DATA WAREHOUSE (2nd) Presented by HANIM M.A – M. IRWAN AFANDI. hanim03@gmail.com, hanim_maria@yahoo.com Andy_afandi@yahoo.com

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

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

Part 1: Overview

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

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

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

Prinsip Data Warehouse

Part 2: Data Warehouse Architecture

Data Warehouse Architecture

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

Part 3: Multidimensional Data Model

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.

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?”

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). 8 10 10 30 20 50 25 8 15 1 2 3 timeid 11 12 13 pid Slice locid=1 is shown: locid

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

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).

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

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

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

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

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.

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

Snowflake Schema

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

Fact Constellation

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

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

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

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)

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

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.

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

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

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

OLAP : Contoh Data 2 Dimensi

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

Contoh Tabel Pivoting

Hierarki Dimensi untuk Drill-down

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

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

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.

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 09.30 (Kelas B), Kamis, 20 Maret 2014 sebelum jam 13.00 (Kelas A) untuk saya setujui/tidak setujui. Pantau reply saya melalui pesan FB maksimal sampai: Selasa,18/3/2014, 10.30. (Kelas B) Kamis, 20/3/2014, 14.00 (Kelas A) Jika sudah disetujui, lanjutkan dengan membuat ERD-nya untuk dikumpulkan maksimal senin, 24 maret 2014, 09.30 melalui Dropbox. Format penamaan file sama dengan di atas.

TUGAS KELOMPOK 2