8/19/2019 DR00065201306_FIN

1/8

1

IMPLEMENTASI METODE SINGLE EXSPONENTI AL SMOOTHING PADA

TEKNOLOGI ROLAP (Relational Onl ine Analytical Processing ) UNTUK ANALISIS

TRANSAKSI SERVICE MOTOR

Susil a Handika1; Yusi Tyroni

2; Nanang Yudi

3 

 Program Studi Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer,Universitas Brawijaya, Jl. Veteran Malang, 65145, Indonesia

 Email :  susilaandika@gmail.com;  yusi_tyro@ub.ac.id ; nanang@ub.ac.id  

ABSTRAK Bengkel Yamaha Gunawan Motor Semboro sudah melakukan pencatatan dengan komputerisasi pada setiap layanan yang dilakukan, dengan tujuan efisiensi kerja. Karena laporan yang ditampilkan dalambentuk file spreadsheet, sering kali para manager harus meluangkan lebih banyak waktu untukmenganalisa laporan tersebut. Untuk mengatasi permasalahan yang terdapat pada Bengkel Yamaha

Gunawan Motor, digunakan teknologi ROLAP untuk mengolah data serta metode single exponential smoothing untuk meramalkan total pendapatan bulan selanjutnya. Untuk dapat menganalsis datadengan baik, diperlukan sebuah data warehouse sebagai penyimpanan data. Data transaksi service yang berasal dari data base ditransformasi menjadi sebuah data warehouse melalui proses ETL. Darihasil peneltian yang dilakukan salah satu optimasi yang dapat dilakukan untuk mempercepat proses

 ETL adalah menambahkan index pada data base OLTP atau data base sumber . Untuk mencari nilai αterbaik Pada metode single exponential smoothing, digunakan cara try and error atau mencoba semua kemungkinan α dari 0 sampai 1 dan didapat nilai α terbaik yaitu 0,35. Nilai MAPE dan MPE yang didapat pada penelitian adalah sebesar 4,17% dan 2,00%.

Kata kunci : data warehouse, ETL, ROLAP, peramalan, singgle exponential smoothing

ABSTRACTYamaha Gunawan Motor Semboro Workshop has been using computerized recording in

every service so the work is more efficient. Since the annual report is presented in spreadsheet file, the

manager has to spend more time to analyze it. To solve this problem, it’s use ROLAP Technology to process the data and single exponential smoothing method to predict the next month’s total earnings.

This method will take the decision making easier for manager. For a better analysis, it needs datawarehouse for data storage. Transaction data service from database will be transformed into datawarehouse through ETL process. From the testing, one of the optimizations that could be done toquicken the ETL process is by adding the indexes to the OLTP database or database sources. To findthe best value of α in single exponential smoothing method, it’s use the try and error method by trying

all out the possible value of α f rom 0 to 1 and got its best value at 0.35. The MAPE and MPE valuesare 4.17% and 2.00%.

Key words : data warehouse, ETL , ROLAP, forecasting, single exponential smoothing. 

1.  PENDAHULUAN

Dewasa ini, pengukuran kinerja

 pegawai menjadi hal yang sangat penting bagi

manajemen untuk melakukan evaluasi

terhadap kinerja perusahaan dan perencanaan

tujuan di masa mendatang. Berbagai informasi

dihimpun agar pekerjaan yang dilakukan dapat

dikendalikan dan dipertanggung jawabkan.

Hal ini dilakukan untuk mencapai efisiensi dan

efektivitas pada seluruh proses bisnis

 perusahaan.

mailto:susilaandika@gmail.commailto:susilaandika@gmail.commailto:susilaandika@gmail.commailto:yusi_tyro@ub.ac.idmailto:yusi_tyro@ub.ac.idmailto:yusi_tyro@ub.ac.idmailto:nanang@ub.ac.idmailto:nanang@ub.ac.idmailto:nanang@ub.ac.idmailto:nanang@ub.ac.idmailto:yusi_tyro@ub.ac.idmailto:susilaandika@gmail.com

8/19/2019 DR00065201306_FIN

2/8

2

Bengkel Yamaha Gunawan Motor

Semboro sudah melakukan pencataan dengan

komputerisasi pada setiap layanan yang

dilakukan. Laporan yang ditampilkan untuk

dianalisis oleh para manager adalah dalam bentuk excel atau  spreadshet . Jadi sering kali

 para manager harus meluangkan waktunya

lebih banyak untuk menganalisa laporan-

laporan tersebut.

