Basis Data Oracle - Business Intelligence System
Ramos Somya, M.Cs.
Menurut W.H. Inmon dan Richard D.H., data warehousing adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management. Menurut Vidette Poe, data warehousing merupakan basisdata yang bersifat analisis dan read only yang digunakan sebagai fondasi dari sistem penunjang keputusan.
Menurut Paul Lane, data warehousing merupakan basisdata 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 warehousing memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber.
Jadi, data warehousing merupakan metode dalam perancangan basisdata, yang menunjang DSS(Decission Support System) dan EIS (Executive Information System). Secara fisik data warehousing adalah basisdata, tapi perancangan data warehousing dan basis data sangat berbeda.
Data Mart, Adalah suatu bagian pada data warehousing yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. On-Line Analytical Processing(OLAP), merupakan suatu pemrosesan basisdata 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. Dimension Table, 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).
Fact Table, 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. Decision Suport System, merupakan sistem yang menyediakan informasi kepada pengguna yang menjelaskan bagaimana sistem ini dapat menganalisa situasi dan mendukung suatu keputusan yang baik.
Berorientas Subyek Data warehousing berorientasi subject artinya data warehousing didesain untuk menganalisa data berdasarkan subyek-subyek tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu.
Terintegrasi Data warehousing dapat menyimpan data-data yang berasal dari sumbersumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecahpecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehousing itu sendiri.
Rentang Waktu Seluruh data pada data warehousing dapat dikatakan akurat atau valid pada rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan suatu data warehousing, dapat digunakan berbagai cara.
Non-Volatile Karakteristik keempat dari data warehousing adalah non-volatile, maksudnya data pada data warehousing tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen bagi basisdata itu sendiri dari pada sebagai sebuah perubahan. Basisdata tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya.
Ringkas Datawarehousing menyediakan ringkasanringkasan data operasional yang sederhana dan mudah dipahami oleh pihak manajemen jika diperlukan.
Data dari berbagai sumber Data yang diolah diperoleh dari berbagai sumber baik sumber internal maupun sumber eksternal.
Manfaat Data warehousing diperlukan bagi para pengambil keputusan manajemen dari suatu organisasi/perusahaan. Dengan adanya data warehouse, akan mempermudah pembuatan aplikasi-aplikasi DSS dan EIS karena memang kegunaan dari data warehousing adalah khusus untuk membuat suatu basisdata yang dapat digunakan untuk mendukung proses analisa bagi para pengambil keputusan.
Data warehouse dan OLAP dibangun berdasarkan multidimensional data model. Pada model ini diperlukan tabel fakta dan tabel dimensi. Tabel fakta berisi fakta numerik yang memiliki ciri-ciri : panjang, dan besar, serta sering berubah dan berguna untuk mengukur (measure). Sedangkan tabel dimensi berisi kolom yang bersifat desktiptif, kecil, pendek, dan lebar yang berguna untuk filtering (menyaring) dan didasarkan pada atribut dimensi.
Tabel fakta akan menyimpan data-data utama sementara tabel dimensi mendeskripsikan setiap nilai dari suatu dimensi dan dapat direlasikan ke tabel fakta jika diperlukan. Data fakta merupakan data yang terukur besarannya, semisal jumlah siswa, banyaknya rupiah yang diperoleh, rata-rata IPK, dan sejenisnya. Untuk lebih menjelaskan data fakta, maka kondisi saat data tersebut diukur turut disampaikan. Data kondisi inilah yang dipetakan dalam bentuk data dimensi. Kondisi yang dipetakan dalam dimensi umumnya berupa kondisi waktu, kondisi produk atau item, dan kondisi geografinya
Dalam dimensional modeling, ada beberapa pendekatan yang digunakan untuk membuat data warehouse, yaitu: Skema bintang (star schema) Skema bola salju (snowflake Schema) Fact constellations (galaxy schema)
Skema ini mengikuti bentuk bintang, di mana terdapat satu tabel fakta (fact table) di pusat bintang dengan beberapa tabel dimensi (dimensional tables) yang mengelilinginya. Semua tabel dimensi berhubungan dengan ke tabel fakta. Tabel fakta memiliki beberapa key yang merupakan kunci indek individual dalam tabel dimensi.
