Upload
vandung
View
216
Download
3
Embed Size (px)
Citation preview
7
BAB 2
LANDASAN TEORI
2.1 Konsep Data Warehouse
2.1.1 Pengertian Data dan Database
Menurut Turban Rainer Potter (2001,p17), “Data are raw facts or
elementary descriptions of things, events, activities, and transactions,
that are captured, recorded, stored and classified, but not organized to
convey any specific meaning,” yang berarti data merupakan fakta
‘mentah’ atau deskripsi awal mengenai barang, kegiatan, dan transaksi
yang diperoleh, disimpan, dan diklasifikasikan, namun tidak
diorganisasikan untuk menyampaikan arti yang spesifik.
Menurut James A. O’Brien (1997, p166), “Database is an
integrated collection of logically related record of file,” yang berarti
bahwa database merupakan suatu kumpulan record file yang terintegrasi
dan saling berhubungan secara logika.
Jadi, dapat disimpukan bahwa data merupakan suatu bentuk
keterangan dalam bentuk teks maupun numerik yang belum diolah atau
dimanipulasi menjadi informasi. Data suatu perusahaan pada umumnya
diperoleh dari hasil kegiatan operasional sehari-hari atau hasil transaksi.
Sedangkan database merupakan kumpulan data yang saling
berhubungan, dan digunakan oleh sistem aplikasi dalam perusahaan.
8
2.1.2 Pengertian Data Warehouse
Menurut W.H. Inmon (2002, p389), “ A data warehouse is a
collection of integrated, subject oriented database designed to support
the DSS function, where each unit of data is relevant to some moment in
time,” yang mengandung pengertian bahwa Data Warehouse merupakan
kumpulan database yang bersifat berorientasi subjek dan terintegrasi
yang dirancang untuk mendukung sistem pengambilan keputusan (DSS),
dimana setiap data berhubungan dengan suatu kejadian pada suatu waktu.
Menurut Vidette Poe (1996, p6), “A data warehouse is a read-
only analytical database that is used as the foundation of a decision
support system,” yang berarti sebuah data warehouse adalah database
yang bersifat analisis dan hanya dapat dibaca saja serta digunakan
sebagai dasar dari suatu sistem pengambilan keputusan (DSS).
Dari definisi-definisi tersebut, adapun tujuan yang ingin dicapai
dari data warehouse adalah untuk mengintegrasikan data-data perusahaan
ke dalam sebuah penyimpanan tunggal dimana pengguna dapat
menjalankan query, menghasilkan laporan, dan melakukan analisis,
sehingga dapat mendukung DSS. Dapat disimpulkan bahwa data
warehouse adalah teknologi manajemen dan analisis data.
2.1.3 Karakteristik Data Warehouse
Karakteristik data warehouse menurut W.H. Inmon (2002, p31)
dan Connolly (2002, p1047) adalah sebagai berikut:
9
Subject-oriented
Data warehouse diatur sesuai dengan subjek-subjek utama
perusahaan (seperti pelanggan, produk, dan penjualan), bukan
sesuai dengan area aplikasi utama (seperti faktur pelanggan,
pengontrolan stok, dan penjualan produk). Ini didasari dengan
kebutuhan untuk menyimpan data yang mendukung keputusan,
bukan data berorientasi aplikasi.
Integrated
Data dalam warehouse bersifat terintegrasi karena bersumber dari
sistem-sistem aplikasi yang berbeda dalam perusahaan. Sumber data
demikian sering tidak konsisten, misalnya karena berbeda format.
Sumber data yang terintegrasi ini harus dibuat konsisten untuk
memberikan data yang seragam pada para pengguna.
Time-variant
Data dalam warehouse bersifat tepat dan valid dalam jangka waktu
tertentu. Data dalam warehouse terdiri dari serangkaian snapshot,
masing-masing menunjukkan data operasional yang diambil pada
suatu waktu tertentu.
Non-volatile
Data dalam warehouse tidak di-update dalam real time melainkan
diperbaruhi secara periodik dari sistem operasional. Data baru
selalu ditambahkan sebagai tambahan bagi database, bukan sebagai
pengganti. Database secara terus menerus mengambil data baru,
10
menambahkannya dan mengintegrasikannya dengan data
sebelumnya.
2.1.4 Struktur Data Warehouse
Dalam data warehouse, terdapat tingkatan detail data yang
berbeda-beda, yaitu:
1. Current Detail Data
Current detail data menggambarkan keadaan data yang
sedang berjalan. Data ini merupakan level data terendah dari data
warehouse, diakses dengan cepat, dan memerlukan tempat
penyimpanan (storage) yang besar, sehingga sulit diatur, karena data
yang kompleks.
2. Older Detail Data
Older detail data merupakan hasil backup yang disimpan
dalam tempat penyimpanan (storage) yang terpisah, dan pada saat
tertentu dapat diakses kembali bilamana dibutuhkan. Penyusunan
direktori dilakukan berdasarkan urutan umur data, sehingga data
dapat tersusun rapi dan mempermudah dalam melakukan akeses
selanjutnya.
3. Highly Summary Data
Highly summary data adalah suatu hasil data yang bersifat
total summary (ringkasan secara total). Data ini tersusun rapi dan
mudah diakses terutama untuk melakukan analisis perbandingan data
berdasarkan urutan waktu dan analisis yang menggunakan data multi
11
dimensi. Sumber data tersebut dapat berasal dari data yang sedang
aktif ataupun di luar data warehouse.
4. Lightly Summary Data
Lightly summary data adalah ringkasan dari data tingkat
rendah yang terdapat pada data detail yang sedang aktif (current
detail data), tetapi belum bersifat total summary (ringkasan secara
total). Data ini banyak ditampilkan dalam bentuk view dari kondisi
yang sedang berjalan atau sudah berjalan.
5. Metadata
Metadata merupakan jenis data yang memuat informasi
penting dalam data warehouse, digunakan dalam banyak fungsi,
antara lain:
- Sebagai sebuah direktori yang dipakai oleh pengguna data
warehouse dalam mencari letak/lokasi data dalam data
warehouse.
- Sebagai panduan untuk melakukan proses meringkas data dari
data detail menjadi lightly summary data dan dari lightly summary
data menjadi highly summary data.
- Sebagai panduan pemetaan dalam proses transformasi dari data
operasional ke data warehouse.
Metadata menyediakan catatan asal data yang dipergunakan
dalam proses transformasi.
12
Catatan ini memberikan referensi kepada pengguna akhir sistem,
seperti keabsahan data bagi sistem pengumpulan data perusahaan.