Salah satu cara untuk mengatasi

laporan data adalah menggunakan Teknologi

OLAP. Teknologi OLAP dapat menghasilkan

informasi secara multidimensi, artinya mampu

melihat data dari berbagai sudut pandang [1].

Untuk mendukung analisis data menggunakan

OLAP diperlukan sebuah data warehouseuntuk menyimpan data.

Pada penelitian ini metode

 penyimpanan data yang digunakan adalah

ROLAP (Relational Online Analytical

 Processing), Karena ROLAP menggunakan

tabel pada database relasional data warehouse 

untuk menyimpan detail data dan aggregasi

kubus. Dimana ROLAP secara langsung

mengakses pada tabel data warehouse  ketika

membutuhkan jawaban sebuah query  atau

analisis oleh pengguna sehingga

memungkinkan pengguna menganalisis data

secara interaktif [2].

Pada penelitian ini juga ditambahkan

 proses peramalan total pendapatan

menggunakan metode  single exponential

 smoothing.  Metode ini dapat meramal data

untuk periode selanjutnya dari histori data

sebelumnya. Metode  single exponential

 smoothing menggunakan konstanta pemulusan

antara 0 sampai 1 dan ramalan bulansebelumnya untuk mencari ramaln bulan

selanjutnya [3].

Penelitian ini bertujuan untuk membuat

laporan sesuai dengan kebutuhan yang dapat

membantu menunjang keputusan pada bengkel

Yamaha Gunawan Motor Semboro. selain itu

 penelitian ini juga dilakukan untuk mencari

nilai α terbaik untuk menghasilkan ramalan

 pendapatan yang tepat yang dapat digunakan

sebagai analisis pendapatan pada Bengkel

Yamaha Gunawan Motor Semboro.

2.  METODE PENELITIAN

2.1 

Sumber Data

Sumber data yang digunakan dalam

 penelitian ini adalah data transaksi service

kendaraan Bengkel Yamaha Gunawan Motor

Semboro mulai dari tahun januari 2011 sampai

mei 2012. Data awal yang digunakan untuk

merancang system ini adalah dalam bentuk

diagram relasional dari MySQL. Diagram

relasional dari sistem transaksi service dapat

dilihat pada gambar 2.1.

barang_yamaha

PK id_barang

  nama_barang

  harga_jual

  stock

  tanggal_masuk

  model_kendaraan

transaksi_barang

PK id_transaksi_barang

  jumlah_barang

  harga_jual

barang_nambah

PK id_masuk

  jumlah

  tanggal_masuk_nambah

penjualan

PK id_penjualan

  tanggal_transaksi

kt_service

PK id_service

  jenis_service

  harga

  model_kendaraan

transaksi_service

PK id_transaksi_service

  jumlah_service

  harga

transaksi_service_motor

PK id_transaksi_motor

  no_polisi  no_mesin

  no_rangka

  tahun

  model_kendaraan

  ket

mekanik

  id_mekanik

  nama_mekanik

 

Gambar 1. Diagram Relational Transaksi Service

Motor Bengkel Yamaha Gunawan Motor.

2.2  Analisis Kebutuhan Fungsional

Sistem

Kebutuhan fungsional menggambarkan

fungsionalitas atau layanan dari sistem, dan

8/19/2019 DR00065201306_FIN

3/8

3

merupakan harapan dari pengguna terhadap

sistem yang digunakan. Berikut ini adalah

kebutuhan fungsional dari sistem yang akan

dibangun :

  Menampilkan laporan total pendapatanservice dari berbagai sudut pandang waktu

dan jenis service. 

  Menampilkan laporan jumlah  service dari berbagai sudut pandang waktu dan jenis

 service. 

  Menampilkan laporan total pendapatan

 barang dari berbagai sudut pandang

waktu, dan nama suku cadang

  Menampilkan semua laporan dalam

 bentuk grafik dan crosstab tabel.

  Menampilkan hasil peramalan 1 bulankedepan.

  Mengeksport laporan dalam bentuk  file

 spreadsheet. 

