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.