Perancangan Data Warehouse

Slides:



Advertisements
Presentasi serupa
Data Warehousing :: Overview
Advertisements

Data Warehousing :: DWH Design
Model Kubus Data Melihat data sebagai kubus.
5.
Kegunaan Lain Data Warehouse
Database dan Managemen Informasi
Desain Data Warehouse (Lanjutan): Dimensional Modelling
 MENGOLAH INFORMASI, KEMUDIAN MENYAJIKAN INFORMASI TERSEBUT SESUAI DENGAN KEBUTUHAN KERTAS REKAYASA KUBUS PEREKAYASAAN SISTEM INFORMASI HARUS DILENGKAPI.
DATABASE LIBRE OFFICE BASE
Data Warehouse dan Decision Support
Dimentional Design Retail Store.
Data Mart dan Metadata Data Warehouse
Pengenalan Data Warehouse
Desain Data Warehouse (Dimensional Modelling)
Dimensional Modeling Achmad Yasid.
Dimensional Modeling Achmad Yasid.
Query Tessy Badriyah.
PEMODELAN DATA.
Nama : Irma Adeline Prayogianto NIM :
Data Mart dan Metadata Data Warehouse
EKY ADHIPUTRA SISTEM INFORMASI
Data Warehouse (Lecture 1)
Dika Anjar Pratiwi Ken Mentari Tilammura Agung Wibowo.
Sumber Data untuk DW Data operasional dalam organisasi, misalnya basis data pelanggan dan produk, dan Sumber eksternal yang diperoleh misalnya melalui.
Data Warehouse, Data Mart, OLTP & OLAP
Dimensional Modeling (Advance)
Membuat Relasi pada Access 2007
Modul 03 Relational Model
“PERANCANGAN INDEPENDENT DATA MART BAGIAN PENJUALAN Nyimas Farah Fizria Fauzar, for further detail, please visit
Pertemuan VII Perancangan Datawarehouse. Perancangan Datawarehouse dengan Microsoft SQL Server.
Perancangan Data Warehouse
Pertemuan VI Desain Data Warehouse (Dimensional Modelling)
Desain Data Warehouse (Dimensional Modelling)
Surrogate Key & Slowly Changing Dimensions. SURROGATE KEY.
Informasi Dalam Praktik
Presented by HANIM M.A. DATA WAREHOUSE (2nd) Presented by HANIM M.A.
Metode Pengembangan Datawarehouse
Pemodelan Data Dimensional dengan OLAP
PERANCANGAN SISTEM INFORMASI
Datamart dan Datawarehouse
Evaluasi Finansial Dengan Balance Scorecard
SQL (Structured Query Language)
Konsep Teknologi Informasi B
Model Kubus Data Melihat data sebagai kubus.
Alat pengembangan sistem
DATA MART Pertemuan ke-3.
Alat pengembangan sistem
AKUNTANSI BIAYA IEG3A3 Program Studi Teknik Industri
Charitas Fibriani, S.Kom, M.Eng
KARAKTERISTIK DW Pertemuan ke-2.
Presented by HANIM M.A. DATA WAREHOUSE (2nd) Presented by HANIM M.A.
UPAYA PEMECAHAN MASALAH DALAM MEMBANGUN GUDANG DATA (DATA WAREHOUSE)
Perancangan Data Logis dan Fisik
METODE PENGEMBANGAN DATAWAREHOUSE
Query.
Business Intelligent Ramos Somya, S.Kom., M.Cs.
Gudang Data, dan Permasalahannya
Metodologi dan Pengembangan Data Warehouse
AGGREGATE FUNCTION DB - Wiji Setiyaningsih, M.Kom.
JOIN TABLE DB - Wiji Setiyaningsih, M.Kom.
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
Datawarehouse Planning
Business Intelligence Ramos Somya, S.Kom., M.Cs.
Introduction to Data Warehouse By: Marcello Singadji
BUSINESS INTELLIGENCE
Business Intelligent Ramos Somya, S.Kom., M.Cs.
OLTP & ETL Data integration.
Skema Star (Dalam RDBMS)
LOGICAL DESIGN DW Referensi:
LOGICAL DESIGN DW Referensi:
Transcript presentasi:

Perancangan Data Warehouse

Nine Methodology – Ralph Kimball 1. Memilih Proses (Choosing The Process) Proses (fungsi) mengacu pada subjek masalah dari data mart tertentu. Data mart yang akan dibangun harus sesuai anggaran dan dapat menjawab masalah-masalah bisnis yang penting. Contoh : proses penjualan bahan kimia dan makanan kepada customer

2. Memilih Grain (Choosing The Grain) Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh record dalam tabel fakta. Grain : penjualan Analisis pada penjualan meliputi : Barang dan jenis yang paling banyak terjual/peminatnya, Customer dan kota asal customer yg paling banyak membeli, . Jumlah penjualan barang, total penjualan sebelum pajak, total penjualan sesudah pajak Rata2 penjualan yang dilihat berdasarkan barang, jenis barang, customer, waktu, karyawan dan kota).

3. Mendefinisikan dan Menyesuaikan Dimensi (Identifying and conforming the dimenions) Dimensi yg terpilih : waktu, barang, jenisbarang, karyawan, supplier, kota, customer Tabel Grain dan Dimensi dari Penjualan

4. Memilih Fakta (Choosing the facts) Fakta yg terkait dg analisis penjualan : Barang yg paling banyak terjual Customer yg paling banyak membeli Kota asal customer yang paling banyak membeli Total penjualan sebelum pajak Total penjualan setelah pajak Rata-rata penjualan

5. Menyimpan Pre-kalkulasi dalam Tabel Fakta (Storing pre-calculations in the fact table) Fakta Penjualan : JumlahJualBarang = SUM(Qty) TotalPenjualanSebelumPajak = SUM(Qty*HrgJual) TotalPenjualanSetelah Pajak = SUM((PPN*(Qty*HrgJual))+(Qty*HrgJual) RataRataPenjualan = AVG((PPN*(Qty*HrgJual))+(Qty*HrgJual)

Tabel Fakta Penjualan

6. Melengkapi Tabel Dimensi (Rounding out the dimension tables) Tabel Dimensi Waktu

Tabel Dimensi Barang

Tabel Dimensi Jenis Barang

Tabel Dimensi Karyawan

Tabel Dimensi Customer

Tabel Dimensi Kota

7. Memilih Durasi dari Database (Choosing the duration of the database)

8. Melacak Perubahan Dimensi Secara Perlahan (Tracking slowly changing dimensions) Dimensi yang mungkin berubah : Dipilih SCD tipe 2 : menyebabkan diciptakannya recod dimensi baru dg surrogate key berbeda

Contoh : Data Dimensi Supplier sebelum mengalami perubahan : Data NamaSupplier untuk SupplierID 1 mengalami perubahan :

9. Menentukan prioritas dan mode query (Deciding the query priorities and query modes) Mempertimbangkan pengaruh dari perancangan fisik Batasan untuk user dalam proses ETL dan backup

Star Skema Penjualan