Gudang Materi

OLAP Data Warehouse

OLAP (Online Analitycal Processing) adalah teknologi yang memproses data di dalam database dalam struktur multidimensi, menyediakan jawaban yang cepat untuk query dan analisis yang kompleks . Data yang disajikan biasanya merupakan suatu fungsi agregasi seperti summary, max, min, average dan lain-lain.

Adapun karakteristik dari OLAP , yaitu :

• Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada datawarehouse.
• Memfasilitasi query yang komplek dan analisa bagi user
• Mengijinkan user melakukan Drill down untuk menampilkan data pada level yang lebih detil atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi
• Menyediakan proses kalkulasi dan perbandingan data
• Menampilkan hasil dalam bentuk number termasuk dalam tabel dan garfik

Dari OLAP tersebut terdapat 3 model penyimpanan data dalam cube yang difasilitasi oleh Microsoft SQL Server 7.0.Ketiga model penyimpanan data tersbut adalah :

MOLAP

Multidimensional online analitycal processing (MOLAP) menyimpan data dan aggregasi pada struktur data multidimensi. Struktur MOLAP ini tidak tersimpan pada datawarehouse tapi tersimpan pada OLAP server.

Sehingga performa query yang dihasilkan olehnya sangat bagus. Model penyimpanan ini sesuai untuk database dengan ukuran kecil sampai sedang.

ROLAP

ROLAP (Relational online analitycal processing ) menggunakan tabel pada database relasional datawarehouse untuk menyimpan detil data dan aggregasi kubus. Berbeda dengan MOLAP, ROLAP tidak menyimpan salinan database, ia mengakses langsung pada tabel fact ketika membutuhkan jawaban sebuah query.

Sehingga query pada ROLAP mempunyai response time yang lebih lambat dibandingkan ROLAP maupun HOLAP. Karakteristik model ini digunakan untuk menyimpan data yang besar dan jarang dilakukannya proses query. Misalkan, data histori dalam jumlah besar dari beberapa tahun yang sebelumnya.

HOLAP

Gabungan model MOLAP dan ROLAP dapat kita peoleh dari HOLAP (Hibrid online analitycal processing) Detil data tersmpan pada tabel relasional tapi aggregasi data disimpan dalam format multidimensi.

Misalkan proses drill down dilakukan pada sebuah tabel fakta, maka retrive data akan dilakukan dari tabel database relasional sehingga query tidak secepat MOLAP. Kubus HOLAP lebih kecil daripada kubus MOLAP tapi response time query masih lebih cepat jika dibandingkan dengan ROLAP. Model penyimpanan HOLAP ini biasanya sesuai untuk kubus yang membutuhkan performa query yang bagus dengan jumlah data yang besar.

Baca Selengkapnya ..

Solusi Pengganti Kertas

Seiring berkembangnya teknologi , tentunya akan semakin banyak penemuan yang mempermudah pekerjaan manusia. Dan tentunya teknologi itu pula yang menyediakan alternatif dan solusi dari suatu masalah.

Yang akan saya bahas kali ini mengenai Kertas , Kertas yang kita ketahui berasal dari Serat Kayu dari Pohon merupakan salah satu hal yang sering diperdebatkan dalam beberapa forum mengenai penggunaannya dan dampak yang diberikan dari penggunaan kertas tersebut.

Bayangkan saja Kertas yang ditemukan sejak berabad - abad lalu telah menjadi bagian penting dari kehidupan kita . Namun , apakah kita akan terus menerus mempergunakan kertas sebagai alat untuk mengungkapkan suatu hal.

Lalu bagaimana dengan pohon kita ? Lingkungan kita ? Apakah kita akan terus membiarkannya di tebang dan ditebang ? .

Teknologi yang semakin berkembang tentunya akan memberi jalan keluar , sebagai contoh :

Sebuah Perusahaan mengirimkan Tagihan Bulanan ke 20 juta pelanggannya , dapatkah anda bayangkan berapa kertas yang dihabiskan dan biaya yang dikeluarkan untuk menyampaikan Tagihan tersebut ? Belum lagi bila tagihan tersebut tidak sampai ke Orang tersebut.

