DAFTAR ISIJUDUL……………………………………………………………………………………………………………i

DAFTAR ISI…………………………………………………………………………………………………….ii

IMPLEMENTASI DATA WAREHOUSE

1. Istilah istilah yang berkaitan dengan data warehouse…………………………… 1

1.1 Data Mart…………………………………………………………………………………………… 2

1.2 On-line Analytical Processing (OLAP)………………………………………………….. 3

1.3 On-line Transaction Processing (OLTP)………………………………………………. 4

1.4 Dimension Table…………………………………………………………………………………. 5

1.5 Fact Table…………………………………………………………………………………………… 6

1.6 DSS…………………………………………………………………………………………………….. 7

2. Extraction, Transformation dan Loading……………………………………………….. 8

3. Karakteristik data warehouse………………………………………………………………. 10

4. Meta-Data……………………………………………………………………………………………. 12

5 Manfaat Data Warehouse…………………………………………………………………….. 12

5.1 Perlunya Data warehouse………………………………………………………………….. 12

5.2 Tugas-tugas Data warehouse…………………………………………………………….. 13

5.3 Keuntungan Data warehouse…………………………………………………………….. 16

Kesimpulan …………………………………………………………………………………………….. 17

ii

IMPLEMENTASI DATA WAREHOUSE

Sebelum mengimplementasikan warehouse kedalam berbagai bisnis, alangkah baiknya kita mengetahui apa itu warehouse dan apa saja istilah-istilah yang terdapat didalamnya untuk mendukung pengimplementasian.

Data warehouse adalah data-data yang beorientasi subjek, terintegrasi, memiliki dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan dalam mendukung proses pengambilan keputusan.

1. Istilah – istilah yang berkaitan dengan data warehouse

1.1. Data Mart

Data mart adalah suatu bagian dari data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan.

Data Mart adalah fasiltas penyimpan data yang berorentasi pada Subject tertentu atau berorentasi pada Departemen tertentu dari suatu organisasi, fokus pada kebutuhan Departemen tertentu seperti Sales, Marketing, Operation atau Collection. Sehingga suatu Organisasi bisa mempunyai lebih dari satu Data Mart.

Data Mart pada umumnya di organisasikan sebagai suatu Dimensional Model, sperti Star-Schema (OLAP Cube) yang tersusun dari sebuah tabel Fact dan beberapa tabel Dimension.

arsitektur Data Mart bisa dibedakan menjadi dua, yaitu :

Dependent Data Mart dan Independent Data Mart. Perbedaan dari kedua arsitektur tersebut hanya terletak pada ketergantungan sumber datanya terhadap data warehouse.

1

Dependent Data Mart (Inmon advocated) berlaku sebagai komponen atau suatu bagian dari enterprise Data Warehouse, Data Mart dibangun dengan cara extract data dari Data Warehouse.

Independent Data Mart (Kimball advocated) 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”.

2

1.2. On-Line Analytical Proccesing

Menurut Hoffer et al (2009:431), Online Analytical Processing (OLAP) merupakan seperangkat alat grafis yang menyajikan pengguna dengan tampilan multidimensional dari data dan memungkinkan pengguna untuk menganalisis data menggunakan teknik windowing sederhana.

Menurut Connolly dan Begg (2010:1250), Online Analytical Processing (OLAP) adalah perpaduan dinamis analisis dan gabungan dari data multidimensional dalam jumlah besar.

Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat disimpulkan Online Analytical Processing (OLAP) adalah perpaduan dinamis analisis dan gabungan dari data multidimensional dalam jumlah besar yang memungkinkan pengguna untuk menganalisis data menggunakan teknik windowing sederhana.

Karakteristik OLAP

Mengizinkan para pelaku bisnis memiliki pandangan logical dan multidimensional terhadap data didalam data warehouse.

