basis data oracle - business intelligence system · pdf filerelasional yang didesain lebih...
TRANSCRIPT
Basis Data Oracle - Business Intelligence System
Ramos Somya, M.Cs.
Menurut W.H. Inmon dan Richard D.H., datawarehousing adalah koleksi data yang mempunyaisifat berorientasi subjek, terintegrasi, time-variant,dan bersifat tetap dari koleksi data dalammendukung proses pengambilan keputusanmanagement.
Menurut Vidette Poe, data warehousing merupakanbasisdata yang bersifat analisis dan read only yangdigunakan sebagai fondasi dari sistem penunjangkeputusan.
Menurut Paul Lane, data warehousing merupakan basisdatarelasional yang didesain lebih kepada query dan analisa daripada proses transaksi, biasanya mengandung history datadari proses transaksi dan bisa juga data dari sumber lainnya.Data warehousing memisahkan beban kerja analisis daribeban kerja transaksi dan memungkinkan organisasimenggabung/konsolidasi data dari berbagai macam sumber.
Jadi, data warehousing merupakan metode dalamperancangan basisdata, yang menunjangDSS(Decission Support System) dan EIS (ExecutiveInformation System). Secara fisik data warehousingadalah basisdata, tapi perancangan datawarehousing dan basis data sangat berbeda.
Data Mart, Adalah suatu bagian pada datawarehousing yang mendukung pembuatan laporandan analisa data pada suatu unit, bagian atauoperasi pada suatu perusahaan.
On-Line Analytical Processing(OLAP), merupakansuatu pemrosesan basisdata yang menggunakantabel fakta dan dimensi untuk dapat menampilkanberbagai macam bentuk laporan, analisis, query daridata yang berukuran besar.
On-Line Transaction Processing(OLTP), merupakansuatu pemrosesan yang menyimpan data mengenaikegiatan operasional transaksi sehari-hari.
Dimension Table, Tabel yang berisikan kategoridengan ringkasan data detail yang dapatdilaporkan. Seperti laporan laba pada tabel faktadapat dilaporkan sebagai dimensi waktu(yangberupa perbulan, perkwartal dan pertahun).
Fact Table, merupakan tabel yang umumnyamengandung angka dan data history dimana key(kunci) yang dihasilkan sangat unik, karena keytersebut terdiri dari foreign key(kunci asing) yangmerupakan primary key (kunci utama) dari beberapadimension table yang berhubungan.
Decision Suport System, merupakan sistem yangmenyediakan informasi kepada pengguna yangmenjelaskan bagaimana sistem ini dapatmenganalisa situasi dan mendukung suatukeputusan yang baik.
Berorientas SubyekData warehousing berorientasi subject artinya datawarehousing didesain untuk menganalisa databerdasarkan subyek-subyek tertentu dalamorganisasi, bukan pada proses atau fungsi aplikasitertentu.
TerintegrasiData warehousing dapat menyimpan data-datayang berasal dari sumbersumber yang terpisahkedalam suatu format yang konsisten dan salingterintegrasi satu dengan lainnya. Dengan demikiandata tidak bisa dipecahpecah karena data yang adamerupakan suatu kesatuan yang menunjangkeseluruhan konsep data warehousing itu sendiri.
Rentang WaktuSeluruh data pada data warehousing dapatdikatakan akurat atau valid pada rentang waktutertentu. Untuk melihat interval waktu yangdigunakan dalam mengukur keakuratan suatu datawarehousing, dapat digunakan berbagai cara.
Non-VolatileKarakteristik keempat dari data warehousingadalah non-volatile, maksudnya data pada datawarehousing tidak di-update secara real time tetapidi refresh dari sistem operasional secara reguler.Data yang baru selalu ditambahkan sebagaisuplemen bagi basisdata itu sendiri dari padasebagai sebuah perubahan. Basisdata tersebutsecara kontinyu menyerap data baru ini, kemudiansecara incremental disatukan dengan datasebelumnya.
RingkasDatawarehousing menyediakan ringkasan-ringkasan data operasional yang sederhana danmudah dipahami oleh pihak manajemen jikadiperlukan.
Data dari berbagai sumberData yang diolah diperoleh dari berbagai sumber baik sumber internal maupun sumber eksternal.
ManfaatData warehousing diperlukan bagi para pengambilkeputusan manajemen dari suatuorganisasi/perusahaan. Dengan adanya datawarehouse, akan mempermudah pembuatanaplikasi-aplikasi DSS dan EIS karena memangkegunaan dari data warehousing adalah khususuntuk membuat suatu basisdata yang dapatdigunakan untuk mendukung proses analisa bagipara pengambil keputusan.
Data warehouse dan OLAP dibangun berdasarkanmultidimensional data model. Pada model ini diperlukantabel fakta dan tabel dimensi.
