S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha

S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha

• A cell in the cube may store values (measurements) relative to the combination of the labeled dimensions Sales of DVDs in NY in August

NY

product

DVD

DIMENSIONS PRODUCT LOCATION TIME category region year product

country

quarter

month

Agt

state month city store

day

week

Store

Total Sales

Product 1

Store

1 $454

2

3

4

-

-

$925

-

-

2 $468 $800 3 $296

-

$240

4 $652

-

$540 $745

DM-MA/S1IF/FTI/UKM/2010

800

Product

3

Dimensional modeling adalah teknik untuk menstrukturkan

data menurut konsep bisnis. Dimensional model meliputi : measures, ex: sales-in-items, sales-in-pound, dll. dimensions, ex: time, space, products Dimension dapat distrukturkan (menyediakan view-view yang kurang/lebih detil) untuk summarize/analyze data Dapat dibandingkan dengan : ER model : “entities” and “relationships” UML schema : “classes” DM-MA/S1IF/FTI/UKM/2010

4

Measure(s) – Data numerik Misalnya jumlah produk permen yang dijual di toko X pada

tanggal 2 Maret 2006 Dimension(s) – parameter bisnis yang menentukan

transaksi. Misalnya : product, time, location

Dimension(s) dan measure(s) menentukan “cube” Analis ingin melihat data penjualan (measure) berdasarkan

geography, time, dan product (dimensions) Tampilkan penjualan dari tahun 2006 sd 2009 di Bandung dan Jakarta untuk produk P1,P2,P3 DM-MA/S1IF/FTI/UKM/2010

5

Tiap dimension menggambarkan sebuah “business entity” Dimension melibatkan atribut-atribut yang menjelaskan data

numerik/measure Tiap dimension harus mempunyai single base level, yaitu level dengan granularity terbaik “day” dapat menjadi base level untuk “time” dimension “products” dapat menjadi base level untuk “product” dimension “store” dapat menjadi base level untuk “location dimension”


6

Elemen base level tadi nanti dapat di aggregate/summarized

ke level yang lain. “days” weeks, months, quarter, year, .... “products” brand, food/non-food, supplier, .... “store” city, region, country, urban/rural, ....

Elemen dimension adalah sesuatu yang masuk akal, tidak

bergantung pada dimension lain Tiap level terdiri dari sekumpulan atribut Dalam “month” level, kita mengelompokkan seluruh “days” sehingga

sesuai dengan atribut month dan year Dalam “supplier” level, kita mengelompokkan seluruh “products” sehingga sesuai dengan atribut supplier DM-MA/S1IF/FTI/UKM/2010

7


8


9


10

Dimension mempunyai attribute Time dimension: day, month, year Product dimension: ProductID, LineID, BrandID

Dimension distrukturkan/diorganisasikan dalam hierarchy Time dimension: days weeks quarters Product dimension: product product line brand

Attribute menentukan level dari suatu elemen dimension


11

Disebut juga Multidimensional data Untuk memvisualiasasikan data dengan 1-3 dimensi. Untuk dimensi lebih tinggi, digunakan hypercube.


12


13


14

Roll-up : melihat view yang lebih summarized Drill-down : melihat view yang lebih detil Slice and dice : melihat subview / subcube / bagian

tertentu saja dari data Pivoting : merotasikan row/column/dimension untuk melihat keadaan tertentu Ranking : top-N analysis


15


16

Agregasi data ke level yang lebih tinggi Climbing up hierarchy Dimension reduction

Contoh : roll-up sales (berdasar store,day, product) ke

average-sales (berdasar region, month, brand) Untuk tiap dimension : up ke level mana ? Untuk tiap measure : fungsi agregasi mana yang akan digunakan ? (Sum, average, min, max, count ?)


17

Melihat data ke level yang lebih rendah / lebih tersebar

(reverse roll-up) Contoh : drill down sales (berdasar region, month, brand) ke sales (berdasar store, month, product) Untuk tiap dimension : down ke level mana ? Untuk measure : drill down seringkali dapat dipakai sebagai ‘undo’ agregasi


18


19


20


21


22

Hanya melihat bagian tertentu dari data saja (proyeksi

dan seleksi) Contoh : slice sales (berdasar region, month, brand) ke sales

(berdasar month, brand) untuk region NW saja. Untuk dimension : tentukan bagian mana yang akan tetap ada

Untuk measure : tidak ada agregasi


23


24

Pivot : merotasikan data, dapat dikombinasikan dengan slicing

Ranking : melakukan top-N analysis

Kombinasi : mengkombinasikan beberapa cube sehingga dapat

dibandingkan


25


26

it

i

nt

(c

605

lo

t ca

USA n io Canada

Q2

time (quarters)

Q1

computer home entertainment

Q1

Fig. 3.10 Typical OLAP Operations

Q4 computer security phone home entertainment item (types)

roll-up on location (from cities to countries)

s)