Gambar 2.1 Struktur Data Warehouse
2.1.5 Anatomi Data Warehouse
Berikut adalah tiga jenis dasar sistem anatomi data warehouse
menurut Prabowo (1996):
1. Data Warehouse Fungsional
Data warehouse fungsional menggunakan pendekatan
kebutuhan dari tiap bagian dari fungsi bisnis yang ada, misalnya,
departemen atau divisi, untuk mendefinisikan jenis data yang
ditampung oleh sistem. Setiap unit fungsi dapat memiliki gambaran
data masing-masing.
13
Pendekatan ini banyak digunakan karena sistem memberikan
solusi yang mudah untuk dibangun dengan biaya investasi yang relatif
rendah dan dapat memberikan kemampuan sistem pengumpulan data
yang terbatas kepada kelompok pemakai.
Penerapan jenis sistem pengumpulan data seperti ini beresiko
kehilangan konsistensi data di luar lingkungan fungsi bisnis
bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan
fungsional menjadi lingkup perusahaan, konsistensi data perusahaan
tidak dapat dijamin lagi.
Gambar 2.2 Data Warehouse Fugsional
2. Data Warehouse Terpusat
Data warehouse terpusat adalah pendekatan yang paling baik
digunakan. Hal ini disebabkan oleh keterbiasaan pemakai dengan
lingkungan mainframe terpusat. Data diambil dari seluruh sistem
operasional dan disimpan di dalam pusat penyimpanan data. User
kemudian menggunakan data yang telah terkumpul tersebut untuk
Data Warehouse Fungsional
14
membangun data warehouse fungsional, masing-masing sesuai
dengan kebutuhannya.
Keuntungan sistem ini dibandingkan dengan data warehouse
fungsional adalah bahwa data benar-benar terpadu. Jika ada
perubahan pada data warehouse pusat, maka perubahan data harus
disalurkan kepada data warehouse fungsional. Pada sistem ini
pengguna hanya dapat mengambil data dari pusat pengumpulan saja
dan tidak dapat berhubungan secara langsung dengan pemasok
datanya sendiri.
Penerapan sistem ini membutuhkan biaya pemeliharaan yang
tinggi untuk sistem pengumpulan data yang besar. Selain itu
diperlukan waktu yang lama untuk membangun sistem tersebut.
Gambar 2.3 Data Warehouse Terpusat
3. Data Warehouse Terdistribusi
Data warehouse terdistribusi dikembangkan berdasarkan
konsep gateway data warehouse, sehingga memungkinkan user dapat
Data Warehouse Terpusat
15
langsung berhubungan dengan sumber data atau pemasok data
maupun dengan pusat pengumpul data lainnya. Pada sistem ini data
akan ditampilkan kepada pengguna seolah-olah berasal dari satu
sumber, namun sebenarnya data dapat saja diambil dari bebagai
sumber yang berbeda.
Pendekatan ini menggunakan teknologi client-server untuk
mengambil data dari berbagai sumber, sehingga memungkinkan tiap
departemen atau divisi untuk membangun sistem operasionalnya
sendiri serta dapat membangun pengumpulan data fungsionalnya
masing-masing dan menggabungkan bagian-bagian tersebut dengan
teknologi client-server. Pendekatan ini akan menjadi sangat efektif
bila data tersedia dalam bentuk yang konsisten dan user dapat
menambahkan data tersebut dengan informasi baru apabila ingin
membangun gambaran baru atas informasi.
Penerapan data warehouse terdistribusi ini memerlukan biaya
yang sangat besar karena setiap pengumpulan data fungsional dan
sistem operasinya dikelola secara terpisah. Selain itu, supaya berguna
bagi perusahaan, data yang ada harus disinkronisasikan untuk
memelihara keterpaduan data.
16
Gambar 2.4 Data Warehouse Terdistribusi
2.1.6 Arsitektur Data Warehouse
Gambar 2.5 Asitektur Data Warehouse Secara Umum
Data Warehouse Terdistribusi
17
Komponen-komponen utama sebuah data warehouse antara lain:
1. Operational Data
Data untuk data warehouse bersumber dari:
Mainframe data operasional yang berada pada tingkatan database
generasi pertama dan database jaringan. Diperkirakan sebagian besar
data operasional perusahaan disimpan dalam sistem tersebut.
Data departemen yang berada di sistem file seperti VSAM, RMS dan
DBMS relasional (seperti Informix dan Oracle).
Data pribadi yang berada di workstation dan server pribadi.
Sistem-sistem eksternal seperti internet, database yang tersedia secara
komersil, atau database yang berhubungan dengan pemasok atau
pelanggan perusahaan.
2. Operational datastore
Sebuah operational datastore (ODS) adalah sebuah tempat
penyimpanan data operasional terkini dan terintegrasi, yang digunakan untuk
kebutuhan analisis. ODS memiliki struktur dan sumber data yang sama
dengan data warehouse, berperan sebagai tempat penyimpanan data sebelum
dipindahkan ke warehouse. ODS menyimpan data yang telah diekstrak dari
sistem sumber dan telah dibersihkan. Dengan demikian, proses
pengintegrasian dan restrukturisasi data untuk data warehouse menjadi lebih
sederhana.
3. Load Manager
Load manager melakukan semua operasi yang berhubungan dengan
fungsi mengekstrak/mengambil data dan fungsi loading/meletakkan data ke
18
dalam data warehouse. Data dapat diekstrak dari sumber-sumber data atau
pada umumnya diambil dari operational datastore. Operasi yang dilakukan
oleh load manager dapat berupa transformasi data yang sederhana untuk
mempersiapkan pemasukan data ke dalam data warehouse. Ukuran dan
kompleksitas komponen ini akan berbeda sesuai dengan data warehouse
yang dirancang dan dapat dibangun menggunakan kombinasi antara vendor
data loading tools dan custom-built programs.
4. Warehouse Manager
Warehouse Manager melakuan semua operasi yang berhubungan
dengan manajemen data dalam warehouse. Komponen ini dibangun
menggunakan vendor data management tools dan custom-built programs.
Operasi yang dilakukan oleh warehouse manager berupa:
melakukan analisis data untuk menjaga konsistensi data
melakukan transformasi dan penggabungan data sumber dari
penyimpanan sementara ke dalam tabel-tabel data warehouse.
menciptakan indeks dan view pada base tables
melakukan denormalisasi (jika diperlukan)
melakukan agregasi (jika diperlukan)
melakukan back-up dan archive/penyimpanan data.
