3.pertemuan Ketiga - Repository UNIKOM

_{Real World} _Aplikasi _Domain _{(logical & Physical)} Modelling _{• Security (disaster, privacy)} _{• Query Language} _{• Physical Scheme (performance)} • Logical scheme (User’s view, Semantic comp.) _{•  Machine} • Distributed Access & Data CASE : Komponen : tgl. pasang, tgl. Rusak, km pakai, origin, lokasi pakai Komponen : tgl. pasang, tgl. Rusak, km pakai, origin, lokasi pakai

Q : Menentukan kesesuaian antara origin komponen, dengan kondisi operasi komponen

Mhs : Prodi, IP, lama kuliah, Asal SMA, Asal SD, Suku Mhs : Prodi, IP, lama kuliah, Asal SMA, Asal SD, Suku

Q : Menentukan keterkaitan antara SUKU dengan prestasi pada

prodi tertentu.

Tgl. Pasang Tgl. Pasang Tgl. Rusak Tgl. Rusak KM Pakai KM Pakai Origin Origin Lokasi Pakai Lokasi Pakai Okt.05 Okt.05 Agu.06 Agu.06 53.000 53.000 Korea Korea Jakarta Jakarta Mar.05 Mar.05 Jul.06 Jul.06 40.000 40.000 Taiwan Taiwan Bandung Bandung Jan.06 Jan.06 Sep.06 Sep.06 35.000 35.000 Jepang Jepang Jakarta Jakarta

Prodi

IP Lama Kuliah Asal SMA Asal SD Suku _IF _IF _3,6 _3,6 ₁₁ ₁₁ _Jogya _Jogya _Jogya _Jogya _Jawa _Jawa

¹⁰ _AR ^{10 Makssar Makssar Makssar Makssar Minang Minang} _AR _3,7 _3,7 ₁₂ _{TL TL 3,2 3,2} ₁₂ _Bandung _Bandung _Majalaya _Majalaya _Sunda _Sunda ₉ _{9 Jakarta Jakarta Jakarta Jakarta Ambon Ambon} db-1 db-n ^CTIL ^dw ^QUERY ^(OLAP)

^ATURAN ^INFORMATION Pattrern of _Information _KNOWLEDGE ^DBMS

DATA WAREHOUSE



An Overview of DW and OLAP Tech

[S.Chaudhuri and U.Dayal]

[S.Chaudhuri and U.Dayal] 

DATA MINING : Concepts and

Techniques [Jiawei Han and

Micheline Kamber]

Data Warehouse Data Warehouse

Decision Support dan OLAP



DSS: teknologi informasi untuk membantu “knowledge DSS: teknologi informasi untuk membantu “knowledge worker” (seperti eksekutif, manajer, analis) membuat worker” (seperti eksekutif, manajer, analis) membuat keputusan lebih cepat dan tepat keputusan lebih cepat dan tepat

Bagaimana volume penjualan berdasarkan daerah dan

Bagaimana volume penjualan berdasarkan daerah dan kategori produk pada tahun sebelumnya? kategori produk pada tahun sebelumnya?

Bagaimana hubungan antara harga saham dari pembuat

Bagaimana hubungan antara harga saham dari pembuat

komputer dengan keuntungan triwulan selama 10 tahun

terakhir? terakhir?

Apakah diskon 10% akan meningkatkan volume penjualan?

Apakah diskon 10% akan meningkatkan volume penjualan? _

OLAP merupakan sebuah elemen dari DSS OLAP merupakan sebuah elemen dari DSS _

Data mining merupakan sebuah kakas analisis data yang Data mining merupakan sebuah kakas analisis data yang

“powerful” dengan performansi yang tinggi bagi DSS “powerful” dengan performansi yang tinggi bagi DSS

OLAP OLAP

On-Line Analytical Processing)

( ( 

Multidimensional (ROLAP, MOLAP) Multidimensional (ROLAP, MOLAP)



Analysis Analysis



Information / Presentation Information / Presentation



Fast(single query) Fast(single query)

PROSES

OLAP : On-Line Analytical Processing OLAP : On-Line Analytical Processing

Karakteristik : Karakteristik : 1.

1. Akses data [seluruhnya] dari sudut

Akses data [seluruhnya] dari sudut pandang tertentu. pandang tertentu.

  akses akses

Sekuensial Sekuensial 2.