2.3  Analisis Kebutuhan Non Fungsional

Sistem

Analisis kebutuhan non fungsional

adalah memberikan batasan dari fasilitas yangdisediakan oleh sistem. Kebutuhan non

fungsional pada sistem yang akan dibangun

dalam penelitian ini adalah sistem atau

aplikasi ini hanya dapat diakses pada web

browser .

2.4  Perancangan Data Warehouse

2.4.1  Arsitektur Data Warehuse

Dalam pembuatan data warehouse metode yang digunakan dalam penelitian ini

adalah mengikuti arsitektur data warehouse

tiga tingkat. Arsitektektur tiga tingkat data

warehouse adalah sebagai berikut :

1.  Tingkat bawah (bottom tier)

Tingkat bawah merupakan suatu

server sistem basis data relasional yang

 berfungsi sebagai tempat penyimpanan

dan pengolahan data dalam penelitian ini

saya menggunakan MySQL. Pada tahap

ini data diambil dari data operasional

kemudian dilakukan proses ETL (Extract,

Transform, Load)  agar data yangdigunakan valid . Data yang sudah valid  

tersebut disimpan sebagai data

warehouse.

2.  Tingkat tengah (middle tier) 

Lapisan tengah merupakan tempat

 penyimpanan suatu struktur kubus OLAP

yang disebut OLAP Server . Pada

 penelitian ini saya menggunakan

Mondrian sebagai OLAP server. Padatahap ini akan dibuat suatu struktur kubus

OLAP. Implementasi operasi OLAP ini

disesuaikan dengan struktur data dari

transaksi  service kendaraan, yang

mencakup suatu struktur hirarki data.

3.  Tingkat atas (top tier) 

Pada tingkat atas merupakan lapisan

untuk end user   yang berfungsi untuk

menampilkan ringkasan dari isi data

warehouse  yang merupakan hasil dari

operasi OLAP. Ringkasan dari hasil

operasi OLAP tersebut akan ditampilakn

dalam bentuk crosstab tabel dan grafik

agar memudahkan dalam proses analisis

data. Visualisasi dari ringkasan tersebut

akan ditampilkan menggunakan bantuan

tools dari pentaho yaitu BI server yang

ditampilkan pada web browser.

2.4.2  Perancangan dimensi dan fakta

Pada data warehouse terdapat dimensi

dan fakta yang sesuai dengan kebutuhan

informasi. Dimensi yang dirancang pada

 penelitian ini dapat dilihat pada tabel 1 :

Tabel 1. Dimensi data warehouse bengkel.

Dimensi Keterangan

Waktu Laporan dapat dilihat baik

 per tahun, per bulan.

Jenis Service Laporan dapat dilihat

8/19/2019 DR00065201306_FIN

4/8

4

Dimensi Keterangan

 berdasarkan jenis service.

Jenis Suku

Cadang

Laporan dapat dilihat

 berdasarkan jenis suku

cadang.

2.4.3  Perancangan Skema Data

Warehouse

Sesuai dengan kebutuhan yang telah

dianalisis, skema yang dipilih pada penelitian

ini adalah skema galaksi. Skema ini

merupakan gabungan dari beberapa skema

 bintang. Bentuk dari skema ini tidak terlalu

rumit serta memudahkan dalam hal query.

Gambar 2 merupakan skema galaksi yang

dihasilkan dalam perancangan ini.

fact_pendapatan_brg

  total_pendapatan

  jumlah

dim_jns_service

PK id_service

  jns_service

  harga

dim_waktu

PK id_waktu

  tahun

  bulan

fact_pendapatan_brg

  total_pendapatan

dim_barang

PK id_barang

  nama_barang

 

Gambar 2. Skema data warehouse bengkel.

2.4.4  Proses ETL (Extract, Transform,

Load)

Untuk mentransformasi data awal atau

sumber data menjadi sebuah data warehouse,

diperlukan suatu proses ETL (Extract,

Transform, Load).

1.  Extract

Proses extract data merupakan proses

mengambil data pada data base sumber

yaitu data base transaksi service.

2.  Transform

Proses transform merupakan proses

transformasi data OLTP transaksi service

motor agar dapat disimpan dalam data

warehouse sesuai dengan kebutuhan

 pengguna.

3.  Load 

Proses load merupakan proses

memasukkan data hasil transfomasi

kedalam data warehouse yang sudah

didesain sebelunya.