5. Query Manager
Query manager melakukan semua operasi yang berhubungan
dengan manajemen user queries. Komponen ini dibangun menggunakan
vendor end-user data access tools, data warehouse monitoring tools, fasilitas
database, dan custom-built programs. Kompleksitas query manager
19
ditentukan oleh fasilitas yang disediakan oleh end-user access tools dan
database. Operasi yang dilakukan oleh komponen ini berupa pengarahan
query pada tabel-tabel yang tepat dan penjadwalan eksekusi query.
6. Detailed Data
Komponen ini menyimpan semua data detil dalam skema database.
Pada umumnya beberapa data tidak disimpan secara fisik, tetapi dapat
diperoleh dengan cara melakukan agregasi. Secara periodik data detil
ditambahkan ke warehouse untuk mendukung agregasi data.
7. Lightly and Highly Summarized Data
Komponen ini menyimpan semua data yang telah diringkas oleh
warehouse manager. Data perlu diringkas dengan tujuan untuk mempercepat
performa query. Ringkasan data terus diperbaruhi seiring dengan adanya data
baru yang masuk ke dalam warehouse.
8. Archive/Backup Data
Komponen ini menyimpan data mendetil dan ringkasan data dengan
tujuan untuk penyimpanan (archiving) dan backup data. Walaupun ringkasan
data diperoleh dari data mendetil, ringkasan data perlu di-backup juga apabila
data tersebut disimpan melampaui periode penyimpanan data detil. Data
kemudian dipindahkan ke media penyimpanan seperti magnetic tape atau
optical disk.
9. Meta-Data
Komponen ini menyimpan semua definisi meta-data (informasi
mengenai data) yang digunakan dalam semua proses dalam data warehouse.
Meta-data digunakan untuk berbagai tujuan, antara lain:
20
proses extract dan loading, meta-data digunakan untuk memetakan
sumber data dalam warehouse.
proses manajemen warehouse, meta-data digunakan untuk menghasilkan
tabel ringkasan (summary tables).
sebagai bagian dari proses manajemen query, meta-data digunakan untuk
mengarahkan sebuah query pada sumber data yang tepat.
10. End-User Access Tools
Tujuan utama dari data warehouse adalah menyediakan informasi
bagi pengguna untuk pembuatan keputusan yang strategis dalam berbisnis.
Para pengguna berinteraksi dengan data warehouse menggunakan end-user
access tools. Berdasarkan kegunaan data warehouse, terdapat lima kategori
end-user access tools, yaitu:
1. Reporting and query tools
Reporting tools meliputi production reporting tools dan report
writers. Production reporting tools digunakan untuk menghasilkan
laporan operasional secara berkala.
Query tools untuk relational data warehouse dirancang untuk
menerima SQL atau menghasilkan SQL statements untuk proses query
data yang tersimpan di warehouse.
2. Application development tools
Application development tools menggunakan graphical data
access tools yang dirancang khusus untuk client-server environment.
Beberapa aplikasi tersebut diintegrasikan dengan OLAP tools, dan dapat
mengakses semua sistem database utama.
21
3. Executive information system (EIS) tools
Executive information system, sering dikenal sebagai ‘everyone’s
information systems’ (sistem informasi setiap orang). Awalnya
dikembangkan untuk mendukung pembuatan keputusan high-level yang
strategis. Akan tetapi, kemudian meluas untuk mendukung semua tingkat
manajemen. EIS tools pada awalnya berhubungan dengan mainframes
yang memungkinkan para pengguna untuk membangun aplikasi
pendukung keputusan yang bersifat grafik untuk menyediakan sebuah
overview mengenai data perusahaan dan akses pada sumber data
eksternal. Kini, EIS banyak dilengkapi dengan fasilitas query dan
mneyediakan custom-built applications untuk area bisnis seperti
penjualan, pemasaran, dan keuangan.
4. Online analytical processing (OLAP) tools
Online analytical processing (OLAP) tools didasarkan pada
konsep database yang bersifat multi-dimensi dan memperbolehkan
pengguna untuk menganalisis data dari sudut pandang yang kompleks
dan multi-dimensi. Alat bantu ini mengasumsikan bahwa data diatur
dengan model multi-dimensi yang didukung oleh database multi-dimensi
yang khusus (MDDB) atau oleh sebuah relasional database yang
dirancang untuk memungkinkan query multi-dimensi.
5. Data mining tools
Data mining adalah proses menemukan korelasi, pola, dan trend
yang baru yaitu dengan melakukan penggalian pada sejumlah data
menggunakan teknik statistik, matematis, dan artifical intelligence (AI).
22
Data mining memiliki potensi untuk menggantikan kemampuan OLAP
tools.
2.1.7 Keuntungan Penggunaan Data Warehouse
Implementasi data warehouse yang berhasil dapat memberikan
keuntungan bagi sebuah perusahaan, antara lain:
Menjamin meningkatnya ROI (Return On Investment) dalam
perusahaan. Sebuah perusahaan harus mengeluarkan sejumlah besar
sumber untuk menjamin keberhasilan implementasi data warehouse
dan biayanya dapat berkisar hingga ratusan juta karena tersedianya
berbagai solusi teknis. Namun keberhasilan penerapan data
warehouse akan memberikan keuntungan yang lebih besar daripada
biaya penerapannya.
Keuntungan dalam persaingan. Implementasi data warehouse
memberikan akses data bagi pihak pembuat keputusan mengenai
informasi yang sebelumnya tidak diketahui, misalnya mengenai
pelanggan, pola pasar, dan permintaan pelanggan.
Meningkatnya produktivitas pihak pembuat keputusan perusahaan.
Implementasi data warehouse menciptakan database yang
terintegrasi, konsisten dan berorientasi subjek dari sekumpulan data.
Data warehouse mengintegrasikan data dari berbagai sistem berbeda
ke dalam sebuah bentuk yang memberikan sebuah tampilan yang
konsisten bagi perusahaan. Dengan diubahnya data menjadi
23
informasi, data warehouse membantu para manajer bisnis melakukan
analisis yang berkualitas, tepat dan konsisten.
2.2 Perancangan Data Warehouse
Merancang sebuah data warehouse tidaklah mudah. Banyak perusahaan
memilih data marts sebagai solusi atas masalah mereka. Data marts
memungkinkan perancangan yang lebih sederhana dan hasil yang lebih mudah
dimengerti oleh pengguna.