(

Chicago 440 New York 1560 Toronto 395 c lo Vancouver

on

time (quarters)

i at

slice for time = “Q1”

location (cities)

ie

1000

Q3

dice for (location = “Toronto” or “Vancouver”) and (time = “Q1” or “Q2”) and (item = “home entertainment” or “computer”)

t ci

2000

Q2

item (types)

Q1

605

825

14

400

Q2 Q3 Q4 computer security phone home entertainment

drill-down on time (from quarters to months)

item (types) Chicago New York Toronto

)

es

Vancouver 605

825

14

ti

400

i (c

Chicago New York Toronto lo Vancouver January

computer security

t ca

home phone entertainment item (types)

n io

February

time (months)

March pivot

item (types)

r

ou (c

Toronto 395 Vancouver

time (quarters)

t ca lo

n io

home entertainment

605

computer

825

May June July August October November December

400

security

April

September

14

phone

150 100 150

computer security New York Vancouver Chicago

Toronto

location (cities)


phone home entertainment item (types)

27

Modeling data warehouses: Star schema: A fact table in the middle connected to a set of

dimension tables Snowflake schema: A refinement of star schema where some

dimensional hierarchy is normalized into a set of smaller dimension tables, forming a shape similar to snowflake Fact constellations: Multiple fact tables share dimension tables,

viewed as a collection of stars, therefore called galaxy schema or fact constellation


28


29


30


31


32

Mudah dipahami

Performance kurang baik

Hirarki mudah dilihat : 1

Dimension bisa menjadi

dimension dalam 1 table, hirarki ada secara implisit di tabel Mengurangi jumlah physical join (dibanding snowflake) Low maintenance Meta data-nya simple

sangat banyak


33


34


35

Tidak perlu lagi penanda

Performance bisa lebih

level. 1 table per dimension / per agregated fact / per kombinasi level

lambat Front end harus bisa mendeteksi adanya agregated fact sehingga meta data harus lebih banyak Untuk menjawab single query mungkin butuh multiple SQL statement


36

Star, alternatifnya fact constellation. Jika high cardinality (atribut & tuple banyak), sub select

dimension bisa relatif lambat. Alternatif lainnya : snowflake 1 table per dimension level


37


38


39

Untuk tiap level dari dimension, dibuat 1 tabel. Tiap tabel berisi atributnya ditambah ‘parent key’-nya Misal : dimension time (day,month,week,quarter,year)

dipecah menjadi time1(day,week,month), time2a(week,year), time2b(month,quarter), time3(quarter,year)


40

Pahami dimension dan level-level di dalamnya Select mulai dari fact table Pembuatan snowflake : mulai dari star, baru di-snowflake-

kan dengan query-query


41

DW collects information about subjects that span the

entire organization, such as customers, products, sales, assets, and personnel. Its scope is enterprise-wide. For DW, fact constellation schema is commonly used since it can model multiple, interrelated subjects. Data Mart is a subset of a DW, focuses on a particular subject. Its scope is department-wide. Typically, a data mart consisting of a single subject area (e.g. marketing, operations). For Data Mart, star or snowflake schema are commonly used since both are geared towards modeling single subject DM-MA/S1IF/FTI/UKM/2010

42

A data mart can be either dependent or independent. A dependent data mart is a subset that is created directly

from the DW. Consistent data model Providing quality data DW must be constructed first Ensures that the user viewing the same version of the data

that are accessed by all other data warehouse users An independent data mart is a small warehouse designed

for a department, its source is not an enterprise DW DM-MA/S1IF/FTI/UKM/2010

43

Data Penjualan di Toko Cabang-1 Jan

Feb

Mar

Apr

Mei

Jun

Produk-1

100

40

90

40

20

50

Produk-2

70

50

30

100

30

80

Produk-3

80

30

60

50

100

60

Produk-4

50

70

70

60

50

70

Produk-5

60

80

50

40

80

30


44

Data Penjualan di Toko Cabang-2 Jan

Feb

Mar

Apr

Mei

Jun

Produk-1

50

70

80

140

100

30

Produk-2

70

50

50

50

30

80

Produk-3

90

60

20

70

80

90

Produk-4

150

70

70

60

50

70

Produk-5

60

40

40

50

60

70


45

Untuk setiap query berikut ini : tentukan operator OLAP apa yang harus dilakukan terhadap data di atas, sehingga

dapat memberikan informasi yang diperlukan tunjukkan tampilan informasi yang dihasilkan

Query yang harus dijawab : Tampilkan jumlah penjualan di seluruh toko cabang untuk semua produk

dalam satu semester Tampilkan produk yang mempunyai penjualan terbesar di toko cabang-1 untuk bulan Maret Tampilkan rata-rata penjualan setiap produk di toko cabang-2 per triwulan (tiga bulan) Tampilkan data penjualan di seluruh toko cabang dari bulan Februari s.d April Tampilkan data penjualan di seluruh cabang untuk Produk 2 DM-MA/S1IF/FTI/UKM/2010

46

S1 Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Maranatha

Recommend Documents