2. Sering menggunakan “rekapitulasi”

Sering menggunakan “rekapitulasi” berdasarkan kategori tertentu berdasarkan kategori tertentu (kategorisasi). (kategorisasi).

OLAP Operations OLAP Operations



Drill down(decrease level Drill down(decrease level aggregation) aggregation)



Pull up(increase level aggregation) Pull up(increase level aggregation)



Slice and Dice (selection & Slice and Dice (selection & projection) projection)



Pivoting(reorienting view) Pivoting(reorienting view)

OLAP Servers

 Relational OLAP (ROLAP): extended relational

Relational OLAP (ROLAP): extended relational DBMS yang melakukan mapping operasi terhadap

DBMS yang melakukan mapping operasi terhadap data multidimensi menjadi operasi relasional data multidimensi menjadi operasi relasional standar standar

 Multidimensional OLAP (MOLAP): special purpose

Multidimensional OLAP (MOLAP): special purpose server yang secara langsung server yang secara langsung mengimplementasikan data dan operasi mengimplementasikan data dan operasi multidimensi multidimensi

 Hybrid OLAP (HOLAP): memberikan kepada

Hybrid OLAP (HOLAP): memberikan kepada

pemakai/administrator sistem kebebasan untuk

memilih partisi yang berbeda memilih partisi yang berbeda

Traditional OLTP

 Pada sistem konvensional, DBMS digunakan

Pada sistem konvensional, DBMS digunakan untuk untuk online transaction processing online transaction processing

(OLTP) (OLTP)

entri pesanan: tampilkan pesanan xx-yy-zz dan update

entri pesanan: tampilkan pesanan xx-yy-zz dan update field statusnya field statusnya

perbankan: transfer Rp.500.000,- dari rekening nomor

perbankan: transfer Rp.500.000,- dari rekening nomor

XXX ke rekening nomor YYY

XXX ke rekening nomor YYY _

pemrosesan data pemrosesan data clerical

_ clerical data bersifat detil dan data bersifat detil dan up-to-date

_ up-to-date pekerjaan terstruktur dan bersifat pengulangan

_ pekerjaan terstruktur dan bersifat pengulangan unit kerja berupa transaksi yang singkat

_ unit kerja berupa transaksi yang singkat _

membaca dan/atau menulis sejumlah kecil record membaca dan/atau menulis sejumlah kecil record

isolasi, pemulihan, dan integritas merupakan hal yang kritis isolasi, pemulihan, dan integritas merupakan hal yang kritis

OLTP vs OLAP

OLTP vs OLAP

OLTP OLAP pengguna

clerk, IT professional knowledge worker fungsi operasi harian pengambilan keputusan perancangan BD application-oriented subject-oriented data terkini, up-to-date, detil, relasional yang flat, terisolasi historis, summarized, multidimensi, terintegrasi, terkonsolidasi penggunaan

berulang adhoc

akses baca/tulis pembacaan yang sangat banyak unit kerja transaksi pendek dan sederhana query kompleks jml record diakses

puluhan jutaan

jml pengguna

ribuan ratusan

ukuran BD

100MB-GB 100GB-TB metrik transaction throughput query throughput, respons

Data Warehouse



Sumber data bagi aplikasi sistem pengambilan keputusan Sumber data bagi aplikasi sistem pengambilan keputusan

(DSS) dan sistem informasi eksekutif (EIS) (DSS) dan sistem informasi eksekutif (EIS) _

Dikelola secara terpisah dari basis data operasional Dikelola secara terpisah dari basis data operasional _

Bukan (tidak harus) merupakan basis data Bukan (tidak harus) merupakan basis data _

Prinsip data warehouse: Prinsip data warehouse:

subject-oriented

subject-oriented

integrated

integrated

time-varying

time-varying

non-volatile

_ non-volatile

Kumpulan data yang digunakan terutama untuk Kumpulan data yang digunakan terutama untuk pengambilan keputusan di dalam organisasi pengambilan keputusan di dalam organisasi

DATA WAREHOUSE



Gudang “DATA” Gudang “DATA”



Integrasi seluruh data dari “topik” Integrasi seluruh data dari “topik” tertentu (tingkat organisasi) dalam tertentu (tingkat organisasi) dalam satu kesatuan akses (logik), satu kesatuan akses (logik), sehingga memungkinkan adanya sehingga memungkinkan adanya proses “analisis” terhadap proses “analisis” terhadap karakteristik organisasi, dalam karakteristik organisasi, dalam rangka pengambilan keputusan. rangka pengambilan keputusan.