Pengumpulan data dan analisis kebutuhan dari sebuah proyek data
warehouse melibatkan interview dengan beberapa anggota dari perusahaan
terkait, seperti bagian pemasaran, bagian keuangan, bagian operasional,
manajerial dan sebagainya. Hal ini dilakukan untuk mengetahui prioritas dari
kumpulan kebutuhan perusahaan yang akan dirancang pada data warehouse.
Interview juga melibatkan orang yang bertanggung jawab
mengoperasikan sistem OLTP yang ada untuk mengidentifikasi sumber data
mana saja yang dapat memberikan informasi yang bersih, konsisten, terpercaya
dan terus digunakan untuk beberapa tahun yang akan datang.
Komponen database dari sebuah data warehouse dideskripsikan dengan
teknik yang disebut dengan Dimentionality Modeling.
2.2.1 Pengertian Dimensionality Modelling
Dimensionality modeling merupakan sebuah teknik perancangan
logikal yang bertujuan untuk menampilkan data dalam bentuk standar dan
memiliki akses performa tinggi.
24
Dimentionality Modeling menggunakan konsep ER (Entity-
Relationship) modeling dengan beberapa larangan. Setiap Dimentionality
Model terbentuk dari satu tabel dengan primary key yang biasa disebut
dengan tabel fakta, dan serangkaian tabel yang lebih kecil yang disebut
tabel dimensi. Tiap tabel dimensi memiliki sebuah primary key yang
berhubungan dengan sebuah komponen composite key pada tabel fakta.
Dengan kata lain, primary key pada tabel fakta, terbentuk dari dua atau
lebih foreign key. Struktur karakteristik yang menyerupai bintang ini
disebut skema bintang.
Hal penting lainnya dari Dimentionality Model yaitu semua
natural key digantikan dengan surrogate key, dimana setiap
penggabungan dengan tabel fakta harus menggunakan surrogate key,
bukan natural key. Setiap surrogate key harus memiliki struktur umum
berdasarkan integer yang sederhana. Penggunaan surrogate key
memperbolehkan data pada data warehouse tidak memiliki
ketergantungan dengan data yang digunakan dan diciptakan oleh sistem
OLTP.
2.2.1.1 Perbedaan model DM dan ER
DM pada umumnya digunakan untuk mendesain
komponen database pada data warehouse. Sedangkan ER
digunakan untuk mendeskripsikan sistem database OLTP.
Model ER merupakan sebuah teknik untuk
mengidentifikasi hubungan antara entitas. Fungsi utama dari
25
model ER adalah untuk menghilangkan perulangan data (data
redundancy). Hal ini menguntungkan dalam pemrosesan
transaksi, karena transaksi-transaksi tersebut menjadi lebih
sederhana. Contohnya: Pada proses update nama produk, akan
lebih mudah apabila hanya melakukan update untuk satu record
pada tabel master daripada harus mengupdate banyak record
untuk setiap transaksi. Model ER tidak mendukung perancangan
data warehouse, karena performanya kurang baik dalam
pemrosesan data secara masal.
Kunci utama yang dapat digunakan dalam memahami
hubungan antara ER dengan DM yaitu: sebuah model ER pada
umumnya dibagi menjadi beberapa model DM. Model DM saling
berhubungan melalui tabel-tabel dimensi.
2.2.1.2 Skema Bintang
Skema bintang adalah struktur logikal yang memiliki tabel
fakta berisikan data faktual yang dikelilingi oleh tabel-tabel
dimensi berisikan data referensi (yang dapat didenormalisasi).
Skema bintang merupakan suatu rancangan database yang
digunakan pada data warehouse untuk menggambarkan hubungan
yang jelas antara struktur tabel fakta dan tabel dimensi. Skema ini
dapat dibaca dengan mudah oleh analis maupun pengguna awam.
Skema bintang dapat digunakan untuk mempercepat
performa query dengan cara melakukan denormalisasi informasi
26
ke dalam sebuah tabel dimensi. Denormalisasi menjadi hal yang
penting ketika sejumlah entitas yang berhubungan dengan tabel
dimensi sering diakses, sehingga dapat menghindari
penggabungan tabel tambahan untuk mengakses atribut tersebut.
Skema bintang memiliki beberapa keuntungan yang tidak
terdapat pada struktur relasional biasa antara lain:
1. Menciptakan rancangan database yang memberikan waktu
respon yang cepat.
2. Kemudahan dalam hal memodifikasi/pengembangan data
warehouse secara terus menerus.
3. Perancangan database memungkinkan pengguna akhir
menyesuaikan cara berfikir dengan menggunakan data secara
paralel.
4. Menyederhanakan pemahaman dan penelusuran metadata
bagi pengguna dan pengembang.
Skema bintang memiliki dua macam tabel, yaitu:
1. Tabel Fakta (fact table)
Tabel fakta sering disebut juga sebagai tabel mayor.
Tabel ini merupakan inti dari skema bintang dan berisi data
aktual yang akan dianalisis. Kolom-kolom yang dapat
dianalisis pada tabel fakta disebut measure. Primary key pada
tabel ini berupa gabungan foreign key ke tabel-tabel dimensi
(composite key). Tabel ini dapat terdiri dari banyak kolom dan
ribuan baris data. Measure pada tabel fakta biasanya berupa
27
bilangan numerik dan dapat dijumlahkan karena aplikasi data
warehouse hampir tidak pernah mengakses satu baris record
saja, melainkan mengakses ratusan, ribuan, bahkan jutaan
record pada saat yang bersamaan. Hal yang paling penting
dalam melakukan proses terhadap data yang sangat banyak
yaitu penggunaan agregasi.
2. Tabel Dimensi (dimension table)
Tabel dimensi sering disebut sebagai tabel minor.
Tabel dimensi biasanya lebih kecil dan berisi data yang
merupakan deskripsi lebih lanjut dari data yang ada pada tabel
fakta. Mengandung informasi yang berupa teks dan bersifat
deskriptif. Atribut dimensi digunakan sebagai batasan pada
query data warehouse.
Ketentuan-ketentuan dalam membaca skema bintang:
• Bagian yang ada pada bagian bawah judul tabel adalah kolom-
kolom dari tabel.
• Primary key dan foreign key diberi kotak.
• Primary key diarsir sedangkan foreign key yang bukan
primary key tidak diarsir.
• Foreign key yang berhubungan ditunjukkan dengan garis yang
menghubungkan tabel-tabel.
• Kolom yang bukan primary key ataupun foreign key disebut
kolom data pada tabel fakta dan atribut pada tabel dimensi.