Tabel fakta berisi fakta numerik yang memiliki ciri-ciri :panjang, dan besar, serta sering berubah dan berguna untukmengukur (measure).
Sedangkan tabel dimensi berisi kolom yang bersifatdesktiptif, kecil, pendek, dan lebar yang berguna untukfiltering (menyaring) dan didasarkan pada atribut dimensi.
Tabel fakta akan menyimpan data-data utama sementaratabel dimensi mendeskripsikan setiap nilai dari suatudimensi dan dapat direlasikan ke tabel fakta jika diperlukan.
Data fakta merupakan data yang terukur besarannya,semisal jumlah siswa, banyaknya rupiah yang diperoleh,rata-rata IPK, dan sejenisnya.
Untuk lebih menjelaskan data fakta, maka kondisi saat datatersebut diukur turut disampaikan. Data kondisi inilah yangdipetakan dalam bentuk data dimensi. Kondisi yangdipetakan dalam dimensi umumnya berupa kondisi waktu,kondisi produk atau item, dan kondisi geografinya
Dalam dimensional modeling, ada beberapapendekatan yang digunakan untuk membuat datawarehouse, yaitu:
Skema bintang (star schema) Skema bola salju (snowflake Schema) Fact constellations (galaxy schema)
Skema ini mengikuti bentuk bintang, di manaterdapat satu tabel fakta (fact table) di pusatbintang dengan beberapa tabel dimensi(dimensional tables) yang mengelilinginya.
Semua tabel dimensi berhubungan dengan ke tabelfakta. Tabel fakta memiliki beberapa key yangmerupakan kunci indek individual dalam tabeldimensi.
Mendesain struktur star schema, dimulai denganmenentukan data apa yang ingin dilihat olehpengguna (besarannya) dan bagaimana penggunamelihat data tersebut (kondisi atau dimensinya).
Tabel dimensi memiliki primary key sederhana yangmengandung hanya satu atau dua kolom saja.Namun, tabel fakta akan memiliki sekumpulanforeign key yang disusun dari primary key kompositdan merupakan gabungan kolom-kolom tabeldimensi yang berelasi. Untuk lebih jelasnya, berikutcontoh struktur star schema.
Dalam star schema, kueri yang terbentuk antara tabel faktadan sejumlah tabel dimensi dinamakan star query.
Setiap tabel dimensi direlasikan dengan tabel faktaberdasarkan kolom primary key dan foreign key, namundiantara masing-masing tabel dimensi tidak ada yang salingberelasi (tidak ada hubungan data).
Kueri yang terbentuk menyebabkan proses eksekusi yanglebih optimal, karena rencana eksekusi kueri dalam DBMSakan lebih cepat dengan setiap tabel hanya berelasi dengansatu tabel yang lain.
Struktur basis data ini lebih kompleks dari pada starschema, dengan menormalisasi tabel-tabel dimensiyang berukuran besar dengan satu atau lebih kolomyang memiliki duplikasi data.
Misal jika tabel dimensi Product dinormalisasi makaakan menghasilkan struktur seperti berikut:
Tabel dimensi dinormalisasi untuk mengurangi redudansidata (duplikasi), sehingga struktur tabelnya akan lebihramping.
Dengan pengelompokan ini, data akan lebih mudah dibacadan membantu pengembang aplikasi untuk menata desainantarmuka sistem dan filtering data.
Struktur ini akan menghemat kapasitas storage, namunwaktu eksekusi data akan lebih lama mengingat jumlah tabeldimensi yang direlasikan lebih banyak dan membutuhkantambahan relasi foreign key
Pada skema ini terdapat beberapa tabel fakta yangmenggunakan satu atau beberapa tabel dimensisecara bersama-sama sehingga jika digambarkanakan terlihat seperti sekumpulan bintang.
Skema ini juga dikenal dengan galaxy schema.
Data ExtractionFungsi ini biasanya berhadapan dengan bermacamdata source, dan menggunakan teknik yang sesuaidengan setiap data source. Sumber data mungkinberasal dari source machine yang berbeda dalamformat data yang berbeda pula.
Data TransformationData transformation melibatkan berbagai bentuk dalammengkombinasikan bagian dari data yang berasal darisumber yang berbeda. Kombinasi data dilakukan darisumber record tunggal, atau dapat juga dilakukan darielemen data yang berelasi dengan banyak sumberrecord. Proses cleaning mungkin dilakukan dalam datatransformation, dimana proses cleaning memiliki fungsiuntuk melakukan koreksi terhadap kesalahanpengejaan, atau untuk melakukan eliminasi terhadapduplikat data.
Data LoadingSetelah selesai melakukan desain dan konstruksidari data warehouse dan aplikasi digunakan untukpertama kalinya, akan dilakukan pengisian awaldata ke dalam media penyimpanan data warehouse.Dalam pengisian awal, dilakukan pemindahan datadalam jumlah yang besar.
