DATA WAREHOUSE (2nd) Presented by HANIM M.A – M. IRWAN AFANDI.

Presentasi berjudul: "DATA WAREHOUSE (2nd) Presented by HANIM M.A – M. IRWAN AFANDI."— Transcript presentasi:

1 DATA WAREHOUSE (2nd) Presented by HANIM M.A – M. IRWAN AFANDI.

2 Acknowledgments Abdul Kadir
S. Sudarshan (Comp. Science and Engineering Dept, IIT, Bombay) Anindya Datta (Georgia Institute of Technology) DR. R. Seshadri

3 Overview Part 1 : Review data, informasi
Part 2 : Pengenalan Data Warehouse Part 3 : Karakteristik Data Warehouse Part 4 : Task 1

4 Part 1: Overview

5 Data Warehouse Data warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai sistem operasional dan sumber yang lain (sumber eksternal) yang menjadi perhatian penting bagi manajemen dalam organisasi dan ditujukan untuk keperluan analisis dan pelaporan manajemen dalam rangka pengambilan keputusan Data warehouse digunakan untuk mendukung pengambilan keputusan, bukan untuk melaksanakan pemrosesan transaksi Data warehouse hanya berisi informasi-informasi yang relevan bagi kebutuhan pemakai yang dipakai untuk pengambilan keputusan

6 Perbedaan DW (OLAP) dan DB(OLTP)
Database (OLTP) Data Warehouse (OLAP) Menangani data saat ini Data bisa saja disimpan pada beberapa platform Data diorganisasikan berdasarkan fungsi atau operasi seperti penjualan, produksi, dan pemrosesan pesanan Pemrosesan bersifat berulang Untuk mendukung keputusan harian (operasional) Melayani banyak pemakai operasional Berorientasi pada transaksi Lebih cenderung menangani data masa lalu Data disimpan dalam satu platform Data diorganisasikan menutut subjek seperti pelkanggan atau produk Pemrosesan sewaktu-waktu, tak terstruktur, dan bersifat heuristik Untuk mendukung keputusan yang strategis Untuk mendukung pemakai manajerial yang berjumlah relatif sedikit Berorientasi pada analisis

7 Sumber Data untuk DW Data operasional dalam organisasi, misalnya basis data pelanggan dan produk, dan Sumber eksternal yang diperoleh misalnya melalui Internet, basis data komersial, basis data pemasok atau pelanggan Berbagai data yang berasal dari sumber digabungkan dan diproses lebih lanjut oleh manajer data warehouse dan disimpan dalam basis data tersendiri. Selanjutnya, perangkat lunak seperti OLAP dan data mining dapat digunakan oleh pemakai untuk mengakses data warehouse

8 Prinsip Data Warehouse

9 Part 2: Data Warehouse Architecture

10 Data Warehouse Architecture

11 Data Warehouse: A Multi-Tiered Architecture
Operational DBs Other sources Monitor & Integrator OLAP Server Metadata Extract Transform Load Refresh Analysis Query Reports Data mining Serve Data Warehouse Data Marts Data Sources Data Storage OLAP Engine Front-End Tools

12 Part 3: Multidimensional Data Model

13 DW and OLAP as Multidimensional Data Model
Data warehouse dan OLAP didasarkan pada multidimensional data model. Model ini merepresentasikan data dalam bentuk data cube, data dimodelkan dan ditampilkan sebagai multiple dimension. Data cube ini didasarkan pada dimensions table dan facts table.

14 Multidimensional Data Model
Multidimensional yang berarti bahwa terdapat banyak lapisan kolom dan baris (Ini berbeda dengan tabel pada model relasional yang hanya berdimensi dua) Berdasarkan susunan data seperti itu, amatlah mudah untuk memperoleh jawaban atas pertanyaan seperti: “Berapakah jumlah produk 1 terjual di Jawa Tengah pada tahun n-3?”