28
2.2.2 Denormalisasi
Menurut Poe (1996, p137) denormalisasi adalah suatu proses
penggabungan tabel yang dilakukan dengan cermat dan hati-hati yang
bertujuan untuk meningkatkan kinerja pengaksesan data. Pada dasarnya
denormalisasi merupakan proses yang melanggar aturan third normal
form (3NF).
Menurut Mannino (2001, p553) denormalisasi menggabungkan
tabel-tabel sehingga dapat mempermudah dalam melakukan query.
Denormalisasi merupakan kebalikan dari normalisasi. Denormalisasi
berguna untuk meningkatkan kinerja query.
Keuntungan melakukan proses denormalisasi adalah (Poe, 1996,
p139):
1. Mengurangi jumlah relasi yang terjadi antar tabel yang harus diproses
pada saat pencarian, sehingga akan meningkatkan kecepatan proses
query data.
2. Memetakan struktur fisik database agar mudah dimengerti oleh
pengguna. Struktur tabel yang dibuat sesuai dengan hasil yang
dikehendaki oleh pengguna, dan memungkinkan terjadinya akses
langsung terhadap data.
Sedangkan kelemahan melakukan proses denormalisasi adalah:
1. Proses denormalisasi secara tidak langsung akan membuat redundansi
data.
29
2. Proses denormalisasi memerlukan alokasi memory dan storage
(tempat penyimpanan) yang besar.
2.2.3 Agregasi
Agregasi merupakan suatu proses penciptaan nilai yang diperoleh
dengan cara menggabungkan (penjumlahan, pengambilan nilai
minimum/maksimum, dsb) nilai kolom pada satu atau banyak record
dalam database yang bertujuan untuk meningkatkan performa query,
karena nilai yang ditampilkan merupakan gabungan dari banyak record
yang ada dalam database.
2.2.4 Nine-Step Methodology
Metodologi perancangan data warehouse yang dikemukakan oleh
Kimball adalah ‘Nine-Step Methodology’ (Kimball, 1996). Pendekatan
Kimball ini membagi perancangan data warehouse ke dalam beberapa
bagian yang dapat diatur dengan mudah, disebut data mart. Kemudian
integrasi dari semua data mart tersebut membentuk sebuah data
warehouse perusahaan.
Langkah-langkah dalam Nine-Step Methodology:
1. Choosing the process
Yang dimaksud dengan proses adalah subjek yang akan
digunakan pada data mart. Data mart pertama yang perlu diutamakan
yaitu data mart yang dapat memberikan jawaban terhadap
permasalahan bisnis yang utama dan dapat diselesaikan dengan biaya
30
yang terjangkau dalam waktu yang sesingkatnya. Pada umumnya data
mart pertama yang perlu diutamakan adalah data mart yang
berhubungan dengan fungsi bisnis penjualan.
2. Choosing the grain
Memilih grain berarti menentukan data apa yang diwakilkan
oleh sebuah tabel fakta. Dengan ditentukannya grain untuk tabel
fakta, maka dapat diidentifkasikan dimensi-dimensi untuk tabel fakta
tersebut. Keputusan grain untuk sebuah tabel fakta juga menentukan
grain untuk masing-masing tabel dimensi.
3. Identifying and conforming the dimensions
Dimensi menentukan konteks informasi mengenai fakta-fakta
di dalam tabel fakta. Dimensi yang ditentukan dengan benar dapat
membuat data mart lebih mudah dimengerti dan digunakan. Dimensi
diidentifikasi dengan data detil yang cukup untuk mendeskripsikan
hal-hal misalnya produk, karyawan, dsb. Isi dimensi yang tidak
lengkap dapat mengurangi kegunaan sebuah data mart bagi
perusahaan.
Jika terdapat dimensi yang sama pada dua data mart, maka
data mart tersebut harus menggunakan 1 dimensi yang sama. Hanya
dengan cara ini, dua atau lebih data mart dapat berbagi dimensi pada
aplikasi yang sama. Ketika sebuah dimensi digunakan pada dua data
mart atau lebih, dimensi tersebut disebut ‘conformed’.
31
4. Choosing the facts
Grain dari tabel fakta menentukan fakta-fakta mana yang
dapat digunakan dalam data mart. Semua fakta harus berupa angka
dan dapat dijumlahkan.
5. Storing pre-calculations in the fact table
Setelah fakta terpilih, masing-masing fakta harus diperiksa
kembali untuk menentukan apakah terdapat kemungkinan untuk
melakukan pre-calculation. Jika ya, maka hasil dari perhitungan
tersebut disimpan kedalam suatu kolom terpisah pada tabel fakta.
6. Rounding out the dimension tables
Pada tahap ini, terdapat penambahan deskripsi teks sebanyak
mungkin pada tabel dimensi. Deskripsi teks harus dapat dimengerti
oleh pengguna. Kegunaan data mart ditentukan oleh ruang lingkup
dan atribut pada tabel dimensi.
7. Choosing the duration of the database
Pada tahap ini ditentukan durasi transaksi yang dapat dicakup
oleh sebuah tabel fakta. Di banyak perusahaan, terdapat kebutuhan
untuk melihat data hingga dua tahun yang lalu. Untuk perusahaan
seperti perusahaan asuransi, terdapat kebutuhan untuk melihat data
hingga lima tahun yang lalu atau lebih. Pertumbuhan data yang sangat
besar pada tabel fakta dapat menyebakan dua buah masalah dalam
perancangan data warehouse. Pertama, untuk sumber data yang lama,
terdapat kesulitan dalam membaca dan menginterpretasikan informasi
yang terdapat pada media penyimpanan yang lama. Kedua, adalah
32
sebuah keharusan untuk menggunakan versi lama dari dimensi yang
penting, bukan versi barunya. Kejadian ini dikenal sebagai masalah
‘slowly changing dimension’ yang akan dibahas di langkah 8.
8. Tracking slowly changing dimensions
Terdapat 3 jenis ‘slowly changing dimensions’:
o Sebuah atribut dimensi yang berubah di-overwritten (nilai atribut
yang lama diubah dengan yang baru)
Keuntungan:
Jenis ini merupakan cara yang paling mudah untuk menangani
masalah ‘slowly changing dimension’, karena tidak perlu
menyimpan atau mencari informasi yang lama.
Kerugian:
Semua sejarah mengenai data yang lama hilang. Dengan
menggunakan metodologi ini, tidak memungkinkan untuk
dilakukan pencarian sejarahnya. Informasi yang lalu mengenai
data tidak diketahui.
o Sebuah atribut dimensi yang berubah menyebabkan sebuah record
baru diciptakan di dalam dimensi
Keuntungan:
Jenis ini memungkinkan tersimpannya semua informasi yang lalu.