Karakteristik Umum

 Subject Oriented :

Subject Oriented : orientasi pembuatan model orientasi pembuatan model lebih menekankan aspek “integrasi akses”, bukan lebih menekankan aspek “integrasi akses”, bukan model yang lebih menekankan kemudahan model yang lebih menekankan kemudahan eksekusi transaksi operational (seperti halnya eksekusi transaksi operational (seperti halnya pada database). pada database). 

 Data lengkap untuk subject tertentu.

Data lengkap untuk subject tertentu.

 Integrated :

Integrated : menyatukan data dari berbagai menyatukan data dari berbagai sumber (heterogenous resources : database, sumber (heterogenous resources : database, spread-sheet, file, etc.). spread-sheet, file, etc.). 

 Dapat diakses dari

Dapat diakses dari berbagai sudut pandang. berbagai sudut pandang.

 Time variant :

Time variant : data teritengrasi dengan deskripsi data teritengrasi dengan deskripsi “waktu” (historical data).

“waktu” (historical data).   Data lengkap dari sisi Data lengkap dari sisi periode (historical). periode (historical).

Data Warehouse - Arsitektur Data Warehouse - Arsitektur _Executive _read/write _database _{Application 2} Information _System _{informational} _read/write _database _operations queries _{Application 1} operations _Operational _Database _{periodic warehouse content}

_stocking

_Operational _Database _perio _conte _{dic w} _{nt sto} _areh _cking _ouse _pe _rio _{w oc} _ar _di _eh c _ou _co _se _nt _en _t _ki _ng _{Application 3} _database _Operational _Database st _operations read/write _Operational _{Database database} _operations _read/write _{Application 4}

Data Warehouse - Subject

oriented

 Diorientasikan kepada subjek-subjek utama yang

Diorientasikan kepada subjek-subjek utama yang terkait dengan korporasi yang telah didefinisikan terkait dengan korporasi yang telah didefinisikan di dalam model data di dalam model data

 Basis data operasional mengandung sejumlah

Basis data operasional mengandung sejumlah

subjek yang menjadi kandidat pengelompokan

subjek yang menjadi kandidat pengelompokan dalam data warehouse dalam data warehouse

Perusahaan asuransi: pelanggan, produk, transaksi atau

Perusahaan asuransi: pelanggan, produk, transaksi atau aktifitas, policy, claim, rekening, dll. aktifitas, policy, claim, rekening, dll.

Toko buku: pelanggan, buku, majalah, pegawai,

Toko buku: pelanggan, buku, majalah, pegawai, supplier supplier



Pengorganisasian basis data operasional dapat

Pengorganisasian basis data operasional dapat dilakukan dengan cara beragam dilakukan dengan cara beragam

Data Warehouse - Integrated



Tidak terdapat konsistensi dalam pengkodean,

penamaan, … antara sumber data yang berbeda

 Saat data dipindahkan ke data warehouse, harus

Saat data dipindahkan ke data warehouse, harus dikonversi ke suatu konvensi tertentu dikonversi ke suatu konvensi tertentu _Warehouse _Warehouse _{Cassettes = 2} CDs = 1 _{8-tracks = 3} _{Prices = US$} _{CDs = 1 Cassettes =} DB1 DB2 DB3 DB4 - Tucson DB5 - Toronto _{Cassettes = 1} _{CDs = 2} _{CDs = "CD"} _{Prices = US$} _{Prices =} Cassettes = 2 "CAS" _{8-tracks = 3} _{8-tracks ="8T"} ^Canadian$

Data Warehouse - Non Volatile

 Data operasional diakses secara

Data operasional diakses secara

reguler dan manipulasi atau update

juga dilakukan terhadap data dalam

lingkungan pengoperasian lingkungan pengoperasian

 Data pada data warehouse di

Data pada data warehouse di load load pada waktu-waktu tertentu dan pada waktu-waktu tertentu dan

diakses. Update terhadap data tidak

pernah muncul di dalam lingkungan

data warehouse data warehouse

Data Warehouse - Time

Variance

_

Horizon waktu bagi data warehouse jauh lebih panjang dari Horizon waktu bagi data warehouse jauh lebih panjang dari pada yang terdapat di sistem operasional

_ pada yang terdapat di sistem operasional Basis data operasional menyimpan nilai

Basis data operasional menyimpan nilai

current current dari data.

dari data.