15 Multidimensional Data Model
timeid locid sales pid Kumpulan dari measures numerik, yang bergantung pada sekumpulah dimensions. Cnth: measure Sales, dimensions Product (key: pid), Location (locid), and Time (timeid). timeid pid Slice locid=1 is shown: locid

16 Fact Table Merepresentasikan proses bisnis, yaitu model proses bisnis sebagai bentuk (artifact) pada data model. Mengandung elemen ‘pengukuran’ atau metrik atau fakta pada proses bisnis. “jumlah penjualan bulanan” pada proses bisnis Penjualan. dll Terdapat foreign key untuk tabel dimensi. Berisi ribuan kolom

17 Dimension Tables Merepresentasikan who, what, where, when and how of sebuah pengukuran/artifact. Merepresentasikan entities yang real, bukan proses bisnis. Memberikan konteks pengukuran (subject) Sebagai contoh : Pada tabel fakta Penjualan. Karakteristik dari pengukuran ‘jumlah penjualan bulanan’ bisa terdiri dari lokasi (Where), waktu (When), produk yang terjual (What).

18 Dimension Tables Atribut pada tabel dimensi merupakan kolom-kolom yang ada pada tabel dimensi. Pada tabel dimensi lokasi, atribut bisa merupakan Kode Pos, kota, kode negara, negara, dll. Secara umum, atribut pada tabel dimensi digunakan untuk pelaporan dengan menggunakan batasan kueri, contoh where Country='USA'. Atribut pada tabel dimensi juga mengandung satu atau beberapa hierarchical relationships. Sebelum mendesain data warehouse, harus ditentukan dulu mengandung elemen apa saja data warehouse yang akan dibuat. Misalkan jika ingin membuat data warehouse yang mengandung “jumlah penjualan bulanan” yang melibatkan semua lokasi, waktu, dan produk, maka dimensinya adalah : Lokasi Waktu Product

19 3D data cube, according to the dimension time, location, item

20 Warehouse Database Schema
Bukan ER Diagram Design harus mencerminkan multidimensional view Star Schema Snowflake Schema Fact Constellation Schema

21 Example of a Star Schema
Order Product Order No Order Date ProductNO ProdName ProdDescr Category CategoryDescription UnitPrice Fact Table Customer OrderNO SalespersonID CustomerNO ProdNo DateKey CityName Quantity Total Price Customer No Customer Name Customer Address City Date DateKey Date Salesperson City SalespersonID SalespersonName City Quota CityName State Country

22

23 Star Schema Model dimana data warehouse terdiri dari satu tabel pusat yang besar (tabel fakta). Ada satu table untuk tiap dimensi Pada star schema, satu dimensi diwakili oleh satu tabel dan masing-masing tabel diwakili oleh beberapa atribut.

24 Example of a Snowflake Schema
Order Product Category Order No Order Date ProductNO ProdName ProdDescr Category UnitPrice CategoryName CategoryDescr Fact Table Customer OrderNO SalespersonID CustomerNO ProdNo DateKey CityName Quantity Total Price Customer No Customer Name Customer Address City Date Month DateKey Date Month Year Month Year Salesperson Year SalespersonID SalespersonName City Quota City State CityName State Country StateName Country

25 Snowflake Schema

26 Snowflake Schema Ada mekanisme normalisasi tabel dimensi
Mudah untuk dimaintain Butuh kapasitas penyimpanan yang relatif lebih kecil Efektifitas browsing/select data berkurang karena harus melibatkan banyak kueri dari berbagai macam tabel

27 Fact Constellation

28 Fact Constellation Fact Constellation
Ada beberapa tabel fakta yang digunakan bersama-sama (share) beberapa tabel dimensi. Dapat berupa kumpulan skema star

29 Guideline Pertemuan 3 Lanjutan model multidimensi
Hirarki Ulasan tentang hirarki waktu OLAP dan kemampuan OLAP Latihan Modeling Membuat model untuk OLTP Membuat model untuk OLAP

30 Hirarki Dimensi Untuk setiap dimensi, kumpulan nilai-nilai bisa diatur dalam hirarki: PRODUCT TIME LOCATION year quarter country category week month state pname date city

31 Data Warehouse Data warehouse dapat dibangun sendiri dengan menggunakan perangkat pengembangan aplikasi ataupun dengan menggunakan perangkat lunak khusus yang ditujukan untuk menangani hal ini Beberapa contoh perangkat lunak yang digunakan untuk administrasi dan manajemen data warehouse: HP Intelligent Warehouse (Hewlett Packard) FlowMark (IBM) SourcePoint (Software AG)