Kerugian:
Jenis dua ini akan menyebabkan ukuran tabel tumbuh dengan
cepat. Dengan tabel yang memiliki jumlah baris yang banyak,
penyimpanan dan performa menjadi suatu hal yang perlu
33
diperhatikan. Jenis ke-dua ini juga membuat proses ETL menjadi
rumit.
o Sebuah atribut dimensi yang berubah menyebabkan sebuah atribut
alternatif diciptakan, sehingga kedua nilai atribut yang lama dan
baru dapat diakses secara bersamaan dalam suatu record dimensi
yang sama.
Keuntungan:
Jenis ini tidak menyebabkan bertambah besarnya ukuran tabel,
karena informasi baru di-update. Jenis tiga ini memungkinkan
tersimpannya sebagian informasi yang lalu.
Kerugian:
Jenis tiga ini tidak dapat menyimpan semua informasi lalu bila
suatu atribut diubah lebih dari sekali.
9. Deciding the query priorities and the query modes
Pada langkah ini, dipertimbangkan masalah perancangan
secara fisik. Masalah perancangan fisikal yang mempengaruhi
persepsi pengguna akhir mengenai data mart adalah kehadiran
ringkasan atau agregasi data yang telah tersimpan, dan hal-hal lainnya
yang mencakup administrasi, backup, performa index, dan keamanan.
Pada akhir metodologi ini, telah dihasilkan sebuah rancangan data
mart yang mendukung kebutuhan sebuah proses bisnis tertentu dan juga
memungkinkan integrasi yang mudah dengan data mart lainnya untuk
membentuk sebuah data warehouse perusahaan.
34
2.2.5 Data Mart
Data mart adalah sebuah bagian dari data warehouse yang
mendukung kebutuhan sebuah departemen atau fungsi bisnis tertentu.
Sebuah data mart menyimpan sebagian data dalam data warehouse,
biasanya berupa data berisi ringkasan yang berhubungan dengan sebuah
departemen atau fungsi bisnis tertentu.
Karakteristik yang membedakan data mart dan data warehouse
antara lain:
Sebuah data mart berfokus hanya pada kebutuhan pengguna yang
berhubungan dengan sebuah departemen atau fungsi bisnis.
Data mart biasanya tidak berisi data operasional yang mendetil, tidak
seperti data warehouse.
Karena data mart berisi data yang lebih sedikit dibandingkan dengan
data warehouse, data mart lebih mudah dimengerti.
Ada beberapa pendekatan untuk membangun data mart. Salah
satunya adalah membangun beberapa data mart yang akan berkelanjutan
untuk diintegrasikan menjadi sebuah data warehouse. Pendekatan lainnya
adalah membangun infrastruktur data warehouse perusahaan pada saat
yang bersamaan dibangun pula satu data mart atau lebih untuk memenuhi
kebutuhan bisnis yang berlangsung.
2.3 ETL (Extraction Transformation Loading)
Merupakan suatu proses yang diperlukan dalam membentuk struktur model
dimensi (Dimensional Model). Proses ini terdiri dari 3 tahap yaitu:
35
1. Extraction
Merupakan sebuah proses penarikan data dari satu atau lebih sistem
operasional sebagai sumber data (pada umumnya diambil dari sistem
database OLTP, namun dapat juga berupa sumber data di luar sistem
database).
2. Transformation
Merupakan sebuah proses untuk mempersiapkan atau membersihkan data
yang telah diambil pada proses extract sehingga data tersebut dapat sesuai
dengan struktur data warehouse atau data mart. Hal ini tidak mudah
dilakukan, karena:
• Data harus digabungkan dari beberapa sistem yang terpisah, misalnya
beberapa sumber dapat saja menyimpan data yang sama namun
dengan struktur yang berbeda.
• Data harus dibersihkan sehingga konsisten, dan diterapkannya
penggunaan surrogate key yang merupakan sebuah key yang
menghubungkan struktur data warehouse dan terpisah dari sistem
sumber.
• Data harus di-agregasi untuk mempercepat analisis.
3. Loading
Merupakan sebuah proses penyimpanan data yang telah ditransformasi ke
dalam sebuah database relational baik berupa data warehouse ataupun data
mart. Selanjutnya data dapat dipindahkan dari data mart ke dalam data
36
warehouse, atau dapat juga dari data warehouse pusat didistribusikan ke data
mart.
2.4 Pengertian OLTP dan OLAP
Sistem OLTP (online transaction processing) dirancang untuk
memaksimalkan kapasitas pemrosesan transaksi. Sebuah perusahaan biasanya
memiliki sejumlah sistem-sistem OLTP yang berbeda untuk proses-proses bisnis
seperti pengontrolan inventory, faktur pelanggan, dan point-of-sale. Sistem-
sistem ini menghasilkan data operasional yang mendetil, bersifat current
(terbaru), dan dapat diperbaruhi. Sistem-sistem OLTP dioptimalkan untuk
sejumlah transaksi yang bersifat dapat diprediksi, berulang, dan dapat
diperbaruhi. Data OLTP diatur menurut kebutuhan transaksi yang berhubungan
dengan aplikasi bisnis dan mendukung keputusan sehari-hari untuk sejumlah
pengguna operasional.
OLAP (online analytical processing) adalah proses analisis sejumlah
besar data multidimensi yang bersifat dinamis. OLAP dideskripsikan sebagai
sebuah teknologi yang menggunakan suatu view bersifat multidimensi mengenai
sejumlah data yang teragregasi dan menyediakan akses informasi yang strategis
untuk kebutuhan analisis lebih lanjut. OLAP memungkinkan pengguna
memperoleh pengertian dan pengetahuan yang lebih mendalam mengenai
berbagai aspek data perusahaan melalui akses data yang cepat, konsisten, dan
interaktif. OLAP dapat membantu proses pengambilan keputusan untuk
menanggapi kejadian yang akan datang.