Data pada data warehouse akan berbentuk sekumpulan Data pada data warehouse akan berbentuk sekumpulan

snapshots snapshots

yang diambil pada waktu-waktu tertentu _ yang diambil pada waktu-waktu tertentu

Struktur kunci dari data operasional Struktur kunci dari data operasional tidak selalu tidak selalu mengandung elemen waktu. Struktur kunci dari data mengandung elemen waktu. Struktur kunci dari data warehouse warehouse selalu selalu mengandung elemen waktu

_ mengandung elemen waktu Konsep-konsep pada basis data temporal berlaku terhadap

Konsep-konsep pada basis data temporal berlaku terhadap data warehouse data warehouse Alasan Data Warehouse yang

Alasan Data Warehouse yang

terpisah dari basis data

_

terpisah dari basis data

Performansi Performansi

organisasi data khusus, metode akses, dan metode implementasi

organisasi data khusus, metode akses, dan metode implementasi dibutuhkan untuk mendukung view dan operasi multidimensi dibutuhkan untuk mendukung view dan operasi multidimensi yang merupakan ciri dari OLAP yang merupakan ciri dari OLAP

query kompleks untuk OLAP akan menurunkan performansi dari

query kompleks untuk OLAP akan menurunkan performansi dari transaksi operasional transaksi operasional

kontrol konkurensi dan pemulihan pada OLTP tidak kompatibel

kontrol konkurensi dan pemulihan pada OLTP tidak kompatibel dengan analisis OLAP

_ dengan analisis OLAP Fungsi

Fungsi

data yang hilang: data historis biasanya tidak dikelola basis data

data yang hilang: data historis biasanya tidak dikelola basis data operasional operasional

konsolidasi data: agregasi dan sumarisasi data dari berbagai

konsolidasi data: agregasi dan sumarisasi data dari berbagai sumber sumber

kualitas data: terdapat perbedaan representasi, kode, dan format

kualitas data: terdapat perbedaan representasi, kode, dan format

ARSITEKTUR DW



PROSES/FASILTIAS UMUM : PROSES/FASILTIAS UMUM :

Pemasukan DATA [cleaning, integration,

Pemasukan DATA [cleaning, integration, transformation, and reduction] transformation, and reduction]

Akses Data (READ)

Akses Data (READ)

Analytical Tools (statistik, dll.).

Analytical Tools (statistik, dll.).

Multitiered Architecture Multitiered Architecture

OLAP Server Monitor & metadata Integrator

Analysis Extract other

Serve Query

Transform Sources

Data

Reports

Load

Warehouse

Data

Refresh mining

Operational DBs Tools

Data Marts

Data Sources

Sumber Data



Sumber data sering kali sistem-sistem operasional, yang Sumber data sering kali sistem-sistem operasional, yang menyediakan data pada level terendah

_ menyediakan data pada level terendah Sumber data didesain untuk penggunaan operasional, dan

Sumber data didesain untuk penggunaan operasional, dan bukan untuk kebutuhan pengambilan keputusan bukan untuk kebutuhan pengambilan keputusan

  fakta ini fakta ini direfleksikan oleh data

_ direfleksikan oleh data Sumber data yang banyak sering kali berasal dari sistem

Sumber data yang banyak sering kali berasal dari sistem yang berbeda yang berjalan di perangkat keras yang yang berbeda yang berjalan di perangkat keras yang berbeda dengan perangkat lunak yang dibangun berbeda dengan perangkat lunak yang dibangun

in-house in-house

atau sudah dikustomisasi _ atau sudah dikustomisasi

Sumber data yang banyak memunculkan sejumlah besar Sumber data yang banyak memunculkan sejumlah besar isu isu

  konflik semantik konflik semantik

Data Preprocessing Data Preprocessing

The need of data preprocessing



Problems with huge real-world Problems with huge real-world database database

Incomplete data : missing value

Incomplete data : missing value

Noisy

Noisy

Inconsistent

Inconsistent 

 Influence data mining process,

Influence data mining process, especially pattern mined especially pattern mined

Techniques



Data cleaning Data cleaning



Data integration Data integration



Data transformation Data transformation



Data reduction Data reduction

 

Improve the quality of the pattern Improve the quality of the pattern mined and/or the time required for mined and/or the time required for the actual mining the actual mining

Data Cleaning Data Cleaning

Correct the : Correct the :



