Tugas Pertemuan 5

Gambar 1. Tabel User HR dari Database Oracle

Dari tabel di atas, di rubah kedalam bentuk snowflake schema, maka akan seperti dibawah ini :

Gambar 2. Snowflake Schema untuk tabel user HR dari Database Oracle

Materi Presentasi Pertemuan 5

Model Dimensional

Model dimensional merupakan rancangan logikal yang bertujuan untuk menampilkan data dalam bentuk standar dan intuitif yang memperbolehkan akses dengan performa yang tinggi.

4 Langkah Membuat Desain Dimensional (Kimball, 2003)

O     Menentukan Sumber data

O     Mendeklarasi grain dari tabel fakta

O     Masukkan dimensi untuk semua yang diketahui mengenai grain ini

O     Masukkan fakta ukuran numerik sebenarnya ke grain tersebut

Tabel Penyusun Model Dimensional

Tabel Fakta

Merupakan tabel yang umumnya mengandung angka dan data history dimana key (kunci) yang dihasilkan sangat unik, karena key tersebut terdiri dari foreign key(kunci asing) yang merupakan primary key (kunci utama) dari beberapa dimension table yang berhubungan.

Tabel Dimensional

Tabel yang berisikan kategori dengan ringkasan data detail yang dapat dilaporkan. Seperti laporan laba pada tabel fakta  dapat dilaporkan sebagai dimensi waktu(yang berupa perbulan, perkwartal dan pertahun).

Konsep Pemodelan Data Warehouse

O     Star Schema

Konsep pemodelan data warehouse yang berupa sebuah struktur logikal yang memiliki sebuah tabel fakta yang terdiri dari data faktual di pusatnya, yang dikelilingi oleh tabel dimensi

Gambar Star Schema

Keuntungan Star Schema:

O     Mudah dipahami user

O     Mengoptimalkan navigasi

O     Paling cocok untuk pemrosesan query

O     Snowflake Schema

Konsep pemodelan data warehouse yang berupa sebuah variasi dari skema bintang dimana tabel dimensi tidak mengandung data denormalisasi.

Tabel dimensi diperbolehkan memiliki tabel dimensi lainnya.

Gambar Snowflake Schema

Keuntungan Snowflake Schema

O     Ukuran penyimpanan kecil di dalam tempat penyimpanan.

O     Struktur yang normal lebih mudah untuk di-update dan dijaga.

O     Starflake Schema( Kombinasi Star & Snowflake Schema)

Starflake adalah struktur yang merupakan gabungan dari skema bintang dan skema snowflake. Beberapa dimensi mungkin saja menerapkan kedua model ini untuk memenuhi kebutuhan query yang berbeda-beda.

Gambar Starflake Schema

Datawarehouse Tugas Pertemuan ke - 4

Arsitektur dan Infrastruktur  yang di gunakan dalam RANCANG BANGUN SISTEM INFORMASI INVENTORI MENGGUNAKAN ETODE ASSOCIATION RULES DI CV. DAMAR LANGIT oleh Zainul Fanani – Muhammad Faisal :

Sebagai catatan, dalam laporan atau jurnal yang saya dapat tersebut tidak dituliskan secara detail arsitektur dan infrastruktur yang di gunakan, tapi dari penjelesan yang saya tangkap dari materi minggu ke-4 saya bisa simpulkan arsitektur dan infrastruktur dari jurnal yang saya dapat tersebut adalah sebagai berikut.

A.      Arstitektur

Dalam jurnal tersebut arsitektur disebut sebagai Tahap – Tahap Dalam Data Mining yaitu pada gambar 2.2 terdapat dihalaman 88.

Arsitektur dalam perancangan database tersebut dapat dilihat dalam gambar berikut ini :

B.      Infrastruktur

Dalam jurnal tersebut infrastruktur disebut sebagai Perancangan SIstem pada gambar 1. Yang di sebut dengan Diagram Blok Sistem.

Untuk infrastrukturnya dapat dilihat di gambar dibawah ini :

Tugas Pertemuan 3 Datawarehouse

RANCANG BANGUN SISTEM INFORMASI INVENTORI MENGGUNAKAN METODE ASSOCIATION RULES DI CV. DAMAR LANGIT

(Saya mengambil paper dari Universitas Islam Negeri Maulana Malik Ibrahim Malang)

Paper ini milik dari :

Zainul Fanani – Muhammad Faisal
Jurusan Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Email: seminull@yahoo.com- muhfais@yahoo.com