Memfasilitasi analisis query yang interaktif dan kompleks untuk pengguna. Mengizinkan user untuk melakukan drilld own sehingga mendapatkan

rincian yang lebih jelas atau roll up untuk agregasi metric selama satu dimensi bisnis atau melintasi multidimensi.

Menyediakan kemampuan untuk menampilkan kalkulasi yang rumit dan perbandingan.

Menyajikan hasil dalam sejumlah cara yang memiliki arti termasuk kedalam bentuk gambar dan diagram.

3

Keuntungan OLAP

Meningkatkan produktifitas pemakai akhir bisnis, pengembang IT, dan keseluruhan organisasi. Pengawasan yang lebih dan akses tepat waktu terhadap informasi strategis dapat membuat pengambilan keputusan lebih efektif.

Mengurangi “backlog” pengembangan aplikasi bagi staf IT dengan membuat pemakai akhir dapat merubah schema dan membangun model sendiri.

Penyimpanan pengawasan organisasi melalui integritas data koorporasi sebagai aplikasi OLAP tergantung pada data warehouse dan system OLTP untuk memperbaharui sumber tingkatan data mereka.

Mengurangi aktifitas query dan lalu lintas jaringan pada system OLTP atau pada data warehouse.

Meningkatkan hasil dan keuntungan secara potensial dengan mengizinkan organisasi untuk merespon permintaan pasar lebih cepat.

1.3. On-Line Transaction Proccesing (OLTP)

Menurut Hoffer et al (2009:431), OLTP atau Online Transaction Processing adalah sebuah sistem yang digunakan dalam aplikasi berorientasi transaksi yang melibatkan pemrosesan transaksi SQL secara real-time. Hal ini memiliki karakteristik berupa entri dan pemanggilan kembali data secara cepat dalam lingkungan multiuser.

Menurut Connolly dan Begg (2005:1149), sistem ini telah didesain untuk menangani aliran data transaksi yang tinggi, dimana transaksi biasanya membuat perubahan kecil pada data operasional organisasi, dimana data yang harus ditangani oleh perusahaan adalah data operasional sehari-hari. Sistem seperti ini disebut Online Transaction Processing (OLTP).

4

Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat disimpulkan Online Transaction Processing (OLTP) adalah sebuah sistem yang digunakan dalam aplikasi berorientasi transaksi dimana dapat menangani aliran data transaksi yang tinggi dimana data yang ditangani adalah data operasional sehari - hari.

1.4. Dimension Table

Tabel dimensi adalah tempat dimana data-data yang tidak berhubungan yang berelasi dengan table fakta di tempatkan di dalam table multidimensional (inmon, 2002). Dimensional table merupakan table yang berisikan kategori dengan ringkasan data detail yang dapat dilaporkan. Seperti laporan laba pada table fakta dapat dilaporkan sebagai dimensi waktu (yang berupa perbulan, perkwartal dan pertahun).

Tabel dimensi (dimension table) adalah tabel yang berisi detail yang menjelaskan foreign key yang terdapat pada tabel fakta. Atribut yang terdapat pada tabel dimensi dibuat secara berjenjang (hirarki) untuk memudahkan proses query (Lisangan & Saptadi, 2010).

Tabel dimensi biasanya diperoleh dari tabel master pada database operasional. Tabel dimensi dapat digunakan untuk melakukan roll up ataupun drill down pada dashboard.

Tabel dimensi adalah salah satu dari istilah yang terdapat dalam pemodelan dimensi (Dimensional modeling). Dua yang lainnya adalah table fakta dan Conformed Dimension

5

1.5 Fact Table (table fakta).

Fact Tabel merupakan table yang umumnya mengandung angka dan data history dimana key (kunci) yang dihasilkan sangat unik, karena key tersebut tediri dari foreign key(kunci asing) yang merupakan primary key (kunci utama) dari beberapa dimension table yang berhubungan.