Kini kita mengenal SMS dan Email , mengapa Perusahaan tersebut tidak memanfaatkan Teknologi ini . SMS ( Short Message System ) memungkinkan pelanggan menerima Tagihan tersebut dimanapun . Sedangkan Email memungkinkan pelanggan mengakses Tagihan tersebut.

Dan dapatkah anda membayangkan ? Berapa biaya yang dapat dihemat ?

Masalah lainnya yaitu , Buku ( Textbook ) menggunakan kertas yang cukup banyak . Bayangkan saja jika buku kita 200 halaman , berapa banyak kertas yang digunakan ? . E-Book merupakan solusinya , dikarenakan E-Book dapat diperbanyak tanpa menggunakan kertas dan E-Book bersifat Permanently ! Jadi , kita tidak perlu buang - buang kertas untuk sebuah Buku..

Kesemua hal diatas merupakan pemborosan kertas , yang seringkali kita tidak sadari . Dan mungkin saja kita sadari tetapi , kita tidak dapat untuk mencegah hal itu terjadi.

Tentunya pemanfaatan media - media elektronik tersebut akan mendukung gerakan Go Green , marilah kita memulai dari lingkungan kita untuk menggunakan Kertas secara bijak.

Demikian Tulisan saya ini , mengenai Solusi Pengganti Kertas . Tulisan ini diperuntukkan untuk Lomba Karya Tulis IATMI Komisariat Cirebon dengan Tema Go Green . Upaya kita untuk melestarikan lingkungan !

Baca Selengkapnya ..

Data Multidimensi

Selama ini kita mengenal adanya tabel relasional. Jika kita perhatikan tabel relasional tersebut, maka dapat kita ketahui karakteristiknya. Secara jelas dapat kita lihat bahwa tabel relasional dibangun oleh baris dan kolom.

Hal ini menunjukkan adanya dua sudut pandang, baris sebagai sumbu x dan kolom sebagi sumbu y. tapi sebenarnya tabel relasional tersebut hanya mempunyai satu dimensi. Pada gambar terlihat karekteristik dari tabel mahasiswa, dimana setiap record atau baris merepresentasikan data mahasiswa yang berbeda-beda.

Satu baris dengan baris lainnya diidentifikasikan dengan sebuah key yaitu primary key. Sedangkan bagian kolom seperti, nama, alamat, telepon menyimpan fakta yang sama atau sejenis, dimana setiap fakta tersebut merujuk pada primary key yaitu NRP. Hal inilah yang menunjukkan bahwa tabel relasional hanya mempunyai satu dimensi.

Sedangkan yang dimaksud dengan data multidimensi adalah ketika kita dapat melihat sebuah data dari berbagai sudut pandang atau dimensi. Sebagai contoh, penjualan buku dapat dilihat dari segi lokasi Buku, waktu, lokasi penjualan / toko dan sebagainya.

Jika digambarkan , maka akan terdapat tiga koordinat yaitu sumbu x mewakili buku, sumbu y mewakili dimensi waktu dan sumbu z untuk dimensi lokasi. Hal inilah yang menjadi perbedaan mendasar antara tabel relasional dan data multidimensi.

Spreadshet merupakan salah satu contoh dari data multidimensi ini. Fungsi yang ia sediakan seperti perhitungan sederhana dan dapat juga diubah pada dimensi tunggal.

Cube merupakan contoh data multidimensi selain spreadsheet. Dengan cube data menjadi lebih mudah untuk dimanipulasi. Setiap sumbu cube mewakili dimensi-dimensi. Terdapat measure yaitu nilai quantitative database yang ingin kita analisa. Biasanya measure berupa nilai penjualan, biaya, budget dan sejenisnya.

