Oleh : Rahmat Robi Waliyansyah,M.Kom.

Slides:



Advertisements
Presentasi serupa
Pertemuan 4 Heintje Hendrata, S.Kom Heintje Hendrata, S.Kom.
Advertisements

Bab 10 BASIS DATA.
Database.
Kegunaan Lain Data Warehouse
Database Chapter 1.
INFRASTRUKTUR TI dan TEKNOLOGI BARU
Data Mining Definisi Data Mining Kemampuan Data Mining :
Sistem Basis Data - Universitas Semarang
CRM Development Strategy
Konsep Dasar Database Database (basis data) adalah: sistem penyimpanan beragam jenis data dalam sebuah entitas yang besar untuk diolah sedemikian rupa.
Manajemen Sumber Daya Data
BASIS DATA LANJUT Pertemuan 3 Mengenal Istilah Dalam Basis Data
Basis Data - Udinus Semarang
Jenis dan Tipe E-Commerce
P ENGANTAR T EKNOLOGI S ISTEM I NFORMASI M ANAJEMEN 2 PERTEMUAN 1 Pengantar Basis Data UNIVERSITAS GUNADARMA 1.
Arsitektur DWH Pertemuan ke-2.
Kelompok 3 : Neti Wijayanti 2112R0510 Andi Irawan 2112T0503 Nita ferawari 1111S0353 Muh.Abdul Rouf ( )
Pertemuan 5-1 Database dan Sistem Manajemen Database
PENDAHULUAN 1.  Merupakan aktivitas manajemen untuk merealisasikan tahapan Database Aplication Lifecycle secara efektif dan efesien. 2.
Pertemuan 8 SISTEM BASIS DATA Renni Angreni, M.Kom.
Database Management System
Modul 03 Relational Model
BAB 1 Pengenalan Database dan DBMS
SISTEM MANAJEMEN DATA Cherrya Dhia Wenny.
PROGRAM STUDI AKUNTANSI - STIE MDP
Desain Database Dengan Teknik NORMALISASI
MANAJEMEN SUMBER DAYA DATA
Entity Relationship Diagram
PENDAHULUAN Definisi Sistem Berkas
DATA, DATABASE DAN INFORMASI
Pengantar TI 2015/2016 DATABASE (BASIS DATA).
Presented by Team Basis Data
MANAJEMEN DATA.
Database Manajemen System Dinda Prasetia,Skom.
DATA & INFORMASI DALAM SISTEM INFORMASI BISNIS
Pengantar Teknologi Informasi
PENGANTAR BASIS DATA M6.
Sistem informasi area fungsional
Framework, Jenis, dan Tipe E-Commerce
Sistem informasi area fungsional
Vega Valentine, ST, MMSI, MSc
PENGANTAR BASIS DATA PERTEMUAN 1.
PENGELOLAAN DATA Roni Kurniawan M.Si.
Basis Data Definition.
Information Technology MWU110 (2 sks)
DATA MART Pertemuan ke-3.
Jenis dan Tipe E-Commerce
MANAJEMEN DATA DAN KONSEP DATABASE
Management Information System
Normalisasi Data Base Bentuk Penyederhanaan Tabel dalam Basis Data – Langkah tepat untuk dalam merelasikan dalam penghubungan antar Entitas dalam penyederhanaan.
Basis Data.
PEMROGRAMAN BASIS DATA
PERTEMUAN 2 Proses Pengembangan Perangkat Lunak
Prinsip Data Warehouse
PENGANTAR BASIS DATA.
7. Mengelola Sumber Data Anggota Kelompok :
Perancangan Penyimpanan Data
Perancangan Fisik Basis Data
MANAJEMEN BASIS DATA PERANCANGAN.
Perancangan Data Logis dan Fisik
7 SISTEM ELECTRONIC BUSINESS CHAPTER
Pengantar Pengolahan Data
Business Performance Management (BPM) Kompetensi
KAMUS DATA.
Rekayasa Perangkat Lunak
WELCOME 15 November 2018.
BASIS DATA Gasal 2012/2013 Pantjawati S..
SISTEM INFORMASI AKUNTANSI
Pengantar Teknologi SIM 2 (pertemuan 6)
MANAJEMEN SUMBER DATA SISTEM INFORMASI MANAJEMEN.
Transcript presentasi:

Oleh : Rahmat Robi Waliyansyah,M.Kom. KUALITAS DATA Oleh : Rahmat Robi Waliyansyah,M.Kom.