Anomaly in the data Anomaly in the data



Data Inconsistent Data Inconsistent



Missing entries Missing entries



Violation of integrity constraints Violation of integrity constraints

Pembersihan Data (Data Pembersihan Data (Data

Cleaning)

 Hal yang penting bagi data warehouse,

Hal yang penting bagi data warehouse,

karena data dari berbagai sumber sering

kali ‘kotor’ kali ‘kotor’

 Terdapat tiga kelas kakas:

Terdapat tiga kelas kakas:

Migrasi Data: transformasi data sederhana

Migrasi Data: transformasi data sederhana

Scrubbing Data: menggunakan pengetahuan

Scrubbing Data: menggunakan pengetahuan yang yang domain-specific domain-specific

Audit Data: menemukan aturan dan

Audit Data: menemukan aturan dan

keterhubungan melalui proses pembacaan

(scan) terhadap data (menemukan keterurutan) (scan) terhadap data (menemukan keterurutan)

Data Cleaning – Missing values

 

Tuples have no recorded value for Tuples have no recorded value for several attributes several attributes



Ignore the tuple Ignore the tuple



Fill in the missing value Fill in the missing value

Using global constant

Using global constant

Using ‘measured’ values : attribute

Using ‘measured’ values : attribute mean, most probable value mean, most probable value

Data Cleaning – Noisy

 

Random error or variance in a Random error or variance in a measured variable measured variable



Binning Binning

  smooth a sorted data value by smooth a sorted data value by consulting its ‘neighborhood’ consulting its ‘neighborhood’

  local smoothing local smoothing



Clustering Clustering

 

Detect the outliers by grouping Detect the outliers by grouping similar values similar values

Regression Regression

  smooth data by fitting data to a smooth data by fitting data to a function, such as regression function, such as regression

  linear regression, multiple linier linear regression, multiple linier regression regression

Data Integration



Combine data from multiple sources into

coherent data store coherent data store



Schema integration: entity identification

problem problem

 Redundancy: detected by correlation

Redundancy: detected by correlation analysis analysis

 Detection & resolution of data value

Detection & resolution of data value conflict: semantic heterogenity & different conflict: semantic heterogenity & different representation representation

Data Transformation



Data are transformed or consolidated Data are transformed or consolidated into forms appropriate for mining into forms appropriate for mining



Involve: Involve:

Smoothing

Smoothing

Aggregation

Aggregation

Generalisation

Generalisation

Normalisation

Normalisation

Data Reduction



Reduce representation of data set Reduce representation of data set that is much smaller in volume, while that is much smaller in volume, while maintains the integrity of the original maintains the integrity of the original data. data.



Strategies: Strategies:

Data cube aggregation

Data cube aggregation

Dimension reduction

Dimension reduction

Data compression

Data compression

Load dan Refresh



Loading ke data warehouse mencakup sejumlah Loading ke data warehouse mencakup sejumlah pemrosesan lainnya: memeriksa batasan integritas, pemrosesan lainnya: memeriksa batasan integritas, pengurutan, sumarisasi, pembangunan indeks, dll. pengurutan, sumarisasi, pembangunan indeks, dll. _

Refreshing sebuah data warehouse berarti mempropagasi Refreshing sebuah data warehouse berarti mempropagasi perubahan terhadap data sumber ke data yang tersimpan perubahan terhadap data sumber ke data yang tersimpan di dalam data warehouse di dalam data warehouse

kapan harus melakukan refresh

kapan harus melakukan refresh _

ditentukan oleh penggunaan, tipe dari sumber data, dll.

bagaimana cara refresh

bagaimana cara refresh _ data shipping: menggunakan triggers untuk mengubah tabel log data shipping: menggunakan triggers untuk mengubah tabel log snapshot dan mempropagasi data yang berubah itu ke data snapshot dan mempropagasi data yang berubah itu ke data warehouse

_ warehouse transaction shipping: mengirimkan perubahan yang terdapat di log transaction shipping: mengirimkan perubahan yang terdapat di log transaksi transaksi