32 Petunjuk Membangun DW Menentukan misi dan sasaran bisnis bagi pembentukan data warehouse Mengidentifikasi data dari basis data operasional dan sumber lain yang diperlukan bagi data warehouse Menentukan item-item data dalam perusahaan dengan melakukan standarisasi penamaan data dan maknanya Merancang basis data untuk data warehouse Membangun kebijakan dalam mengarsipkan data lama sehingga ruang penyimpanan tak menjadi terlalu besar dan agar pengambilan keputusan tidak menjadi terlalu lamban. Menarik data produksi (operasional) dan meletakkan ke basis data milik data warehouse

33 Data Mart Bagian dari data warehouse yang mendukung kebutuhan pada tingkat departemen atau fungsi bisnis tertentu dalam perusahaan. Karakteristik yang membedakan data mart dan data warehouse adalah sebagai berikut (Connolly, Begg, Strachan 1999). Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis. Data mart biasanya tidak mengandung data operasional yang rinci seperti pada data warehouse. Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami dan dinavigasi.

34 Contoh Software Data Mart
SmartMart (IBM) Visual Warehouse (IBM) PowerMart (Informatica)

35 OLAP OnLine Analytical Processing
Suatu jenis pemrosesan yang memanipulasi dan menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi.

36 OLAP (Lanjutan…) Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut ukuran adalah jumlah barang

37 OLAP : Contoh Data 2 Dimensi

38 Kemampuan OLAP Konsolidasi (roll up) melibatkan pengelompokan data. Sebagai contoh kantor-kantor cabang dapat dikelompokkan menurut kota atau bahkan propinsi. Transaksi penjualan dapat ditinjau menurut tahun, triwulan, bulan, dan sebagainya. Kadangkala istilah rollup digunakan untuk menyatakan konsolidasi Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampuan untuk melihat data dari berbagai sudut pandang

39 Contoh Tabel Pivoting

40 Hierarki Dimensi untuk Drill-down

41 Software OLAP Express Server (Oracle) PowerPlay (Cognos Software)
Metacube (Informix/Stanford Technology Group) HighGate Project (Sybase) MondrianOLAP – now part of Pentaho Project

42 Latihan di kelas Latihan Membuat model untuk OLTP
Latihan Membuat model untuk OLAP

43 CASE STUDY The Monash Main Bookshop adalah mitra pemasok buku pelajaran kepada mahasiswa untuk kelas-kelas yang diselenggarakan di lima kampus milik universitas. The Monash Main Bookshop memiliki toko cabang yang terletak di setiap kampus. Beberapa minggu sebelum awal semester setiap departemen akademik mengirimkan informasi kepada Monash Main Bookshop tentang mata kuliah yang akan ditawarkan di kampus masing-masing pada semester berikutnya. Untuk setiap mata pelajaran Monash Main Bookshop membutuhkan rincian pendaftaran mahasiswa yang diproyeksikan di setiap kampus, buku-buku teks yang dibutuhkan, dan semua dosen untuk setiap mata pelajaran. Staf Main Bookshop kemudian mempersiapkan pesanan pembelian (PO) yang dikirim ke berbagai penerbit yang memasok buku-buku pelajaran. Departemen akademik akan diberikan informasi mengenai buku yang tidak tersedia, sehingga buku teks alternatif dapat dipesan.  Pesanan buku tiba di toko buku kampus cabang yang tepat disertai dengan slip pengepakan. Slip pengepakan tersebut kemudian diverifikasi oleh staf toko buku. Jika pesanan yang disampaikan sudah benar, departemen akademik yang terkait ditagih oleh toko buku untuk buku-buku pelajaran yang mereka telah pesan.

44 TUGAS KELOMPOK 1 Cari studi kasus (case study) untuk ERD Modeling. Tulis alamat webnya dalam file doc(x) dan beri nama “kelompokxx-kelas-tugas1.doc(x)” dan kirimkan ke FB saya (mohamad afandi) melalui pesan maksimal : Selasa, 18 maret 2014, sebelum jam (Kelas B), Kamis, 20 Maret 2014 sebelum jam (Kelas A) untuk saya setujui/tidak setujui. Pantau reply saya melalui pesan FB maksimal sampai: Selasa,18/3/2014, (Kelas B) Kamis, 20/3/2014, (Kelas A) Jika sudah disetujui, lanjutkan dengan membuat ERD-nya untuk dikumpulkan maksimal senin, 24 maret 2014, melalui Dropbox. Format penamaan file sama dengan di atas.

45 TUGAS KELOMPOK 2