37
Berikut ini adalah table perbandingan OLTP dan OLAP:
OLTP OLAP
Digunakan untuk mendukung
kegiatan transaksi sehari-hari
Digunakan untuk mendukung kegiatan
analisis
Menggunakan view single dimensi Menggunakan view multi dimensi
Mendukung keputusan sehari-hari Mendukung keputusan masa depan
Tidak bergantung pada OLAP Bergantung pada data yang tersimpan
dalam sistem OLTP
Melayani pengguna operasional Melayani pengguna managerial
Operasi query-nya sederhana dan
berulang-ulang
Operasi query-nya lebih rumit, bersifat
ad hoc, dan tidak melibatkan operasi
update data
Menggunakan data sehari-hari Menggunakan data yang terangkum
dalam data cube
Tabel 2.1 Pengertian OLAP dan OLTP
2.5 Penjualan
2.5.1 Pengertian Penjualan
Menurut Mulyadi (2001, p202), kegiatan penjualan terdiri dari
transaksi penjualan barang dan jasa, baik secara kredit maupun secara
tunai. Di dalam perusahaan yang bergerak di bidang perdagangan,
penjualan adalah proses penting dalam melaksanakan tujuan dari
perusahaan untuk memperoleh keuntungan maksimal.
38
Secara umum, pengertian penjualan dapat dikatakan sebagai ilmu
dan seni mempengaruhi pribadi yang dilakukan oleh penjual untuk
mengajak orang lain membeli barang atau jasa yang ditawarkan. Dengan
adanya penjualan, tercipta suatu proses pertukaran barang atau jasa antara
penjual dan pembeli.
Ditinjau dari cara pembayaran yang dilakukan pembeli, terdapat
dua jenis penjualan:
1. Penjualan Kredit
Jika order pelanggan telah dipenuhi dengan pengiriman
barang atau penyerahan jasa, untuk jangka waktu tertentu,
perusahaan memiliki piutang kepada pelanggannya.
2. Penjualan Tunai
Dalam sistem penjualan secara tunai, barang atau jasa baru
diserahkan oleh perusahaan kepada pembeli jika perusahaan telah
menerima kas dari pembeli.
Ditinjau dari cara penyediaan barang ke konsumen, maka
penjualan dibedakan menjadi beberapa macam, yaitu :
1. Penjualan eceran ( retail sales )
Menyediakan pelayanan barang yang efisien sesuai dengan
kebutuhan permintaan konsumen di daerah sekitarnya (lokal),
biasanya dengan harga yang lebih mahal dan jumlah yang sedikit
(eceran).
39
2. Penjualan partai (grosir)
Barang yang dijual biasanya dalam jumlah yang lebih besar
dan harganya biasanya lebih murah dibandingkan dengan penjualan
eceran.
3. Penjualan supermarket
Barang yang disediakan untuk dijual lebih beraneka ragam.
Pembeli mengambil atau mencari barang yang dibutuhkan sendiri
(self service), jumlah pembelian konsumen bervariasi dengan harga
yang tetap, tidak tergantung banyaknya pembelian.
4. Penjualan dari pintu ke pintu
Barang ditawarkan oleh pramuniaga kepada konsumen
secara langsung dari rumah ke rumah.
5. Penjualan konsinyasi
Penjualan dilakukan dengan cara menitipkan barang yang
akan dijual kepada penjual atau toko tertentu.
2.5.2 Pengertian Penjualan Bersih (Net Sales)
Dalam Kamus Akuntansi oleh Ralph Estes, net sales didefinisikan
sebagai suatu subtotal dalam income statement (perhitungan rugi-laba)
yang mencerminkan total pendapatan penjualan dikurangi dengan
perkiraan-perkiraan lawan tertentu, seperti sales return and allowance
(retur dan potongan penjualan) dan sales discount (diskon penjualan).
40
2.5.3 Pengertian Gross Margin / Gross Profit
Dalam Kamus Akuntansi oleh Ralph Estes, gross margin atau
gross profit didefinisikan sebagai kelebihan revenue (pendapatan) atas
cost of goods sold (harga pokok penjualan). Laba kotor atas penjualan
individual sama dengan harga jual dikurangi biaya untuk mendapatkan
dan mempersiapkan barang utuk dijual tetapi sebelum dikurangi dengan
beban penjualan dan administratif.
2.5.4 Pengertian Net Margin / Net Income
Kamus Akuntansi oleh Ralph Estes mendefinisikan net margin
sebagai kelebihan revenues (pendapatan) atas seluruh expenses (beban)
yang bersangkutan untuk suatu periode tertentu.
2.5.5 Pengertian Harga Pokok Penjualan (Cost of Goods Sold)
Kamus Akuntansi oleh Ralph Estes mendefinisikan cost of goods
sold sebagai jumlah seluruh biaya yang diperlukan untuk memperoleh
dan mempersiapakan barang untuk dijual. Dalam perusahaan dagang,
jumlah ini meliputi harga beli barang ditambah beban bersangkutan,
seperti beban transportasi masuk, penerimaan, dan inspeksi, serta
penyimpanan. Dalam suatu perusahaan produksi, harga pokok penjualan
meliputi tiga biaya produksi, yaitu: bahan baku, tenaga kerja, dan
overhead.
41
2.6 Pembelian
2.6.1 Pengertian Pembelian
Menurut Mulyadi (2001, p301), sistem pembelian digunakan
dalam perusahaan untuk pengadaan barang yang diperlukan oleh
perusahaan. Transaksi pembelian dapat digolongkan menjadi dua:
pembelian lokal dan impor. Pembelian lokal adalah pembelian dari
pemasok dalam negeri, sedangkan pembelian impor adalah pembelian
dari pemasok luar negeri.
2.6.2 Fungsi yang Terkait dalam Pembelian
Menurut Mulyadi (2001, p302), fungsi yang terkait dalam sistem
pembelian adalah:
a. Fungsi Gudang
Fungsi gudang bertanggung jawab untuk mengajukan
permintaan pembelian sesuai dengan posisi persediaan yang ada di
gudang dan untuk menyimpan barang yang telah diterima oleh fungsi
penerimaan. Untuk barang yang langsung pakai (tidak
diselenggarakan persediaan barang di gudang), permintaan pembelian
diajukan oleh pemakai barang.
b. Fungsi Pembelian
Fungsi pembelian bertanggung jawab untuk memperoleh
informasi mengenai harga barang, menentukan pemasok yang dipilih
dalam pengadaan barang, dan mengeluarkan order pembelian kepada
pemasok yang dipilih.
42
c. Fungsi Penerimaan
Fungsi peneriman bertanggung jawab untuk melakukan
pemeriksaan terhadap jenis, mutu, dan kuantitas barang yang diterima
dari pemasok guna untuk menentukan dapat atau tidaknya barang
tersebut diterima oleh perusahaan. Fungsi ini juga bertanggung jawab
untuk menerima barang dari pembeli yang berasal dari transaksi retur
penjualan.
d. Fungsi Akuntansi
Fungsi akuntansi yang terkait dalam sistem pembelian adalah
fungsi pencatatan hutang dan fungsi pencatatan persediaan. Fungsi
pencatatan hutang bertanggung jawab untuk mencatat transaksi
pembelian ke dalam register bukti kas keluar dan untuk
menyelenggarakan arsip dokumen sumber (bukti kas keluar) yang
berfungsi sebagai catatan hutang atau menyelenggarakan kartu hutang
sebagai buku pembantu hutang. Fungsi pencatatan persediaan
bertanggung jawab untuk mencatat harga pokok persediaan barang
yang dibeli ke dalam kartu persediaan.