Tabel fakta (fact table) adalah tabel yang umumnya mengandung sesuatu yang dapat diukur (measure) seperti harga, jumlah barang, dan sebagainya. Tabel fakta juga merupakan kumpulan foreign key dari primary key yang terdapat pada masing-masing tabel dimensi. Tabel fakta juga mengandung data yang bersifat historis (Lisangan & Saptadi, 2010).

Tabel fakta biasanya diperoleh dari tabel transaksi pada database operasional. Misalnya pada tabel penjualan, pemesanan, dan lain sebagainya.

Contoh gambar :

6

1.6. DDS (SISTEM PENDUKUNG KEPUTUSAN / DECISION SUPPORT SYSTEM).

Istilah SPK/DSS pertama kali dikemukakan oleh G. Anthony Gorry dan Michael S. Scoot Morton pada tahun 1971, keduanya merupakan profesor MIT, USA . Saat itu mereka merasakan perlunya suatu pemikiran untuk mengarahkan penggunaan aplikasi komputer untuk membantu pengambilan keputusan yang dilakukan oleh manajemen berdasarkan kepada konsep Simon mengenai keputusan yang terstruktur dan tidak terstruktur juga berdasarkan kepada konsep Robert N. Anthony tentang tingkat-tingkatan manajemen.

DSS : suatu sistem berbasis komputer inter-aktif yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah unstructured. (Scott Morton, 1971)

DSS menggabungkan sumber daya intelektual manusia dengan kemampuan komputer, untuk meningkatkan kualitas keputusan. Ia merupakan sistem pendukung berbasis komputer bagi pengambil keputusan manajemen untuk menyelesaikan masalah semi-structured (Keen and Scott Morton, 1978).

Manfaat yang didapat :

• Keputusan yang berkualitas

• Peningkatan komunikasi

• cost reduction

• Peningkatan produktivitas

• Penghematan waktu

• Peningkatan kepuasan karyawan dan pelanggan

7

ALASAN MENGAPA DSS DIBUTUHKAN

Ekonomi tidak stabil Kesulitan untuk mendeteksi sasaran bisnis yang beragam Meningkatnya kompetisi Electronic commerce Sistem yang ada tidak mendukung pengambilan keputusan Kebutuhan akan analisis khusus Kebutuhan informasi yang akurat Kebutuhan informasi yang baru dan tepat waktu Penghematan biaya

2. Extraction, Transformation, dan Loading

Menurut Miranda & Elfreida (2010). Setiap data warehouse memiliki data yang berbeda persyaratannya, oleh karena itu, ETL tool yang sesuai adalah solusi lebih baik untuk memenuhi persyaratan.

Menurut Miranda dalam jurnalnya (2011), membuat data warehouse tidak sekedar memindahkan data operasional ke dalam data warehouse, memindahkan data dari beberapa sumber berpotensi menimbulkan masalah besar terutama terkait dengan isu tidak konsistennya data. Data warehouse tidak hanya digunakan dalam melakukan loading, integrasi, dan menyimpan data dalam jumlah besar, namun juga berpotensi untuk mendapatkan sudut pandang baru dari sebaran data, dan memungkinkan untuk memberikan pelaporan dan jawaban dari pertanyaan pengguna yang bersifat ad hoc secara cepat dan lebih baik.

Ekstraksi

Menurut Kimball dan Ross (2002) extraction adalah langkah pertama dalam proses memasukkan data ke dalam lingkungan data warehouse. Extracting berarti membaca dan memahami sumber data dan menyalin data yang dibutuhkan untuk data warehouse ke dalam staging area untuk manipulasi lebih jauh.

8

Perlu menentukan system database yang akan digunakan dan juga mencari tahu data apa yang diperlukan sebelum mendapatkannya. Penurunan biaya perangkat keras dan penyimpanan telah mengatasi masalah dan menghindari duplikasi data sehingga kekhawatiran pada kurangnya ruangan penyimpanan sebagai tempat penyimpanan data yang berlebihan atau yang tidak diperlukan. Namun, mungkin tidak ada alasan untuk menyimpan data yang tidak diperlukan dan telah diidentifikasi tidak berguna dalam proses pengambilan keputusan. Oleh karena itu, diperlukan untuk mendapatkan hanya ekstrak data yang relevan sebelum membawa ke data warehouse.