Mendesain struktur star schema, dimulai dengan menentukan data apa yang ingin dilihat oleh pengguna (besarannya) dan bagaimana pengguna melihat data tersebut (kondisi atau dimensinya). Tabel dimensi memiliki primary key sederhana yang mengandung hanya satu atau dua kolom saja. Namun, tabel fakta akan memiliki sekumpulan foreign key yang disusun dari primary key komposit dan merupakan gabungan kolom-kolom tabel dimensi yang berelasi. Untuk lebih jelasnya, berikut contoh struktur star schema.
Dalam star schema, kueri yang terbentuk antara tabel fakta dan sejumlah tabel dimensi dinamakan star query. Setiap tabel dimensi direlasikan dengan tabel fakta berdasarkan kolom primary key dan foreign key, namun diantara masing-masing tabel dimensi tidak ada yang saling berelasi (tidak ada hubungan data). Kueri yang terbentuk menyebabkan proses eksekusi yang lebih optimal, karena rencana eksekusi kueri dalam DBMS akan lebih cepat dengan setiap tabel hanya berelasi dengan satu tabel yang lain.
Struktur basis data ini lebih kompleks dari pada star schema, dengan menormalisasi tabel-tabel dimensi yang berukuran besar dengan satu atau lebih kolom yang memiliki duplikasi data. Misal jika tabel dimensi Product dinormalisasi maka akan menghasilkan struktur seperti berikut:
Tabel dimensi dinormalisasi untuk mengurangi redudansi data (duplikasi), sehingga struktur tabelnya akan lebih ramping. Dengan pengelompokan ini, data akan lebih mudah dibaca dan membantu pengembang aplikasi untuk menata desain antarmuka sistem dan filtering data. Struktur ini akan menghemat kapasitas storage, namun waktu eksekusi data akan lebih lama mengingat jumlah tabel dimensi yang direlasikan lebih banyak dan membutuhkan tambahan relasi foreign key
Pada skema ini terdapat beberapa tabel fakta yang menggunakan satu atau beberapa tabel dimensi secara bersama-sama sehingga jika digambarkan akan terlihat seperti sekumpulan bintang. Skema ini juga dikenal dengan galaxy schema.
Data Extraction Fungsi ini biasanya berhadapan dengan bermacam data source, dan menggunakan teknik yang sesuai dengan setiap data source. Sumber data mungkin berasal dari source machine yang berbeda dalam format data yang berbeda pula.
Data Transformation Data transformation melibatkan berbagai bentuk dalam mengkombinasikan bagian dari data yang berasal dari sumber yang berbeda. Kombinasi data dilakukan dari sumber record tunggal, atau dapat juga dilakukan dari elemen data yang berelasi dengan banyak sumber record. Proses cleaning mungkin dilakukan dalam data transformation, dimana proses cleaning memiliki fungsi untuk melakukan koreksi terhadap kesalahan pengejaan, atau untuk melakukan eliminasi terhadap duplikat data.
Data Loading Setelah selesai melakukan desain dan konstruksi dari data warehouse dan aplikasi digunakan untuk pertama kalinya, akan dilakukan pengisian awal data ke dalam media penyimpanan data warehouse. Dalam pengisian awal, dilakukan pemindahan data dalam jumlah yang besar.
ROLAP (Relational Online Analytical Processing) MOLAP (Multidimensional Online Analytical Processing) analisis multidimensi yang memberikan kemampuan untuk melakukan query dan membuat laporan (reporting). OLAP
OLAP merupakan kunci dari BI, yang digunakan untuk menganalisisis data dan informasi yang pada akhirnya akan menjadi dasar basis Decision Support System (DSS) dan Expert Infotmation System (EIS). Beberapa aktivitas yang dapat dilakukan melalui OLAP antara lain seperti : melakukan query, meminta laporan yang ad hoc dan mendukung analisis statistik.