2.4.5  Struktur Kubus Data

Kubus data yang nantinya diharapkan

terbentuk adalah kubus data yang dapat

memenuhi kebutuhan yang diinginkan oleh

 para eksekutif bisnis untuk membantumengambil sebuah keputusan. Berikut ini

adalah beberapa kubus data yang diharapkan

terbentuk dari sistem ini :

  Kubus data pendapatan.

Gambar 3. Kubus Data Pendapatan

Keterangan:

 dimensi waktu (semua waktu)

  Tahun (drill down dari semua

waktu)

  Bulan (drill down dari tahun)

 dimensi jenis service (semua service)

  Jenis service (drill down dari

semua service)

waktu Jenis

8/19/2019 DR00065201306_FIN

5/8

5

  Kubus data suku cadang

Gambar 4. Kubus Data Suku Cadang

Keterangan :

 dimensi waktu (semua waktu)

  Tahun (drill down dari semua

waktu)

  Bulan (drill down dari tahun)

 dimensi barang (semua barang)

  Jenis barang (drill down dari

semua barang)

2.5  Peramalan

Untuk meramalkan total pendapatan

 pada Bengkel Yamaha Gunawan Motor

digunakan metode  single exponential

 smoothing. Metode ini membutuhkan

observasi terakhir, ramalan terakhir dan

konstanta pemulusan α. Nilai α bisanya

 berkisar antara 0 sampai 1. Ramalan yang

dihasilkan dari metode ini secara sederhana

merupakan ramalan yang lalu ditambah suatu

 penyesuaian untuk galat yang terjadi padaramalan yang terakhir. Secara matematis,

 persamaannya dapat ditulis :

t t t   F  X  F    )1(.)1(          (2.1)

Untuk mengetahui performa dari

metode  single exponential smoothing ,

digunakan MAPE ( Mean Absolute Percentage

 Error ) dan MPE ( Mean Percentage Error )

1

 N 

i

i

 PE 

 MPE  N 

  (2.2)

1

 N 

i

i

 PE 

 MAPE  N 

  (2.3)

3.  HASIL DAN PEMBAHASAN

Pengujian pada penelitian ini dilakukan

dengan 3 tahap yaitu :

3.1 

Unit Testing

Pengujian pertama adalah mencari nilai

α terbaik yang digunakan untuk meramalkan

total penjualan bulan selanjutnya. Data yang

digunakan pada pengujian ini adalah data

 pendapatan pada bengkel Yamaha Gunawan

Motor bulan Januari 2011 sampai bulan juni

2012.

Tabel 2. MAPE untuk setiap α. 

α  MAPE α  MAPE0,00 6,85% 0,55 4,85%

0,05 5,52% 0,60 4,95%

0,10 5,00% 0,65 5,06%

0,15 4,81% 0,70 5,18%

0,20 4,69% 0,75 5,30%

0,25 4,60% 0,80 5,44%

0,30 4,55% 0,85 5,58%

0,35 4,53% 0,90 5,78%

0,40 4,60% 0,95 5,98%0,45 4,67% 1,00 6,23%

0,50 4,76%

Pada tabel 4.21 dapat dilihat nilai

MAPE untuk α = 0 adalah 6,85%, α = 0,05

adalah 5,52%, α = 0,1 adalah 5% dst. Nilai

MAPE akan terus menurun sampai pada α =

0,35 yang mepunyai nilai 4,53%, setelah itu

nilai MAPE akan naik. Dari pengujian diatas

dapat disimpulkan α yang digunakan untuk

waktu

 barang

8/19/2019 DR00065201306_FIN

6/8

6

meramal total pendapatan periode berikutnya

adalah 0,35 karena memiliki MAPE terkecil

yaitu 4,53%.

Pada pengujian selanjutnya adalah

mengukur kesalahan sistem peramalantransaksi service motor. Data yang digunakan

 pada pengujian ini adalah data pendapatan

 pada bengkel Yamaha Guanawan Motor bulan

Januari 2011 sampai bulan Mei 2012.

Tabel 3. MAPE dan MPE dari metode single

exponential smothing.