Transformasi

Setelah penggalian data dari berbagai sumber, transformasi dibutuhkan untuk menjamin konsistensi data. Agar mengubah data kedalam data warehouse dengan benar, perlu mengetahui cara pemetaan bidang sumber data eksternal ke data warehouse. Integrasi ini bisa menjadi masalah yang kompleks ketika jumlah sumber data menjadi lebih besar.

Menurut Kimball dan Ross (2002:8), setelah data di–ekstrak ke staging area, ada banyak perubahan yang mungkin dilakukan, seperti cleansing data (memperbaiki kesalahan ejaan, mengatasi konflik domain, menangani bagian yang hilang, atau parsing ke dalam format standar), menggabungkan data dari berbagai sumber, menghilangkan data berulang, dan memberikan warehouse keys.

Menurut Connolly dan Begg (2010, 1208), langkah transformasi menerapkan serangkaian aturan atau fungsi pada data yang telah diekstrak, yang menentukan bagaimana data akan digunakan untuk analisis dan dapat melibatkan perubahan seperti merangkum, encoding, penggabungan data, pemisahan data, kalkulasi data, dan penciptaan surrogate key.

9

Loading

Menurut Miranda dalam jurnalnya (2011:1-12), setelah proses penggalian, mengubah dan pembersihan telah dilakukan, data diambil ke dalam data warehouse. Pemuatan data dapat dikategorikan ke dalam dua jenis; pemuatan data yang saat ini ada dalam database operasional dan pemuatan pembaruan data warehouse dari perubahan yang telah terjadi dalam database operasional untuk menjamin kesegaran data, data warehouse perlu untuk terus memperbaharui datanya.

Banyak persoalan yang perlu untuk dipertimbangkan terutama saat memuat data yang sudah diperbaharui ke data warehouse. Sementara pemutakhiran data warehouse, perlu memastikan bahwa tidak ada data yang dilepaskan dan juga untuk memastikan overhead minimum selama proses scanning file yang ada.

3. Karakteristik Data Warehouse

Menurut Connolly dan Begg (2010, p1147), data warehouse memiliki beberapa karakteristik, diantaranya yaitu :

• Subject-oriented, yaitu data warehouse diorganisasi berdasarkan subjek utama dari perusahaan (seperti pelanggan, produk, penjualan, dan pembelian) berdasarkan pada area aplikasi utama (seperti pembuatan faktur pelanggan, pengendalian persediaan dan penjualan produk). Hal ini menggambarkan data yang ada didalam data warehouse merupakan data untuk pengambilan keputusan, bukan data yang berorientasi aplikasi.

• Integrated, data didalam data warehouse berasal dari sumber data yang berbeda dan dari sistem aplikasi yang berbeda diseluruh perusahaan. Sumber data biasanya digunakan secara tidak konsisten, contohnya format yang berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan pandangan terintegrasi dari data kepada user.

10

• Time- variant, data yang masuk didalam data warehouse hanya data yang akurat dan valid dalam suatu waktu tertentu atau dalam interval waktu tertentu.

• Non-Volatile, data dalam data warehouse tidak diupdate secara real time tetapi diperbaharui dari sistem operasional secara berkala. Data baru selalu ditambahkan sebagai tambahan kedalam database bukan sebagai penggantian.

Menurut Subhan (2003-2007,p2), pembahasan dari ke-empat karakteristik data warehouse adalah :

Kenapa Subject Oriented?

Data warehouse diorganisasikan pada subjek – subjek utama, seperti pelanggan, barang/produk, dan penjualan. Berfokus pada model dan analisis pada data untuk membuat keputusan, jadi bukan pada setiap proses transaksi atau bukan pada OLTP. Menghindari data yang tidak berguna dalam mengambil suatu keputusan.

