intelligence. Journal of Computer Information Systems, 57(1), 58–66. https://doi.org/10.1080/08874417.2016.1181494 Wani, M. A., & Jabin, S. (2018). Big data: Issues, challenges, and techniques in business intelligence. Advances in Intelligent Systems and Computing, 654, 613–628. https://doi.org/10.1007/978-981-10-6620-7_59

Adithama1, S.P., Wisnubhadra, I. & Sinaga, B. L. , “Analisis Dan Desain Real-Time Business Intelligence Untuk Subjek Kegiatan Akademik Pada Universitas Menggunakan Change Data Capture”, Seminar Nasional Teknologi Informasi dan Komunikasi 2013 (SENTIKA 2013), Yogyakarta, 9 Maret 2013

Baars, Henning, & Kemper, Hans-George, 2008, “Management Support with Structured and Unstructured Data—An Integrated Business Intelligence Framework”, Information Systems Management, 25:2, 132-148, United Kingdom, Taylor& Francis

Ependi, Usman, 2012, “Pengembangan E-Trace Alumni Dengan Menggunakan Pendekatan Metode Agile”, Seminar Nasional Informatika 2012 (semnasIF 2012)


Harijanto, B. & Budiprasetyo, G., Perancangan Aplikasi Business Intelligence Hasil Proses Belajar Mengajar (Studi Kasus Program Studi Manajemen Informatika)”Jurnal ELTEK, Vol 11 No 01, April 2013

Hasan, 2009, “Action Research : Desain Penelitian Integratif Untuk Mengatasi Permasalahan Masyarakat”, AKSES: Jurnal Ekonomi dan Bisnis, Vol. 4 No. 8, Oktober 2009,

Jogiyanto HM., 2005, Analisis dan Disain Informasi: Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis, Yogyakarta, Andi Offset.

Manjunath, T. N., Ravindra S. Hegadi, Umesh I. M. & Ravikumar G. K., 2012, “Realistic Analysis of Data Warehousing and Data Mining Application in Education Domain”, International Journal of Machine Learning and Computing, Vol. 2, No. 4, August 2012

Mcleod, Raymond, Jr.& George P. Schell, 2007, Sistem Informasi Manajemen, edisi ke-9, Jakarta, PT. Indeks,

Moss, L. & Atre, S., 2003, Business Intelligence Roadmap – The complete project lifecycle for decision-support applications, Boston, Pearson Education.

Ponniah, Paulraj, 2001, Data Warehousing Fundamentals, New York, John Wiley and Sons.

Pressman, Roger S, 2010, Software Engineering : a Practitioner’s Approach— 7th ed, New York, McGraw-Hill

Rainardi, Vincent, 2008, Building a data warehouse : with examples in SQL server, New York, Apress.

Ranjan, Jayanthi, 2009, “Business Intelligence: Concepts, Components, Techniques And Benefits”, Journal of Theoretical and Applied Information Technology, Vol 9 No 1 : 060-070.


Stackowiak, R., Rayman, J. and Greenwald, R., 2007, Oracle Data Warehousing and Business Intelligence Solutions, Indianapolis, Wiley Publishing, Inc,.

Syafei, Henderi & Winarko, Edi, 2013, “Rancangan Framework Business Intelligence Pada Perguruan Tinggi”, Seminar Nasional Matematika dan Aplikasinya 2013


Tarhan, Ayca & Yilmaz, SG, 2013, “Systematic analyses and comparison of development performanceand product quality of Incremental Process and Agile Process”, Information and Software Technology 56 (2014) 477–494

Vercellis, Carlo, 2009, Business Intelligent : Data Mining and Optimization for Decision Making, United Kingdom, John wiley & Sons.


Warnars, Spits, 2008, “Rancangan Infrastruktur E-Bisnis Business Intelligence Pada Perguruan Tinggi”, TELKOMNIKA, Vol. 6, No. 2, Agustus 2008 ISSN: 1693-6930

Contributors

Diansugiarto

Diperoleh dari "https://widuri.raharja.info/index.php?title=Tesis_dian_sugiarto&oldid=351219"