Thn BlnPendapatan

Nyata (Rp)

Pendapatan

Ramalan

(Rp)

PE

(Absolute)PE

2011

1 9.253.500

2 9.148.500 9.253.500 1,15% -1,15%

3 9.971.000 9.216.750 7,56% 7,56%

4 9.843.000 9.480.738 3,68% 3,68%

5 9.283.000 9.607.529 3,50% -3,50%

6 10.303.000 9.493.944 7,85% 7,85%

7 9.235.500 9.777.114 5,86% -5,86%

8 9.899.000 9.587.549 3,15% 3,15%

9 9.867.000 9.696.557 1,73% 1,73%

10 10.198.000 9.756.212 4,33% 4,33%

11 9.568.500 9.910.838 3,58% -3,58%

12 10.288.000 9.791.020 4,83% 4,83%

2012

1 9.560.500 9.964.963 4,23% -4,23%

2 11.360.000 9.823.401 13,53% 13,53%

3 10.353.500 10.361.210 0,07% -0,07%

4 10.665.500 10.358.512 2,88% 2,88%

5 10.782.000 10.465.958 2,93% 2,93%

6 10.576.572Total 70,86% 34,08%

Rata-rata 4,17% 2,00%

Dari tabel 3.2, Dari tabel 4.19 dapat

dilihat peramalan untuk bulan juni tahun 2012

adalah sebesar Rp. 10.576.572. hasil ramalan

ini nantinya akan digunakan sebagai informasi

untuk menganalisa data transaksi service

motor oleh pihak Manager. MAPE dan MPE

yang dihasilkan sistem peramalan total

 pendapatan transaksi service menggunakan

metode  single exponential smoothing adalah

4,17% dan 2,00%. Dari hasil tersebut dapat

dikatakan hasil peramalan mempunyai tingkat

akurasi yang baik. Hal ini ditunjukkan denganMAPE yang kurang dari 10 % sama dengan

hasil penelitian yang dilakukan oleh Salamena

(2010) [4] pada kasus yang berbeda. Selain itu

menurut Lincolin (1994) [5], jika nilai MPE

mendekati nol maka peramalan tersebut

dikatakan tidak bias.

3.2  I ntergration Testing

 Integration testing  bertujuan untuk

mengetahui akurasi dari skema ETL yang telahdibuat. Data yang digunkan pada pengujian ini

adalah database asli yang didapat dari Bengkel

Yamaha Gunawan Motor. Pada pengujian ini

skema ETL akan di run sebanyak 5 kali

dengan jumlah data yang berbeda yaitu 10,

100, 1000, 2000, dan 3000 data. Pada

 pengujian ini akan dicari apakah ada pengaruh

 jumlah data dan penggunaan index pada

database terhadap kecepatan waktu yang

dihasilkan pada proses ETL yang telah dibuat.

Skema ETL yang digunakan adalah

dim_waktu, fact_pendapatan_srv, dan

fact_pendapatan_brg. Dim_skcadang dan

dim_jns_service tidak digunakan dalam

 percobaan karena hanya memiliki dua step

yaitu tabel input dan tabel output dimana

kedua step tersebut sudah diwakilkan oleh

dim_waktu, fact_pendapatan_brg, serta

fact_pendapatan_srv.

8/19/2019 DR00065201306_FIN

7/8

7

Tabel 4. Hasil integration testing.

Jumlah Data

10 100 1000 2000 3000

dim_waktutanpaindex

0,1 0,6 0,6 0,8 0,8

dengan

index0,1 0,1 0,4 0,7 0,7

fact_

 pendapatan

 _brg

tanpa

index

0,8 0,9 1,8 2,1 3,3

dengan

index0,8 0,9 1,3 2,1 2,7

fact_

 pendapatan _srv

tanpaindex

0,8 0,9 1,4 1,7 2,1

denganindex 0,8 0,8 1,2 1,7 2

Gambar 3. Waktu respon dim_waktu.

Gambar 4. Waktu respon fact_pendapatan_brg.

Gambar 5. Waktu respon fact_pendapatan_srv.

Dari hasi integration testing dapat

dilihat jika waktu respon akan semakin besar

 jika data yang digunakan pada proses ETL

semakin banyak. Dan jika menggunakan index

 pada databse, waktu respon yang dihasilkan

akan lebih sedikit dari pada waktu respon yang

dihasilkan dari database yang tidak

menggunakan index walaupun perbedaan yang

dihasilkan tidak terlalu signifikan. Jadi dapat

disimpulkan jumlah data dan penggunaan

index dalam database akan mempengaruhi

waktu respon dari proses ETL.