Measure dihitung berdasarkan dimensi-dimensi dari cube. Misalkan kita ingin meganalisa penjualan buku, total penjualan (sebagai measure) untuk suatu jenis buku tertentu (dimensi) pada lokasi / toko buku yang berbeda-beda (lokasi dapat dipilih sesuai dengan kebutuhan seperti negara, propinsi dll) pada suatu periode waktu tertentu (hari, minggu, bulan,tahun, kuartal).

Multidimensional cube mendukung beberapa feature seperti :

Rotation/Pivoting

Dengan kemampuan OLAP rotation/pivoting, kita dapat melihat data dari berbagai sudut pandang (view point). kita dapat memutar-mutar sumbu pada cube sehingga kita memperoleh data yang kita inginkan sesuai dengan sudut pandang analisa yang kita perlukan.

Slicing dan dicing

Pemilahan data dapat kita lakukan dengan proses slicing dan dicing. Slicing merupakan pemotongan sisi dari cube, artinya data yang kita potong berdasarkan kategori tertentu. Sedangkan dicing merupakan penyaringan subset data dari proses slicing.

Drill down dan consolidation

Agregasi data bisa kita lakukan dengan drill down dan consolidation. Penampilan data yang lebih detil dapat dilakukan dengan drill down dan sebaliknya untuk menyatukan data ke dalam hieraki yang lebih tinggi dapat dilakukan dengan consolidation.

Terdapat dua pendekatan pada pemodelan data multidimensi, star schema dan snowflakes schema.

Star Schema

Karakteristik dari model ini adalah :

• Pusat dari star disebut fact table
• Fact table mempunyai sebuah nilai aggregate dari data-data yang berasal dari tabel dimensi
• Setiap tabel dimensi berelasi langsung dengan fact table
• Tabel dimensi beisikan data tentang informasi atau waktu
• Relasi antara fact table dengan dimensi-dimensinya adalah 1 – N (one to many)
• Primary key pada tabel dimensi akan menjadi key pada fact table atau dapat diakatakan bahwa fact table memiliki kombinasi key dari tabel dimensi tersebut

Snowflake schema

Model snowflake merupakan perluasan dari star dimana ia juga mempunyai satu atau lebih dimensi. Hanya saja pada snowflake, tabel yang berelasi pada fact table hanya tabel dimensi utama, sedangkan tabel yang lain dihubungkan pada tabel dimensi utama. Model snowflake ini hampir sama seperti teknik normalisasi

Adapun keuntungan menggunakan model snowflake adalah :

• Pemakain space yang lebih sedikit
• Update dan maintenance yang lebih mudah
Sedangkan kerugian menggunakan model ini yaitu :
• Model lebih komplek dan rumit
• Proses query lebih lambat
• Performance yang kurang bagus

Baca Selengkapnya ..

Data Cleansing

Seperti dijelaskan diatas, pada data staging terdapat fungsi data cleansing. Adapun tujuan dari data cleansing ini adalah untuk menghilangkan kesalah-kesalahan pada data yang diakibatkan oleh proses transaksional.

Mengingat bahwa datawarehouse dijadikan sebagai sistem pendukung keputusan, maka jika data cleansing ini salah maka hal yang terburuk yang terjadi adalah pemberian informasi yang salah kepada pengambil kebijakan.

Jika informasi yang salah ini dipercayai maka keputusan yang diambil akan jatuh dan bisa mengakibatkan kerugian yang besar.

Untuk lebih jelasnya mengenai datawarehouse dan komponennya dapat dilihat pada gambar 2.1 di bawah ini.

Oleh karena itu diperlukan pengambilan keputusan berdasarkan data dan fakta yang telah diolah oleh Data Mining !

Baca Selengkapnya ..

ETL Data Warehouse

Tiga fungsi utama yang perlu dilakukan untuk membuat data siap digunakan pada datawarehouse adalah extraction, transformation dan loading. Ketiga fungsi ini terdapat pada staging area.