Secara garis besar transaksi pembelian mencakup prosedur
berikut:
1. Fungsi gudang mengajukan permintaan pembelian ke fungsi
pembelian.
2. Fungsi pembelian meminta penawaran harga dari berbagai
pemasok.
43
3. Fungsi pembelian menerima penawaran harga dari berbagai
pemasok dan melakukan pemilihan pemasok.
4. Fungsi pembelian membuat order pembelian kepada pemasok
yang dipilih.
5. Fungsi penerimaan memeriksa dan menerima barang yang dikirim
oleh pemasok.
6. Fungsi penerimaan menyerahkan barang yang diterima kepada
fungsi gudang untuk disimpan.
7. Fungsi penerimaan melaporkan penerimaan barang kepada fungsi
akuntansi.
8. Fungsi akuntansi menerima faktur tagihan dari pemasok dan atas
dasar faktur dari pemasok tersebut, fungsi akuntansi mencatat
kewajiban yang timbul dari transaksi pembelian.
2.7 Persediaan
2.7.1 Pengertian Persediaan
Menurut Dykman (1999, p376), persediaan terdiri dari barang-
barang yang dimiliki suatu bisnis dan disimpan baik untuk digunakan
membuat produk atau sebagai produk yang siap untuk dijual, dan dapat
dikelompokkan sebagai berikut:
1. Persediaan barang dagang (Merchandise Inventory)
Barang yang ada digudang dibeli dari pengecer atau perusahaan
perdagangan seperti importer atau eksportir untuk dijual kembali.
44
Biasanya, barang yang diperoleh untuk dijual kembali secara fisik
tidak diubah oleh perusahaan pembeli.
2. Persediaan manufaktur (Manufacturing Inventory)
a. Persediaan bahan baku
Persediaan bahan baku berupa barang yang berwujud yang dibeli
atau diperoleh dengan cara lain (misalnya, dengan menambang)
dan disimpan untuk penggunaan langsung dalam membuat barang
untuk dijual kembali.
b. Persediaan barang dalam proses
Persediaan barang dalam proses berupa barang-barang yang
membutuhkan pemrosesan yang lebih lanjut sebelum
penyelesaian dan penjualan.
c. Persediaan barang jadi
Persediaan barang jadi berupa barang-barang manufaktur yang
telah diselesaikan dan simpan untuk dijual.
3. Persediaan rupa-rupa
Persediaan rupa-rupa berupa barang-barang seperti perlengkapan
kantor, kebersihan dan pengiriman. Persediaan jenis ini biasanya
digunakan segera dan biasanya dicatat sebagai beban penjualan atau
umum ketika dibeli.
2.7.2 Pengertian Inventory Turnover
Dalam Kamus Akuntansi oleh Ralph Estes, inventory turnover
didefinisikan sebagai suatu statistik yang digunakan untuk mengevaluasi
45
usia persediaan dan kecepatan geraknya. Untuk bahan baku,
perputarannya dihitung dengan membagi biaya bahan baku yang
digunakan dengan rata-rata persediaan. Untuk barang jadi, perputarannya
ditetapkan dengan membagi harga pokok penjualan suatu periode dengan
rata-rata persediaan barang dagang atau barang jadi untuk periode itu.
2.8 Akuntansi
Dalam kamus akuntansi oleh Drs. Slamet B. Noor, tertulis akuntansi
merupakan aktifitas yang menyediakan informasi, biasanya bersifat kuantitatif
dan seringkali disajikan dalam satuan moneter, untuk pengambilan keputusan,
perencanaan, pengendalian sumber daya dan operasi, mengevaluasi prestasi dan
pelaporan keuangan kepada para investor, kreditor, instansi yang berwenang
serta masyarakat.
2.8.1 Pengertian Account
Dalam Kamus Akuntansi oleh Ralph Estes, account memiliki
pengertian sebagai suatu catatan kenaikan dan saldo (balance) dari suatu
pos yang dilaporkan dalam laporan keuangan (seperti misalnya kas,
persediaan, pendapatan penjualan, biaya telepon). Account (perkiraan)
digunakan untuk mencatat debet/kredit serta saldo dan dimasukkan dalam
suatu ledger (buku besar).
46
2.8.2 Pengertian Chart of Account (Bagan Perkiraan)
Dalam Kamus Akuntansi oleh Drs. Slamet B.Noor, chart of
account (bagan perkiraan) diartikan sebagai daftar perkiraan yang
disusun secara sistematis untuk hal-hal khusus, nama dan jenis perkiraan.
Daftar atau bagan perkiraan ini disertai dengan penjelasan
penggunaannya dan operasi umum beserta nomor kode yang
bersangkutan.
2.8.3 Pengertian Budget
Menurut Ralph Estes dalam Kamus Akuntansi edisi 2, budget
diartikan sebagai suatu rencana keuangan yang menunjukkan estimasi
atau rencana pendapatan dan biaya.
Menurut Kamus Akuntansi oleh Drs. Slamet B.Noor, budget
memiliki beberapa pengertian:
• budget sebagai setiap perencanaan keuangan yang berguna untuk
menaksir dan mengawasi operasi di masa yang akan datang,
• budget sebagai estimasi di masa yang akan datang, dan
• budget sebagai rencana kegiatan operasi perusahaan yang dinyatakan
dalam nilai uang; dan oleh karenanya meliputi taksiran pendapatan
dan biaya, baik penerimaan dan pengeluaran selama periode tertentu,
biasanya 12 bulan.
47
2.8.4 Pengertian General Ledger (Buku Besar)
General ledger (buku besar umum) merupakan kumpulan
perkiraan-perkiraan yang ada di neraca dan perhitungan rugi-laba.
Menurut Ralph Estes dalam Kamus Akuntansi edisi 2, general
ledger merupakan kumpulan perkiraan suatu satuan usaha. Buku besar
dapat merupakan lembaran-lembaran terjilid ataupun lepas, seperangkat
kartu lubang, pita magnetik, lokasi memori komputer, atau bentuk
lainnya.