Abstrak – Sistem informasi manajemen inventori merupakan sistem informasi yang mengelola data transaksi dan persediaan dalam gudang. Perusahaan yang bergerak dibidang produksi umumnya memerlukan Sistem Inventori. Sistem Inventori biasanya terdiri dari sistem penerimaan barang, sistem pembelian barang, dan sistem gudang. Sistem ini harus dapat memberikan informasi inventori seperti informasi pengeluaran barang, pembelian barang, penerimaan barang dan informasi lain secara cepat dan akurat, selain itu sistem dapat mempermudah kerja user.Pada penelitian yang dilakukan berkaitan dengan rancang bangun sistem informasi inventori menggunakan association rules (aturan asosiasi), bertujuan sebagai sistem pendukung keputusan untuk merekomendasikan persediaan sepeda motor sesuai tipe dan warna dengan menganalisa  data penjualan sepeda motor SUZUKI. Dan dari aplikasi ini dapat mengetahui pola/kebiasaan customer dalam kecenderungan membeli sepeda motor. Sehingga dari aturan asosiasi ini menghasilkan informasi yang bisa digunakan untuk membantu dalam mendukung keputusan seorang manager dalam manajemen perusahaan terutama dalam memecahkan permasalahan yang berhubungan dengan inventori (persediaan) sepeda motor dari produk SUZUKI yang sesuai tipe dan warna dengan tipe dan warna yang lainnya, sehingga dapat bermanfaat dalam menentukan strategi pemasaran. Selanjutnya seorang pimpinan operasional dapat merencanakan sendiri untuk menentukan jumlah pembelian. Dan output dari aplikasi sistem informasi jumlah sisa persediaan didapat dari
hasil pemrosesan didalam database.

Kata Kunci :  Sistem informasi, Inventori, Sistem Pendukung Keputusan (Decisition Support System), Association Rule, Data Mining, OLAP (Online Analitic Processing), Algoritma Apriori, Support, Confidence, Lift Rasio. 

Untuk lengkapnya bisa download disini

Pertenyaan yang muncul seputar Datawarehouse

1. Apa yang di maksud dengan Datawarehouse

Menurut W.H. Inmon dan Richard D.H., data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management.

 

Menurut Paul Lane, data warehouse merupakan database relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung / konsolidasi data dari berbagai macam sumber.

Jadi, data warehouse merupakan metode dalam perancangan database, yang menunjang DSS(Decission Support System) dan EIS (Executive Information System).

 

2. Perbedaan OLAP dengan OLTP

On-Line Analytical Processing(OLAP) 

Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai macam bentuk laporan, analisis, query dari data yang berukuran besar.

On-Line Transaction Processing(OLTP) 

Merupakan suatu pemrosesan yang menyimpan data mengenai kegiatan operasional transaksi sehari-hari. 

 

 

3. Manfaat Datawarehouse

1..Kemampuan mengakses data yang berskala perusahaan.

2..Kemampuan memiliki data yang konsisten.

3..Dapat melakukan analisis secara cepat.

4..Dapat digunakan untuk mencari redundansi usaha di perusahaan.

5..Menemukan gap antara pengetahuan bisnis dengan proses bisnis.

6..Meminimalkan biaya administrasi.

7..Meningkatkan kinerja pegawai perusahaan untuk dapat melakukan tugasnya dengan lebih efektif.

4. Karakteristik Datawarehouse

1. Subject Oriented
2. Integrated
3. Time - Variant
4. Non-Volatile

 5. Model Untuk Datawarehouse

• Model Dimensional
• Scheme Bintang
• Snowflake Scheme
• Model OLTP 

Data Warehouse

Pengertian data warehouse

            Data warehouse adalah database yang berisi data dari beberapa system operasional yang terintegrasi dan terstruktur sehingga dapat digunakan untuk mendukung analisa dan proses pengambilan keputusan dalam bisnis. Data warehouse didesain untuk kita bisa melakukan query secara cepat. Informasi diturunkan dari data lain, dilakukan rolling up untuk dijadikan ringkasan, dilakukan operasi drilling down untuk mendapatkan informasi lebih detail, atau melihat pola yang menarik atau melihat trend (kecenderungan).

Kebutuhan akan data warehouse

1. Pembuatan laporan

Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dilakukan. Dengan menggunakan query sederhana didapatkan laporan perhari, perbulan, pertahun atau jangka waktu kapanpun yang diinginkan.

2. On-Line Analytical Processing (OLAP)

OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun perintah SQL. Hal ini dimungkinkan karena pada konsep multi dimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fungsi yang berbeda. Fasilitas lain yang ada pada sofware OLAP adalah fasilitas rool-up dan drill-down. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi dan roll-up adalah kebalikannya.

3. Data mining

Data mining merupakan proses untuk menggali pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya.

Beberapa solusi yang diberikan data mining antara lain :

·      Menebak target pasar

Data mining dapat mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli dan melakukan klasifikasi terhadap setiap pemebeli sesuai dengan karakteristik yang diinginkan.