Pada data staging ini, disediakan tempat dan area dengan beberapa fungsi seperti data cleansing, change, convert, dan menyiapkan data untuk disimpan serta digunakan oleh datawarehouse.

Extraction

Data Extraction adalah proses pengambilan data yang diperlukan dari sumber datawarehouse dan selanjutnya dimasukkan pada staging area untuk diproses pada tahap berikutnya .

Pada fungsi ini, kita akan banyak berhubungan dengan berbagai tipe sumberdata. Format data, mesin yang berbeda, software dan arsitektur yang tidak sama. Sehingga sebelum proses ini kita lakukan, sebaiknya perlu kita definisikan requirement terhadap sumber data yang akan kita butuhkan untuk lebih memudahkan pada extraction data ini.

Transformation

Pada kenyataannya, pada proses transaksional data disimpan dalam berbagai format sehingga jarang kita temui data yang konsisten antara aplikasi-aplikasi yang ada. Transformasi data ditujukan untuk mengatasi masalah ini.

Dengan proses transformasi data ini, kita melakukan standarisasi terhadap data pada satu format yang konsisten. Beberapa contoh ketidakkonsistenan data tersenut dapat diakibatkan oleh tipe data yang berbeda, data length dan lain sebagainya.

Untuk lebih jelasnya dapat dilihat pada tabel 2.1 yang menunjukkan permasalahan dasar pada proses pengintegrasian data.

Keterangan :
• Format, Pada transaksional data dapat disimpan dalam berbagai format. Elemen data tersebut dapat tersimpan dalam format text, integer dan sebagainya. Untuk itu standarisasi perlu dilakukan dengan melihat kegunaan pokok dari elemen data pada proses transaksinal dan datawarehouse.

• Description, Pada tabel terlihat representasi ketiga nama pelanggan adalah sama. Namun dengan penulisan yang beda terlihat adanya perbedaan format pada data. Oleh karena itu perlu diambil salah satu dari deskripsi tersebut untuk konsistensi data.

• Unit, Adanya perbedaan satuan ukuran dapat menimbulkan permasalahan yang komplek. Jika user tidak mengetahui adanya perbedaan ini dan menganggap sama, maka akan terjadi kesalahan ketika kita melakukan penghitungan matematis.

• Encoding, huruf atau nomor dapat dijadikan label sebagi identifikasi suatu objek. Seperti pada tabel diatas, kesalahan dapat terjadi karenanya.

Loading

Data loading adalah memindahkan data ke datawarehouse. Ada dua loading data yang kita lakukan pada datawarehouse. Pertama adalah inisial load, proses ini dilakukan pada saat kita telah selesai mendesign dan membangun datawarhouse.

Data yang kita masukkan tentunya akan sangat besar dan memakan waktu yang relati lebih lama. Kedua Incremental load, dilakukan ketka datawarehouse telah dioperasikan. Kita melakukan data extraction, transformation dan loading terhadap data tersebut.

Untuk inisial load dilakukan sekali saja, namun untuk incremental load dapat kita jadwalkan sesuai dengan kebutuhan, bisa setiap hari, bulan, kuartal atau tahun sesuai dengan kebutuhan sistem kita.

Baca Selengkapnya ..

Perbedaan Data Warehouse dan Data Mart

Kadang kala kita sulit untuk membedakan antara datawarehouse dan data mart karena keduanya hampir sama. Namun, jika dikaji lebih jauh ada beberapa perbedaan yang dimiliki keduanya.

Datawarehouse merupakan gabungan dari beberapa data mart dan levelnya berada pada perusahaan atau organisasi. Sedangkan data mart merupakan bagian dari datawarehouse dan berada level departemen pada perusahaan atau organisasi tersebut.

Data mart menangani sebuah business proses, misalkan penjualan, maka hanya proses penjualan saja yang ditangani pada data mart.

Baca Selengkapnya ..