Monitor

 Mendeteksi perubahan yang terjadi

Mendeteksi perubahan yang terjadi terhadap sumber informasi yang terhadap sumber informasi yang merupakan “interest” dari data warehouse merupakan “interest” dari data warehouse

mendefinisikan triggers

mendefinisikan triggers

mengawasi perubahan yang terjadi pada file

mengawasi perubahan yang terjadi pada file log log

membuat program

membuat program 

Mempropagasi perubahan dalam bentuk

yang umum ke integrator yang umum ke integrator

Integrator

 Menerima perubahan dari monitor

Menerima perubahan dari monitor

mengubah data ke dalam bentuk yang

mengubah data ke dalam bentuk yang sesuai dengan skema yang terdapat pada sesuai dengan skema yang terdapat pada data warehouse data warehouse



Mengintegrasikan perubahan ke dalam

data warehouse data warehouse

menggabungkan data dengan data lain yang

menggabungkan data dengan data lain yang telah ada telah ada

menyelesaikan kemungkinan anomali yang

menyelesaikan kemungkinan anomali yang dapat muncul dapat muncul security: otorisasi pengguna, kontrol akses

Metadata Repository



Metadata administratif Metadata administratif

basis data sumber dan isinya
deskripsi gateway
skema data warehouse, view, dan definisi data turunan
dimensi dan hirarki
query dan laporan yang pre-defined
lokasi dan isi dari data marts
partisi data partisi data
ekstraksi data, pembersihan, aturan transformasi, nilai default ekstraksi data, pembersihan, aturan transformasi, nilai default
aturan untuk refresh dan purge terhadap data
profil pengguna dan pengelompokan pengguna
security: otorisasi pengguna, kontrol akses

basis data sumber dan isinya

deskripsi gateway

skema data warehouse, view, dan definisi data turunan

dimensi dan hirarki

query dan laporan yang pre-defined

lokasi dan isi dari data marts

aturan untuk refresh dan purge terhadap data

profil pengguna dan pengelompokan pengguna

Struktur Data DW



DATA CUBE (multi dimentional) DATA CUBE (multi dimentional)

PENJUALAN PENJUALAN

PRODUK CABANG

CABANG

PENJUALAN PENJUALAN

WAKTU/SAAT PRODUK Multi-dimensional view (mis.) : Multi-dimensional view (mis.) :

1. Penjualan “produk” dari waktu ke waktu

2. Penjualan “produk” pada masing-masing cabang 3. Produk yang tersedia.

4. Dll.

CABANG PRODUK WAKTU

KUSTOMER Group Propinsi

Kota Negara Nama/orang Kategori

Jalan Hari Minggu Bulan

Nama/produk Brand Kategori

1. Rekapitulasi multi-view / multi-dimensi dapat dilayani

1. Rekapitulasi multi-view / multi-dimensi dapat dilayani Oleh DB, jika : TERINTEGRASI (dpt diakses secara logik sebagai

Oleh DB, jika : TERINTEGRASI (dpt diakses secara logik sebagai

Satu kesatuan, LENGKAP (dalam arti sampai ke level primitif,

Yang biasanya dicakup oleh DB OLTP), dan ……….. Yang biasanya dicakup oleh DB OLTP), dan ………..

2. DBMS pada umumnya mengembangkan fasilitas untuk dapat

2. DBMS pada umumnya mengembangkan fasilitas untuk dapat informasi monitoring: statistik penggunaan data warehouse, laporan kesalahan, audit trails warehouse, laporan kesalahan, audit trails

Metadata Repository Metadata Repository

2 

Data bisnis Data bisnis

peristilahan dan definisi bisnis
kepemilikan data
charging policies
data lineage: sejarah migrasi data dan urutan
kekinian data: aktif, archived, purged
informasi monitoring: statistik penggunaan data

peristilahan dan definisi bisnis

kepemilikan data

charging policies

 Metadata operasional

Metadata operasional

data lineage: sejarah migrasi data dan urutan transformasi yang dikenakan transformasi yang dikenakan

kekinian data: aktif, archived, purged

Data Marts



Sebuah data mart (disebut juga data warehouse Sebuah data mart (disebut juga data warehouse departemental) adalah sebuah sistem yang mengumpulkan departemental) adalah sebuah sistem yang mengumpulkan data yang dibutuhkan oleh sebuah departemen atau data yang dibutuhkan oleh sebuah departemen atau aplikasi yang terkait

_ aplikasi yang terkait Data marts dapat diimplementasikan di dalam data

Data marts dapat diimplementasikan di dalam data warehouse dengan cara membuat view yang khusus, warehouse dengan cara membuat view yang khusus, spesifik untuk aplikasi tertentu

_ spesifik untuk aplikasi tertentu Data marts dapat juga diimplementasikan sebagai