·      Melihat pola beli dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli dari waktu ke waktu.

1.      cross-market analysis

Data mining dapat dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.

2.      Profil pelanggan

Data mining bisa membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada suatu produk apa saja.

3.        Informasi summary

Data mining dapat membuat laporan summary yang bersifat multi dimensi dan dilengkapi dengan informasi statistik lainnya.

4. Proses informasi executive

Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan. Informasi dan data pada laporan data warehouse menjadi target informative bagi user.

Karakteristik Data Warehouse

1. Subject Oriented (Berorientasi subject)

Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan disekitar subjek-subjek utama dari perusahaan(customers,products dan sales) dan tidak  diorganisasikan pada area-area aplikasi utama(customer invoicing,stock control dan product sales). Hal ini dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data.

Jadi dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan terhadap proses. Secara garis besar perbedaan antara data operasional dan data warehouse yaitu :

Data Operasional	Data Warehouse
Dirancang berorientasi hanya pada aplikasi dan fungsi tertentu	Dirancang berdasar pada subjek-subjek tertentu(utama)
Focusnya pada desain database dan proses	Focusnya pada pemodelan data dan desain data
Berisi rincian atau detail data	Berisi data-data history yang akan dipakai dalam proses analisis
Relasi antar table berdasar aturan terkini(selalu mengikuti rule(aturan) terbaru)	Banyak aturan bisnis dapat tersaji antara tabel-tabel

2. Integrated (Terintegrasi)

Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.

Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.

Contoh pada lingkungan operasional terdapat berbagai macam aplikasi yang mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin dalam aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang sama tetapi nama dan format nya berbeda. Variable tersebut harus dikonversi menjadi nama yang sama dan format yang disepakati bersama. Dengan demikian tidak ada lagi kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data tersebut bisa dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.

3. Time-variant (Rentang Waktu)

Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat menggunakan cara antara lain :

·       Cara yang paling sederhana adalah menyajikan data warehouse pada rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.

·    Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan dalam data warehouse baik implicit maupun explicit secara explicit dengan unsur waktu dalam hari, minggu, bulan dsb. Secara implicit misalnya pada saat data tersebut diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu akan tetap ada secara implisit didalam data tersebut.

·   Cara yang ketiga,variasi waktu yang disajikan data warehouse melalui serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat read-only.

4. Non-Volatile

Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler. Data yang baru selalu  ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya.

Berbeda dengan database operasional yang dapat melakukan update,insert dan delete terhadap data yang mengubah isi dari database sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data) dan akses data (mengakses data warehouse seperti melakukan query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan updating data).

On Line Transaction Processing (OLTP) 

On Line Transaction Processing (OLTP) adalah suatu pemrosesan yang menyimpan data kegiatan operasional transaksi harian.

Ciri-ciri umum sistem OLTP adalah :

·         Mendukung jumlah pengguna yang banyak yang sering menambah dan merubah data transaksi

·         Mengandung data dalam jumlah besar, termasuk di dalamnya validasi data transaksi

·         Memiliki struktur yang kompleks dan rumit

·         Diarahkan secara maksimal untuk melayani aktivitas transaksi harian

·         Menyediakan teknologi infrastruktur yang mendukung operasional transaksi data dalam perusahaan

On Line Analytical Processing (OLAP) 

OLAP (OnLine Analytical Processing) adalah jenis perangkat lunak yang digunakan untuk melakukan permintaan terhadap data dalam bentuk yang kompleks dan bersifat sementara serta sewaktu-waktu. OLAP memanipulasi dan menganalisis data bervolume besar dari berbagai perspektif (multidimensi). Oleh karena itu OLAP seringkali disebut analisis data multidimensi.

Kemampuan OLAP 

1.      Konsolidasi 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 

2.      Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail. 

3.      Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampuan untuk melihat data dari berbagai sudut pandang. 

Adapun karakterisik aplikasi-aplikasi OLAP:

1.      permintaan data sangat kompleks,

2.      jarang ada pemutakhiran, dan

3.      transaksi mengakses banyak bagian dalam basis data.

Contoh perangkat lunak OLAP:

·       Express Server (Oracle)

·       PowerPlay (Cognos Software)

·       Metacube (Informix/Stanford Technology Group)

·       HighGate Project (Sybase)

Perbedaan OLTP dan OLAP

Referensi

http://rully6092.wordpress.com/data-mining-data-warehouse/

http://irpantips4u.blogspot.com/2012/11/Data-Warehousing-Marts-OLAP-Mining.html

http://dashboardxcelsius.blogspot.com/2012/08/istilah-dalam-data-warehouse.html

http://sigitprabowoo.blogspot.com/2013/04/data-mining-perbedaan-oltp-dan-olap.html