Kenapa Integrated?

Dibangun dengan menggabungkan/menyatukan data yang berbeda relationaldatabase, flat file, dan on-line transaction record. Menjamin konsistensi dalam penamaan, struktur pengkodean, dan struktur atribut diantara data satu sama lain.

Data Warehouse Time Variant?

Data disimpan untuk menyediakan informasi dari perspektif historical, data yang tahun – tahun lalu / 4-5 tahun. Waktu adalah elemen kunci dari suatu data warehouse / pada saat pengcapture-an.

Kenapa Non Volatile?

Setiap kali proses perubahan, data akan di tamping dalam tiap – tiap waktu. Jadi tidak di perbaharui terus menerus. Data warehouse tidak memerlukan pemrosesan transaksi dan recovery. Hanya ada dua operasi initial loading of data dan access of data.

11

4. Meta-data

Menurut Connolly dan Begg (2005:1165), metadata adalah penjelasan isi data dalam data warehouse, apa yang ada di dalamnya, darimana asalnya, dan apa yang telah dilakukan dalam proses cleansing, integrating, dan summarizing.

Menurut Adir (2009), metadata merupakan hal yang penting untuk mengelola kompleksitas lingkungan dan mengelola kualitas data dalam lingkungannya.

Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat disimpulkan metadata merupakan hal yang penting dalam mengelola kompleksitas lingkungan dan penjelasan data dalam data warehouse yang simpan dalam data warehouse.

Area dari data warehouse yang menyimpan semua definisi meta-data yang digunakan oleh semua proses didalam data warehouse. Meta-data digunakan untuk beberapa tujuan di antaranya:

Dalam proses ekstraksi dan loading, meta-data digunakan untuk memetakan sumber data ke view dari data di dalam data warehouse.

Dalam proses manajemen warehouse, meta-data digunakan untuk table ringkas secara otomatis.

Sebagai bagian dari proses manajemen query, meta-data digunakan untuk melakukan query langsung ke sumber data yang sesuai.

5. Manfaat Data Warehouse

5.1 Perlunya data warehouse

Data warehouse diperlukan bagi para pengambil keputusan manajemen dari suatu organisasi/perusahaan. Dengan adanya data warehouse, akan mempermudah pembuatan aplikasi-aplikasi DSS dan EIS karena memang kegunaan dari data warehouse adalah khusus untuk membuat suatu database yang dapat digunakan untuk mendukung proses analisa bagi para pengambil keputusan.

5.2 Tugas Tugas data Warehouse

Ada empat tugas yang bias dilakukan dengan adanya data warehouse. Menurut Williams, keempat tugas tersebut yaitu :

Pembuatan Laporan

Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dilakukan. Dengan menggunakan query sederhana didapatkan laporan perhari,perbulan,pertahun atau jangka waktu kapanpun yang diinginkan.

On-Line Analytical Proccesing (OLAP)

Dengan Adanya data warehouse, semua informasi baik detail maupun hasilsummary yang dibutuhkan dalam proses analisa mudah didapat. OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikan satupun perintah SQL. Hal ini dimungkinkan karenapad konsep multi dimensi, maka data yang berupa fakta yang sama bias dilihat dengan menggunakan fungsi yang berbeda. Fasilitas lain yang ada pada software OLAP adalah fasilitas rool-up dan drill-down. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi dan roll-up adalah kebalikannya.

Data Mining

Data Mining merupakan proses untuk menggali (minning) pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistic dan matematika.