Data marts dapat juga diimplementasikan sebagai

materialized view materialized view

subjek departemental yang difokuskan subjek departemental yang difokuskan kepada subjek tertentu kepada subjek tertentu

materialized views adalah view yang tupel hasilnya disimpan

_ materialized views adalah view yang tupel hasilnya disimpan

Data marts dapat memiliki representasi yang berbeda dan Data marts dapat memiliki representasi yang berbeda dan menggunakan OLAP engines tersendiri menggunakan OLAP engines tersendiri

Tools lainnya



Antar muka pemakai yang Antar muka pemakai yang memungkinkan pemakai melakukan memungkinkan pemakai melakukan interaksi dengan data warehouse interaksi dengan data warehouse

kakas untuk query dan pelaporan

kakas untuk query dan pelaporan

kakas untuk melakukan analisis

kakas untuk melakukan analisis

kakas untuk data mining

kakas untuk data mining

Perancangan Sistem



Perencanaan kapasitas - pendefinisian arsitektur Perencanaan kapasitas - pendefinisian arsitektur _

Integrasi servers, media penyimpanan, clients Integrasi servers, media penyimpanan, clients _

Perancangan skema data warehouse, views Perancangan skema data warehouse, views _

Perancangan organisasi fisik data warehouse: penempatan Perancangan organisasi fisik data warehouse: penempatan data, partisi, metode akses

_ data, partisi, metode akses Menghubungkan sumber: gateways, ODBC drivers

Menghubungkan sumber: gateways, ODBC drivers _ Perancangan dan implementasi scripts untuk ekstraksi

Perancangan dan implementasi scripts untuk ekstraksi data, load, dan refresh

_ data, load, dan refresh Pendefinisian metadata dan populasi repository

Pendefinisian metadata dan populasi repository _ Perancangan dan implementasi aplikasi pengguna

Perancangan dan implementasi aplikasi pengguna _ Roll out data warehouse dan aplikasi

Roll out data warehouse dan aplikasi

Pembangunan Data Warehouse

 Top Down

Top Down

Membuat rancangan data warehouse

Membuat rancangan data warehouse keseluruhan keseluruhan

Menentukan sumber data dan mekanisme

Menentukan sumber data dan mekanisme pengintegrasian data ke data warehouse pengintegrasian data ke data warehouse

 Bottom Up

Bottom Up

Membuat data marts untuk setiap sub sistem

Membuat data marts untuk setiap sub sistem yang ada yang ada

Menggabungkan data marts-data marts yang

Menggabungkan data marts-data marts yang

telah terbentuk untuk menghasilkan sebuah

data warehouse yang utuh data warehouse yang utuh

3.pertemuan Ketiga - Repository UNIKOM

OLAP OLAP

OLAP Operations OLAP Operations

OLTP vs OLAP

OLTP OLAP pengguna

PROSES/FASILTIAS UMUM : PROSES/FASILTIAS UMUM :

PENJUALAN PENJUALAN

PENJUALAN PENJUALAN

Dokumen yang terkait

BAB VI - Hubungan Amerika Serikat Dengan Negara Dunia Ketiga - Repository UNIKOM

Email - Repository UNIKOM

Normalisasi - Repository UNIKOM

Stack - Repository UNIKOM

Ventilasi - Repository UNIKOM

Zakat - Repository UNIKOM

Saham - Repository UNIKOM

Procedure - Repository UNIKOM

Array - Repository UNIKOM

Las - Repository UNIKOM

Dukungan

Links

3.pertemuan Ketiga - Repository UNIKOM

OLAP OLAP

OLAP Operations OLAP Operations

OLTP vs OLAP

OLTP OLAP pengguna

PROSES/FASILTIAS UMUM : PROSES/FASILTIAS UMUM :

PENJUALAN PENJUALAN

PENJUALAN PENJUALAN

Dokumen yang terkait

BAB VI - Hubungan Amerika Serikat Dengan Negara Dunia Ketiga - Repository UNIKOM

Email - Repository UNIKOM

Normalisasi - Repository UNIKOM

Stack - Repository UNIKOM

Ventilasi - Repository UNIKOM

Zakat - Repository UNIKOM

Saham - Repository UNIKOM

Procedure - Repository UNIKOM

Array - Repository UNIKOM

Las - Repository UNIKOM

Dokumen yang Anda mencari sudah siap untuk unduhkan