ROLAP (Relational Online Analytical Processing) MOLAP (Multidimensional Online Analytical
Processing)analisis multidimensi yang memberikan
kemampuan untuk melakukan query dan membuatlaporan (reporting).
OLAP
OLAP merupakan kunci dari BI, yang digunakanuntuk menganalisisis data dan informasi yang padaakhirnya akan menjadi dasar basis Decision SupportSystem (DSS) dan Expert Infotmation System (EIS).
Beberapa aktivitas yang dapat dilakukan melaluiOLAP antara lain seperti : melakukan query,meminta laporan yang ad hoc dan mendukunganalisis statistik.
Suatu cara melihat data dengan multidimensitersebut dikenal dengan nama kubus (cube).
Kubus ini menjadi struktur OLAP yang utama yangdigunakan untuk melihat data (view).
Analisa menggunakan kubus ini memberikanfasilitas banyak dimensi untuk melihat data yangdiinginkan. Sehingga memungkinkan untukmengakses data dengan lebih mudah dan cepatuntuk menjawab pertanyaan yang dikemukakan.
Slicing dan Dicing Roll up dan drill down
Slicing dan dicing adalah operasi untuk melihat data sebagaivisualisasi dari kubus. Dengan slicing dan dicing penggunadapat melihat data dari beberapa perspektif
Slicing memotong kubus sehingga dapat memfokuskan padaperspektif yang spesifik (pada suatu dimensi).
Sedangkan dicing memberikan kemampuan untuk melihatpemilihan data pada dua dimensi atau lebih. Yaitu denganmerotasi cube pada perspektif yang lain sehingga penggunadapat melihat lebih spesifik terhadap data yang dianalisa.
Drill down dan roll up adalah operasi untuk melihat dataglobal atau detail disepanjang level hiraraki dimensi.
Roll up untuk melihat data secara global atau rangkuman(summary).
Drill down memandu pengguna untuk memperoleh datayang lebih detail. Drill down ini biasa digunakan untukmenjawab pertanyaan atas suatu kasus tertentu. Misalnyauntuk menjawab pertanyaan ketika sebuah summary number(rata-rata atau jumlah) di bawah atau di atas harapan.
Dikerjakan secara kelompok max 4 mahasiswa Buatlah jurnal (Artikel Ilmiah) tentang implementasi
Basis Data Oracle pada suatu sistem/aplikasi. Aplikasi berdasarkan topik yang akan ditentukan
bahasa pemrograman: bebas. Tabel dalam database harus berelasi (ada proses
perancangan)minimal 5 tabel.
Sertakan proses bisnis untuk topik yang dibuat. Gunakan kreativitas untuk mengembangkan topik. Output:
Aplikasi: 30%
Jurnal: 70%
10 Juli 2012: pengumuman tugas akhir 17 Juli 2012: konsultasi + revisi 1 24 Juli 2012: konsultasi + revisi 2 31 Juli 2012: responsi
Bimbingan setiap hari Selasa (10-12) dan Rabu (10-12)
E-Commerce Tes Online Reservasi Tiket Pesawat Rental Mobil Online Sistem Inventory
Halaman judul Abstrakbahasa Inggris dan Indonesia.Halaman Utama:1. Pendahuluan2. Kajian Pustaka3. Metode dan Perancangan Sistem4. Hasil dan Pembahasan5. Simpulan6. Pustaka.
Berisi rangkuman isi dari artikel ilmiah, terdiri dari:- Permasalahan- Cara penyelesaian masalah- Hasil penelitian
Ditulis dalam bahasa Inggris dan Indonesia serta diberi keywords.
Berisi penjelasan tentang latar belakang masalah. Berisi rumusan masalah. Berisi tujuan dan manfaat penelitian. Berisi batasan masalah.
Ditulis dengan bahasa Indonesia yang baik dan benar. Perhatikan tanda baca, susunan kalimat dan ketentuan penulisan lainnya.
Berisi penelitian terdahulu yang menjadi acuanuntuk penelitian yang dikerjakan.
Cara menjelaskan: judul penelitian terdahulu,membahas apa, menggunakan cara apa, hasilnyaapa.
Dilarang menyebutkan kelemahan penelitianterdahulu.
Sertakan juga beda penelitian terdahulu denganpenelitian yang dilakukan.
Berisi konsep/teori pendukung yang dipakai dalam penelitian.
Misal:Sistem Pendukung KeputusanMetode TOPSISKecerdasan Buatan
Berisi metode penelitian yang digunakan waterfall model, prototype, dll.
Berisi perancangan sistem UML atau DFD. Berisi perancangan database ERD, Normalisasi. Berisi perancangan algoritma Berisi perancangan user interface
Berisi hasil dari perancangan sebelumnya, yaitu aplikasi yang telah dibuat.
Berisi kesimpulan dari penelitian yang telah dibuat.
Berisi daftar pustaka yang digunakan.