KUALITAS DATA SANGAT PENTING? Meningkatkan kepercayaan diri dalam pengambilan keputusan Memperbaiki pelayanan kepada Customer Meningkatkan kesempatan memperbaiki kinerja Mengurangi resiko dari keputusan yang berbahaya Mengurangi biaya, terutama untuk pemasaran Mengembangkan strategi untuk pembuatan keputusan Meningkatkan produktivitas dengan memangkas beberapa proses Menghindari efek komplikasi dari data yang terkontaminasi

Akurasi Vs Kualitas AKURASI KUALITAS Sesuai entitasnya Elemen data Didefinisikan menggunakan Database Teknologi Elemen data menyesuaikan dengan batasan tervalidasi Masing-masing data memiliki tipe data yang sesuai Operasional Database Sesuai Kegunaan Sesuai dengan representasi Bisnis Terhubung tidak hanya dalam satu data tapi keseluruhan sistem Form dan data konsisten terhadap keseluruhan sistem Datawarehouse

Indikator Data Berkualitas (1) ACCURACY = data yang tersimpan nilainya benar (nama cocok dengan alamatnya) DOMAIN INTEGRITY = nilai attributnya sesuai batasan yang diperkenankan (nilai attribut laki-laki & perempuan) DATA TYPE = Nilai data disimpan dalam tipe data yang sesuai (data nama disimpan dengan tipe text)

Indikator Data Berkualitas (2) CONSISTENCY = nilai sebuah field data akan sama semua dalam berbagai berkas (field produk A dengann kode 123, akan selalu sama kodenya di setiap berkas lain) REDUDANCY = tidak boleh ada data yang sama disimpan di tempat yang berbeda dalam satu sistem COMPLETENESS = Tidak ada nilai atttribut salah yang diberikan dalam sistem

Indikator Data Berkualitas (3) DUPLICATION = tidak ada baris record yang sama dalam satu sistem CONFORMANCE TO BUSINESS RULES = sesuai dengan aturan bisnis yang berlaku (di bank loan balance = + or 0) STRUCTURAL DEFINITENESS = dapat didefinisikan strukturnya (nama = firstname + middlename + lastname)

Indikator Data Berkualitas (4) DATA ANOMALY = sebuah field hanya digunakan sesuai kegunaannya. (field address3 → digunakan untuk mencatat baris ketiga dalam alamat bukan untuk telp atau fax) CLARITY = Kejelasan arti kegunaan dan cara penulisan sebuah data (penamaan khusus) TIMELY = merepresentasikan waktu dari data yang dimasukkan (jika data digunakan perhari maka data pada warehaouse harus juga dibuat per hari)

Indikator Data Berkualitas (5) USEFULNESS = setiap data harus benar digunakan oleh user ADHERENCE TO DATA INTEGRITY RULES = taat pada aturan keterhubungan data

Tantangan dalam membangun kualitas data

Macam Permasalahan Dalam Menjaga Kualitas Data (1) Dummy values in fields → (kode pos diisi 77777) Absence of data values → (alamat tidak terbagi menjadi region) Unofficial use of fields → (isi komentar pada customer contact filed) Cryptic values. → (penyingkatan nilai yang berubah L P jadi P W)

Macam permasalahan dalam menjaga kualitas data (2) Contradicting values → (alamat di kamal tapi kode pos bukan 69162) Violation of business rules → (waktu kerja max 365 hari tidak boleh lebih) Reused primary keys → (kode PK hanya 5 digit tapi data yang mau dimasukkan lebih dari 100.000) Nonunique identifiers → (kode produk A = 563 di dept sales tapi di dep keu produk A = A226

Macam permasalahan dalam menjaga kualitas data (3) Inconsistent values → (disistem satu kodenya L dan P tapi disistem lain bisa 1 dan 2 atau juga Lk dan Pr) Incorrect values → (Tinggi badan 20) Multipurpose fields → (satu field diisi oleh dept yang berbeda dapat berbeda arti dan fungsi) Erroneous integration → (penggunaan kode data yang berbeda harus diintegrassikan.)

Participant and Rules

Studi Kasus Singapore’s Tourism Board Masalah : sistem lama kewalahan, tidak dapat memenuhi permintaan statistik yang akurat dan cepat karena file-file tersimpan secara terpisah dalam beragam sumber Solusi : dibangun Data warehouse disebut AIMS (Automated Information Management System)

Spesifikasi AIMS Berbasis database oracle OS: sun Perangkat lunak analisis infoPump, InfoBacon, InfoReports, dan WebBacon. InfoBacon: perangkat lunak analisis online Data ditampilkan dalam format multidimensi

Hasil Laporan dibuat lebih efisien dan cepat Menghemat 550 hari untuk membuat laporan Menghemat 546 hari untuk melayani permintaan informasi dari beragam departemen Informasi mengenai wisatawan diperoleh hanya 3 hari dari kedatangan para wisatawan singapura Hasil

Tantangan Manajemen Hambatan organisasional pada lingkungan database DBMS merupakan tantangan tersendiri bagi kekuatan pengaturan yang ada di dalam organisasi/resistensi politik Mengintegrasikan data dan memastikan kualitas data Organisasi perlu mengantisipasi banyaknya pengeluaran untuk mengintegrasikan, mengelompokkan dan membakukan data sehingga tersusun dalam database yang mampu melayani perusahaan secara keseluruhan