Suatu cara melihat data dengan multidimensi tersebut dikenal dengan nama kubus (cube). Kubus ini menjadi struktur OLAP yang utama yang digunakan untuk melihat data (view). Analisa menggunakan kubus ini memberikan fasilitas banyak dimensi untuk melihat data yang diinginkan. Sehingga memungkinkan untuk mengakses data dengan lebih mudah dan cepat untuk menjawab pertanyaan yang dikemukakan.
Slicing dan Dicing Roll up dan drill down
Slicing dan dicing adalah operasi untuk melihat data sebagai visualisasi dari kubus. Dengan slicing dan dicing pengguna dapat melihat data dari beberapa perspektif Slicing memotong kubus sehingga dapat memfokuskan pada perspektif yang spesifik (pada suatu dimensi). Sedangkan dicing memberikan kemampuan untuk melihat pemilihan data pada dua dimensi atau lebih. Yaitu dengan merotasi cube pada perspektif yang lain sehingga pengguna dapat melihat lebih spesifik terhadap data yang dianalisa.
Drill down dan roll up adalah operasi untuk melihat data global atau detail disepanjang level hiraraki dimensi. Roll up untuk melihat data secara global atau rangkuman (summary). Drill down memandu pengguna untuk memperoleh data yang lebih detail. Drill down ini biasa digunakan untuk menjawab pertanyaan atas suatu kasus tertentu. Misalnya untuk menjawab pertanyaan ketika sebuah summary number (rata-rata atau jumlah) di bawah atau di atas harapan.
Dikerjakan secara kelompok max 4 mahasiswa Buatlah jurnal (Artikel Ilmiah) tentang implementasi Basis Data Oracle pada suatu sistem/aplikasi. Aplikasi berdasarkan topik yang akan ditentukan bahasa pemrograman: bebas. Tabel dalam database harus berelasi (ada proses perancangan) minimal 5 tabel.
Sertakan proses bisnis untuk topik yang dibuat. Gunakan kreativitas untuk mengembangkan topik. Output: Aplikasi: 30% Jurnal: 70%
10 Juli 2012: pengumuman tugas akhir 17 Juli 2012: konsultasi + revisi 1 24 Juli 2012: konsultasi + revisi 2 31 Juli 2012: responsi
Bimbingan setiap hari Selasa (10-12) dan Rabu (1012)
E-Commerce Tes Online Reservasi Tiket Pesawat Rental Mobil Online Sistem Inventory
Halaman judul Abstrak bahasa Inggris dan Indonesia. Halaman Utama: 1. Pendahuluan 2. Kajian Pustaka 3. Metode dan Perancangan Sistem 4. Hasil dan Pembahasan 5. Simpulan 6. Pustaka.
Berisi rangkuman isi dari artikel ilmiah, terdiri dari: - Permasalahan - Cara penyelesaian masalah - Hasil penelitian Ditulis dalam bahasa Inggris dan Indonesia serta diberi keywords.
Berisi penjelasan tentang latar belakang masalah. Berisi rumusan masalah. Berisi tujuan dan manfaat penelitian. Berisi batasan masalah.
Ditulis dengan bahasa Indonesia yang baik dan benar. Perhatikan tanda baca, susunan kalimat dan ketentuan penulisan lainnya.
Berisi penelitian terdahulu yang menjadi acuan untuk penelitian yang dikerjakan. Cara menjelaskan: judul penelitian terdahulu, membahas apa, menggunakan cara apa, hasilnya apa. Dilarang menyebutkan kelemahan penelitian terdahulu. Sertakan juga beda penelitian terdahulu dengan penelitian yang dilakukan.
Berisi konsep/teori pendukung yang dipakai dalam penelitian. Misal: Sistem Pendukung Keputusan Metode TOPSIS Kecerdasan Buatan
Berisi metode penelitian yang digunakan waterfall model, prototype, dll. Berisi perancangan sistem UML atau DFD. Berisi perancangan database ERD, Normalisasi. Berisi perancangan algoritma Berisi perancangan user interface
Berisi hasil dari perancangan sebelumnya, yaitu aplikasi yang telah dibuat.
Berisi kesimpulan dari penelitian yang telah dibuat.
Berisi daftar pustaka yang digunakan.
