DATA WAREHOUSING AND

ONLINE ANALYTICAL PROCESSING (OLAP)

Kelompok 2 :

R Dhiro NugrohoDiktyas Herly S PChresida Julitania

Novan Eko PAchmad Khalif Hakim

Erian Pramudiono Dandy Herlambang

Hurun Iin Paramita Dyah W Fanny Bintang S

Riza Alaudin Syah

Overview Data Warehouse dan OLAP merupakan elemen

penting yang mendukung decision support. Terutama bagi perusahaan – perusahaan besar dengan database yang kompleks.

Data Warehouse membantu para pekerja teknologi (manager,executive,analyst) untuk pengambilan keputusan yang lebih cepat dan mudah.

DATA WAREHOUSE

Definisi Datawarehouse : Merupakan kumpulan data

dari berbagai resource, yang disimpan dalam suatu gudang data (repository )dalam kapasitas besar.

Data warehouse memungkinkan user untuk memeriksa history data dan melakukan analisis terhadap data sehingga dapat mengambil keputisan berdasarkan analisa yang dibuat.

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.

Karakteristik Data Warehouse Subject Oriented : Data warehouse berfokus pada

entitas – entitas bisnis level tinggi. Integrated : Data disimpan dalam format yang

konsisten (dalam konvensi penamaan, constraint domain, atribut fisik dan pengukuran)

Time variant : Data diasosiasikan dengan suatu titik waktu.

Non-volatile : Data yang berasal dari banyak resource terbebut tidak dapat diubah karena bersifat read only.

Arsitektur Data Warehouse

Desain Data Warehouse (1)

Mendefinisikan arsitektur, perencanaan kapasitas, memilih server storage, server OLAP dan database, dan toolsnya.

Mengintegrasikan server, storage dan client tools. Mendesain skema warehouse dan views Menentukan pengaturan physical database, data

placement, pemartisian, metode pengaksesan

Desain Data Warehouse (2) Mengkoneksikan source menggunakan gateway, ODBC

driver, atau yg lainnya Mendesain dan mengimplementasikan script untuk

extraksi data, cleaning, transformasi, load dan refresh Menggabungkan repository dengan definisi skema dan

view, script dan metadata lainnya Mendisain dan mengimplementasikan aplikasi end user Membuat data warehouse dan aplikasinya

Transformasi Data Menjadi Informasi

Data warehouse

Business View

Business Information

Operational Data

Metadata Data

Transformation Tool

Business View

Business Information

Operational Data

Data warehouse

Metadata Data

Business View

Business Information

Operational Data

Transformation Tool

Data warehouse

Metadata Data

Business View

Business Information

Operational Data

Perbedaan Data Warehouse dan View Data warehouse merupakan penyimpanan yang stabil Data warehouse tidak selalu relational, tetapi bisa juga

multidimensional. Sedangkan view merupakan relational database Data warehouse dapat diindex untuk mengoptimalkan

performance, sedangkan view tidak dapat diindex secara independent

Karakteristik data warehouse mendukung spesifikasi dari funcionalitinya, sedangkan view tidak

Data warehouse menyediakan integrasi dan temporal data dalam jumlah yang besar umumya lebih dari satu database dimana view merupakan extraksi dari sebuah database

Pemodelan Data Skema tabel yang sering digunakan adalah

skema bintang (star schema), yang digunakan pada OLAP

Skema tabel ini membentuk struktur informasi multidimensi yang kompatibel dengan kebutuhan bisnis.

Star Schema

Karakteristik Star Schema Pusat skema bintang adalah fact table. Fact table berisi indikator – indikator kinerja

pokok. Tabel di sekeliling fact table adalah dimension

table Tiap dimension table di-relasikan fact table

berdasarkan primary key-nya Skema bintang diimplementasikan

menggunakan teknologi relational database.

OLAP

Definisi

OLAP : Sistem yang bertugas mengubah data yang disimpan dalam data warehouse dan mentransformasikan data menjadi struktur multidimensi (cube).

OLTP vs OLAPItem OLTP OLAP

User IT Professional Knowledge Worker

Fungsi Operasi harian Pengambilan keputusan

Perancangan Basis Data

Berorientasi aplikasi Berorientasi subjek

Data Up to date, rinci, relasional

Historis, multidimensi, terintegrasi

Akses Read/write Read only

Unit Kerja Transaksi jangka pendek Complex Query

Ukuran DB 100 MB-GB 100 GB-TB

OLAP Server

Relational OLAP : RDBMS perluasan yang melakukan pemetaan operasi data multidimensi menjadi operasi relasional standar.

Multidimensional OLAP : Server yang secara langsung mengimplementasikan data dan operasi multidimensi.

Hybrid OLAP : Memberi kebebasan pada user / administrator untuk memilih partisi yang berbeda.

Multidimensional Data Model (1) Terdiri atas sekumpulan dimensi (independent variable)

dan ukuran / nilai numerik (dependent variable) Untuk semua record pada tiap dimensi, mempunyai nilai

atribut yang sesuai dengan nilai cell pada dimensi tersebut.

Contoh : dimensi Product (pid), Location (locid), Time (timeid) nilai Sales

Multidimensional Data Model (2)

Multidimensional Data Model (3) Untuk setiap dimensi, penentuan nilai dilakukan berdasarkan konsep

hirarki.

PRODUCT TIMELOCATION

year

quarter countryCategory

week month state

Pname date city

Tipe Penelusuran Data (OLAP Query) Roll-up : Menampilkan data yang semakin meningkat ke level

agregasinya, misalnya untuk mengetahui total penjualan di tiap kota dapat melalui informasi total penjualan di tiap negara.

Drill-down : Menampilkan rincian – rincian melalui query. Kita melakukan drill-down terhadap hirarki suatu tabel dimensi atau lebih, misalnya melihat ringkasan bulanan, mingguan, dst.

Pivot : pembentukan cross tabulation Slice and dice : Persamaan dan

pembuatan range selection pada satuatau banyak dimensi.