Pokok Bahasan DATADATABASEOLTPDSS OLAPDATA WAREHOUSEDATA MINING.

Presentasi berjudul: "Pokok Bahasan DATADATABASEOLTPDSS OLAPDATA WAREHOUSEDATA MINING."— Transcript presentasi:

1

2 Pokok Bahasan DATADATABASEOLTPDSS OLAPDATA WAREHOUSEDATA MINING

3 DATA Adalah fakta yang dikenal yang dapat dicatat atau direkam dalam bentuk angka, huruf, simbol, teks, gambar atau kombinasinya yang belum mengandung arti dan belum dapat digunakan sebagai pengambil keputusan.

4 DATABASE Tempat penyimpanan tabel-tabel data yang saling terelasi dan terhubung satu dengan lainnya pada media penyimpanan komputer

5 OLTP OLTP adalah singkatan dari On Line Transaction Processing, OLTP sering dijumpai seperti ditoko atau swalayan contohnya database pada sistem informasi penjualan.

6 DSS Decision Support System ( DSS ) DSS merupakan sistem berbasis computer yang interaktif, yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tak terstruktur, dimana solusi tidak bisa diperoleh serta merta, sehingga masalah menjadi kompleks. Contoh masalah terstruktur : perencanaan jangka pendek, laporan personal, sistem distribusi, dan lokasi warehouse. Sedangkan contoh masalah tak terstruktur adalah pemilihan cover untuk sebuah masalah, recruitment executive, perencanaan proyek,dll.

7 OLAP Online Analytical Processing atau disingkat OLAP adalah sebuah pendekatan secara cepat menyediakan jawaban-jawaban terhadap kueri analitik yang multidimensi di dalam alam. OLAP adalah bagian dari kategori yang lebih global dari pemikiran bisnis, yang juga merangkum hubungan antara pelaporan dan penggalian data. Aplikasi khusus dari OLAP adalah pelaporan bisnis untuk penjualan, pemasaran, manajemen pelaporan, manajemen proses bisnis (MPB), penganggaran dan peramalan, laporan keuangan dan bidang-bidang yang serupa. Istilah OLAP merupakan perampingan dari istilah lama database OLTP (Online Transaction Processing).

8 Perbedaan OLTP dan OLAP OLTP adalah singkatan dari On Line Transaction Processing, OLTP sering kita jumpai di sekitar kita seperti toko atau swalayan contohnya database pada sistem informasi penjualan. Berbeda dengan OLAP, OLAP adalah On Line Analytical Processing yang maksudnya adalah database yang menyimpan data sekarang dan masa lalu yang berasal dari OLTP. OLAP bertujuan untuk keperluan analisis dan pelaporan manajemen dalam rangka pengambilan keputusan

9 DATA WAREHOUSE DATA WAREHOUSE adalah suatu koleksi data yang bisa digunakan untuk menunjang pengambilan keputusan manajemen, yang berorientasi subjek (topik), terpadu, time variant, dan tidak mudah berubah Data Warehouse membantu para pekerja teknologi (manager,executive,analyst) untuk pengambilan keputusan yang lebih cepat dan mudah Data warehouse memungkinkan user untuk memeriksa history data dan melakukan analisis terhadap data sehingga dapat mengambil keputusan berdasarkan analisa yang dibuat

10 10 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. In the Beginning, life was simple…

11 11 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. But…

12 12 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Our information needs…

13 13 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Kept growing. (The Spider web) SOURCE: William H. Inmon

14 14 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Purpose To explore and discuss the purpose and principles of data warehousing.

15 15 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. So What Is a Data Warehouse? Definition: A data warehouse is the data repository of an enterprise. It is generally used for research and decision support. By comparison: an OLTP (on-line transaction processor) or operational system is used to deal with the everyday running of one aspect of an enterprise. OLTP systems are usually designed independently of each other and it is difficult for them to share information.

16 16 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Why Do We Need Data Warehouses? Consolidation of information resources Improved query performance Separate research and decision support functions from the operational systems Foundation for data mining, data visualization, advanced reporting and OLAP tools

17 17 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. What Is a Data Warehouse Used for? u Knowledge discovery l Making consolidated reports l Finding relationships and correlations l Data mining l Examples n Banks identifying credit risks n Insurance companies searching for fraud n Medical research

18 18 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. u Goals u Structure u Size u Performance optimization u Technologies used How Do Data Warehouses Differ From Operational Systems?

19 19 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Design Differences Star Schema Data Warehouse Operational System ER Diagram

20 20 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Building a Data Warehouse l Analysis l Design l Import data l Install front-end tools l Test and deploy Data Warehouse Lifecycle

21 21 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Stage 1: Analysis u Identify: l Target Questions l Data needs l Timeliness of data l Granularity u Create an enterprise-level data dictionary u Dimensional analysis l Identify facts and dimensions Analysis –Design –Import data –Install front-end tools –Test and deploy

22 22 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Stage 2: Design u Star schema u Data Transformation u Aggregates u Pre-calculated Values u HW/SW Architecture –Analysis Design –Import data –Install front-end tools –Test and deploy Dimensional Modeling

23 23 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Dimensional Modeling u Fact Table – The primary table in a dimensional model that is meant to contain measurements of the business. u Dimension Table – One of a set of companion tables to a fact table. Most dimension tables contain many textual attributes that are the basis for constraining and grouping within data warehouse queries. SOURCE: Ralph Kimball

24 24 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Stage 3: Import Data u Identify data sources u Extract the needed data from existing systems to a data staging area u Transform and Clean the data l Resolve data type conflicts l Resolve naming and key conflicts l Remove, correct, or flag bad data l Conform Dimensions u Load the data into the warehouse –Analysis –Design Import data –Install front-end tools –Test and deploy

25 25 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Importing Data Into the Warehouse Operational Systems (source systems)

26 26 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Stage 4: Install Front-end Tools u Reporting tools u Data mining tools u GIS u Etc. –Analysis –Design –Import data Install front-end tools –Test and deploy

27 27 Use or disclosure of data contained on this sheet is subject to the restriction on the title page of this proposal or quotation. Stage 5: Test and Deploy u Usability tests u Software installation u User training u Performance tweaking based on usage –Analysis –Design –Import data –Install front-end tools Test and deploy

28 Manfaat Data Warehouse Kemampuan mengakses data yang berskala perusahaan. Kemampuan memiliki data yang konsisten. Dapat melakukan analisis secara cepat. Dapat digunakan untuk mencari redundansi usaha di perusahaan. Menemukan gap antara pengetahuan bisnis dengan proses bisnis. Meminimalkan biaya administrasi. Meningkatkan kinerja pegawai perusahaan untuk dapat melakukan tugasnya dengan lebih efektif.

29 Deskripsi Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data yang dimiliki. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Klasifikasi Dalam klasifikasi terdapat target variabel kategori, misal penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu tinggi, sedang dan rendah. Pengklusteran Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Asosiasi Tugas asosiasi data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja

30 OLAP, Datawarehouse dan Data Mining dianggap sebagai sebuah teknologi, semua mengarah ke satu hal yaitu Pengambilan keputusan

31 Sia-sia menyimpan data, membuat algoritma dan lain-lain; If they are not used to support decision making Sia-sia menyimpan data, membuat algoritma dan lain-lain; If they are not used to support decision making

32