3.3 

Acceptance Testing

Setelah unit   testing   dan integration 

testing   dilakukan, uji coba selanjutnya adalah

acceptance testing . Pada acceptance testing ini

sistem telah dicoba langsung oleh  Manager

Bengkel Yamaha Gunawan Motor dan

hasilnya sistem sudah dapat diterima dan

memenuhi kebutuhan yang diharapkan oleh

 pengguna.

4.  KESIMPULAN

Kesimpulan yang diperoleh dari

 penelitian ini adalah sebagai berikut :

1. 

Teknologi ROLAP diterapkan dengan

melakukan proses ETL pada sumber data

 berupa data base. Hasil dari proses ETL

akan dimasukkan kedalam sebuah data

warehouse yang nantinya akan dipanggil

 pada  front end user untuk menganalisa

8/19/2019 DR00065201306_FIN

8/8

8

transaksi  service motor secara cepat dan

dapat dilihat dari berbagai sudut pandang

dimensi. Waktu respon yang dihasilkan

dari proses ETL dipengaruhi oleh jumlah

data yang diproses dan penggunaan index pada database sumber.

2.  α terbaik yang dihasilkan pada pnelitian

ini adalah 0.35. α yang dihasilkan pada

 penelitian ini akan berubah jika jumlah

datanya bertambah. jadi pada penelitian

ini, untuk mencari α terbaik pada metode

Single Exponential Smoothing adalah

dengan cara try and error untuk setiap

 penambahan data. Tingkat akurasi yang

dihasilkan menggunakan metode  single

exponential smoothing dikatakan baikkarena menghasilkan MAPE dibawah 10

% yaitu sebesar 4,17 % serta

menghasilkan nilai MPE sebesar 2,00%

yang berarti hasil peramaln tidak bias.

5.  SARAN

Dalam penelitian ini masih banyak hal-

hal yang dapat dikembangkan untuk penelitian

lebih lanjut, diantaranya:

1.  Dilakukan optimalisasi pada database

OLTP dan database data warehouse 

untuk menghasilkan waktu respon yang

lebih baik pada proses ETL.

2.  Digunakan sebuah metode untuk mncari

nilai α terbaik agar mendapatkan hasil

yang maksimal.

DAFTAR PUSTAKA

[1] Han J, Kamber M. 2006. Data Mining :

Concepts and Techniques. San Fransisco

: Morgan Kaufmann Publisher.

[2] Bouman R, Doungen J. 2009. Pentaho

Solution : Business Intellegence and

Data Warehousing with Pentaho and

MySQL. Indianapolis : Wiley

Publishing, Inc.

[3] Makridakis, Wheelwright dan McGee.

1999.  Metode dan Aplikasi Peramalan 

(terjemahan). Jakarta : Binarupa Aksara.

[4] Salamena, Gery. 2010. “PengujianModel Peramalan Deret Waktu Sea

Surface Temperature  (SST) Teluk

Ambon Luar dengan Metode

 Exponential Smoothing ”. UPT. Balai

Konservasi Biota Laut LIPI. Ambon.

[5] Arsyad, Lincolin. (1994). Peramalan

Bisnis. Edisi Pertama. BPFE.

Yogyakarta.

[6] Darudiarto, S. 2010. “Perancangan DataWarehouse Penjualan Untuk Mendukung

Kebutuhan Informasi Eksekutif

Cemerlang Skin Care. Jurusan Sistem

Informasi. Fakultas Ilmu Komputer.

Binus University. Jakarta.

[7] Hayardisi, H. 2008. “Data Warehouse

dan OLAP Berbasis Web Untuk

Persebaran Hotspot di Wilayah

Indonesia Menggunakan Palo 2.0”.

Departemen Ilmu Komputer, Fakultas

Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor. Bogor.

[8] Inmon WH. 1996.  Building the Data

Warehouse.  New York, USA : John

Wiley & Sons.

[9] Lujan-Mora, Sergio. 2005. Data

Warehouse Design with UML.

Department of Software and ComputingSystem University of Alicante.

[10] Munandar, Devi. 2002. OLAP dan

Terminologi Multi-Dimensional

 Database. Jurnal Teknologi Informasi,

Vol 3.

[11] Ponniah P. 2001.  Data Warehouse

 Fundamentals.  New York, USA : Jhon

Wiley & Sons.