Kehadiran data mining dilatar belakangi oleh berlimpahnya data (overload data) yang dialami oleh berbagai institusi, perusahaan atau organisasi. Berlimpahnya data ini merupakan akumulasi data transaksi yang terekam bertahun-tahun. Data–data tersebut merupakan data transaksi yang umumnya diproses menggunakan aplikasi komputer yang biasa disebut dengan OLTP (On Line Transaction Processing).

pemanfaatan data mining dapat dilihat dari dua sudut pandang, yaitu sudut pandang komersial dan sudut pandang keilmuan. Dari sudut pandang komersial, pemanfaatan data mining dapat digunakan dalam menangani meledaknya volume data. Bagaimana mana menyimpannya, mengestraknya serta memanfaaatkannya. Berbagai teknik komputasi dapat digunakan menghasilkan informasi yang dibutuhkan. Informasi yang dihasilkan menjadi asset untuk meningkatkan daya saing suatu institusi.

Data mining tidak hanya digunakan untuk menangani persoalan menumpuknya data/informasi dan bagaimana menggudangkannya tanpa kehilangan informasi yang penting (warehousing). Data mining juga diperlukan untuk menyelesaikan permasalahan atau menjawab kebutuhan bisnis itu sendiri, misalnya: • Bagaimana mengetahui hilangnya pelanggan karena pesaing • Bagaimana mengetahui item produk atau konsumen yang memiliki kesamaan karakteristik• Bagaimana mengidentifikasi produk-produk yang terjual bersamaan dengan produk lain.• Bagaimana memprediski tingkat penjualan• Bagaimana menilai tingkat resiko dalam menentukan jumlah produksi suatu item.• Bagaimana memprediksi prilaku bisnis di masa yang akan datang

Data mining merupakan teknologi yang diharapkan dapat menjembatani komnikasi antara data dan pemakainya. Beberapa solusi yang diberikan data mining antar lain :ƒ

Menembak target pasar Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.

Melihat pola beli pemakai dari waktu ke waktuData mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian

memutuskan pindah dari single account ke joint account (rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.

Cross-Market AnalysisKita dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu produk dengan produk lainnya.

Profil CustomerData mining dapat membantu Anda untuk melihat profil customer/pembeli/nasabah sehingga kita dapat mengetahui kelompok customer tertentu suka membeli produk apa saja.

Identifikasi Kebutuhan Customer Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli

Informasi Summary Anda juga dapat memanfaatkan data mining untuk membuat laporan summary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.

Proses informasi executive

Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laporan data warehouse menjadi target informative bagi user.

5.3 Keuntungan Data Warehouse

Data warehouse merupakan pendekatan untuk menyimpan data dimana sumber-sumber data yang heterogen (yang biasanya tersebar pada beberapa database OLTP) dimigrasikan untuk penyimpanan data yang homogen dan terpisah. Keuntungan yang didapatkan dengan menggunakan data warehouse tersebut dibawah ini (Ramelho).

Data diorganisir dengan baik untuk query analisis dan sebagai bahan untuk pemrosesan transaksi.

Perbedaan antara struktur data yang heterogen pada beberapa sumber yang terpisah dapat diatasi.

Aturan untuk transformasi data diterapkan untuk memvalidasi dan mengkosolidasi data apabila data dipindahkan dari data base OLTP ke data warehouse.

Masalah keamanan dan kinerja bias dipecahkan tanpa perlu mengubah system produksi.

Membangun data warehouse tentu saja memberikan keuntungan lebih bagi suatu perusahaan, Karena data warehouse dapat memberikan keuntungan strategis pada perusahaan tersebut melebihi pesaing-pesaing mereka. Keuntungan tersebut diperoleh dari beberapa sumber (Sean Nolan,Tom Huguelet):

Kemampuan untuk mengakses data yang besar. Kemampuan untuk memliki data yang konsisten. Kemampuan kinerja analisa yang cepat Mengetahui adanya hasil yang berulang ulang. Menumukan adanya celah pada business knowledge atau business

process. Mengurangi biaya administrasi. Memberi wewenang pada semua anggota dari perusahaan dengan

menyediakan kepada mereka informasi yang dibutuhkan agar kinerja bisa lebih efektif.

Kesimpulan