Definisi Data Warehouse

Datawarehouse adalah database yang didesain khusus untuk mengerjakan proses query, membuat laporan dan analisa. Data yang disimpan adalah data business history dari sebuah organisasi /perusahaan, dimana data tersebut tidak tersimpan secara rinci/detil.

Sehingga data dapat bertahan lebih lama berbeda dengan data OLTP (Online Transactional Processing) yang tersimpan sampai prosesnya berlangsung secara lengkap.

Sumber data pada datawarehouse berasal dari berbagai macam format, software, platform dan jaringan yang beda. Data tersebut adalah hasil dari proses transaksi perusahan / organisasi sehari.hari. Karena berasal dari sumber yang berbeda beda tadi, maka data pada datawarehouse harus tersimpan dalam sebuah format yang baku.

Datawarehouse juga merupakan salah satu sistem pendukung keputusan, yaitu dengan menyimpan data dari berbagai sumber, mengorganisasikannya dan dianalisa oleh para pengambil kebijakan. Akan tetapi datawarehouse tidak dapat memberikan keputusan secara langsung.

Namun ia dapat memberikan informasi yang dapat membuat user menjadi lebih paham dalam membuat kebijakan strategis.

Adapun karakteristik umum yang dimiliki datawarehouse adalah :

• Data terintegrasi dari berbagai sumber yang berasal dari proses transaksional (OLTP)
• Data dibuat konsisten
• Merupakan aggregate data/kesimpulan data, bukan data yang terperinci
• Data bertahan lebih lama
• Data tersimpan dalam format yang tepat sehinngga proses query dan analisa dapat dilakukan dengan cepat
• Data bersifat read only

Baca Selengkapnya ..

Komponen Basis Data Relasional

Basis Data relasional menggunakan tabel dua dimensi yang terdiri atas baris dan kolom untuk memberi gambaran sebuah berkas data. Adapun keuntungan Basis Data Relasional Bentuknya sederhana dan Mudah melakukan berbagai operasi data .

Istilah dalam Basis Data Relasional :

Relasi adalah Sebuah tabel yang terdiri dari beberapa kolom dan beberapa baris.
Atribut adalah Kolom pada sebuah relasi
Tupel adalah Baris pada sebuah relasi

Domain adalah Kumpulan nilai yang valid untuk satu atau lebih atribut
Derajat (degree) adalah Jumlah atribut dalam sebuah relasi
Cardinality adalah Jumlah tupel dalam sebuah relasi

Dalam Basis Data Relasional juga dikenal Relational Key , yang terdiri dari :

Super key yakni , Satu atribut/kumpulan atribut yang secara unik mengidentifikasi sebuah tupel di dalam relasi

Candidate key yakni, Atribut di dalam relasi yang biasanya mempunyai nilai unik dan merupakan Field-field yang bisa dipilih (dipakai) menjadi primary key.

- Primary key : Candidate key yang dipilih untuk mengidentifikasikan tupel secara unik dalam relasi dan merupakan Field yang mengidentifikasikan sebuah record dalam file, bersifat unik.

- Alternate key : Candidate key yang tidak dipilih sebagai primary key.

Foreign key merupakan Atribut dengan domain yang sama yang menjadi kunci utama pada sebuah relasi tetapi pada relasi lain atribut tersebut hanya sebagai atribut biasa . Foreign Key ini adalah Field yang bukan key, tetapi adalah key pada file yang lain.

Dalam Basis Data Relasional terdapat , Tiga Relational Integrity Rules yakni :

1. Null : Nilai suatu atribut yang tidak diketahui dan tidak cocok untuk baris (tuple) tersebut.

2. Entity Integrity : Tidak ada satu komponen primary key yang bernilai null.

3. Referential Integrity : Suatu domain dapat dipakai sebagai kunci primer bila merupakan atribut tunggal pada domain yang bersangkutan .

Demikian Pembahasan Komponen Basis Data Relasional yang terdapat dalam Sistem Basis Data , yang merupakan dasar Ilmu yang harus kita pahami dan cermati.

Baca Selengkapnya ..