Dalam postingan pertama untuk tugas eksplorasi mengenai data warehouse akan dibahas mengenai data warehouse : apa

itu data warehouse, sejarahnya, dan arsitektur dasarnya. Data warehouse adalah sebuah repositori atau tempat penyimpanan data secara elektronis yang dimiliki sebuah organisasi. Data warehouse juga dirancang untuk dapat memfasilitasi pembuatan laporan dan analisis. Sekalipun demikian, data warehouse tidak hanya berfokus pada penyimpanan data, tapi sebuah sistem data warehouse memiliki komponen-komponen esensial seperti menerima (retrieve), menganalisis (analyze) data, mengekstrak (extract), mengubah (transform), meload data, dan juga mengatur data dictionary. Sehingga definisi lebih luas dari data warehouse mencakup kakas kecerdasan bisnis (business intelligence tools), kakas untuk mengekstrak (tools to ekstrak), mengubah (transform), dan menerima data (load) ke penyimpanan (repository), serta mengelola dan menerima metadata. Tahun Peristiwa 1960 1970 1983 1988 1990 1991 1991 1995 1996 1997 General Mills dan Dartmouth College dalam riset bersama mengembangkan istilah dimensi dan fakta ACNielsen dan IRI menyediakan data dimensional untuk pembelian secara eceran Teradata memperkenalkan Database Management System (DBMS) yang dirancang khusus untuk dukungan pengambilan keputusan Barry Devlin dan Paul Murphy mempublikasikan artikel “An architecture for a business and information systems” di jurnal IBM System saat mereka memperkenalkan istilah “business data warehouse” Red Brick Systems memperkenalkan Red Brick Warehouse, sebuah DBMS khusus untuk data warehouse Prism Solutions memperkenalkan Prism Warehouse Manager, sebuah perangkat lunak untuk mengembangkan data warehouse Bill Inmon mempublikasikan buku “Building the Data Warehouse” Dibangunnya Institut Data Warehousing Ralph Kimball mempublikasikan buku “The Data Warehouse Toolkit” Oracle 8, dengan support untuk query bintang (star queries) dirilis

Arsitektur Data Warehouse Arsitektur dalam konteks organisasi data warehouse adalah konsep bagaimana data warehouse dibangun. Tidak ada arsitektur yang benar maupun salah, melainkan berbagai arsitektur ada untuk mendukung berbagai situasi dan kondisi. Arsitektur yang baik akan berimbas pada pembangunan, pemeliharaan, dan penggunaan dari data warehouse. Namun, pada umumnya arsitektur data warehouse akan memiliki lapisan-lapisan berikut :

atau perusahaan asuransi yang memiliki data dari ribuan cabang lokal. mengubah. Data access layer (lapisan akses data) o Antarmuka antara lapisan operasional dan akses informasi o Kakas untuk mengekstrak. sistem operasi yang . Mengapa demikian? decision maker Bayangkanlah sebuah perusahaan jual-beli yang memiliki banyak cabang.1. Operational database layer (lapisan basis data operasional) o Sumber data untuk data warehouse 2. Metadata layer(lapisan metadata) o Direktori data o Umumnya lebih detail daripada direktori data sistem o Ada kamus untuk keseluruhan warehouse dan terkadang ada kamus untuk data yang dapat diakses oleh reporting khusus dan kakas untuk analisis 4.analisis o Kakas intelejensia bisnis (Business Intelligence) termasuk ke lapisan ini post #2 (23 Juni 2009) Umumnya data warehouse diperlukan oleh perusahaan besar yang memiliki banyak cabang dan memiliki sejumlah besar data atau struktur perusahaan yang kompleks. Informational access layer (lapisan akses informasi) o Akses data dan juga kakas untuk reporting. Tentunya datadata yang dimiliki tersebar di banyak lokasi yang berbeda. dan meload data 3.

data transaksi dipartisi menjadi fakta (umumnya data transaksi yang numeric) atau dimensi (referensi ke informasi dari fakta) Sebagai contoh: Data penjualan dapat dipisahkan menjadi fakta seperti jumlah produk yang dipesan dan harga yang dibayarkan untuk setiap produk. Pendekatan normalisasi Pada pendekatan ini. Atau sumber data mungkin hanya menyimpan data terkini. Lalu akan diambil suatu keputusan untuk perusahaan tersebut oleh pembuat keputusan (decision maker). petugas yang bertanggung jawab atas pemesanan tersebut. Bagaimana prinsip penyimpanan data dalam data warehouse? Ada 2 pendekatan utama untuk menyimpan data dalam data warehouse : 1. (+)Mudah untuk menambahkan informasi ke database (-)karena banyaknya table yang terlibat maka akan sulit bagi pengguna untuk menggabungkan data dari sumber yang berbeda menjadi informasi atau untuk . Pembuat keputusan itu tentunya membutuhkan akses ke semua sumber data yang ada. Sebagai contoh. (+) data warehouse akan lebih mudah untuk digunakan dan dimengerti oleh pengguna (+) penerimaan data dari data warehouse dilakukan dengan sangat cepat (-) untuk mempertahankan integritas dari fakta dan dimensi. sementara pembuat keputusan perlu mengakses data-data terdahulu pada perusahaan itu. meload data warehouse dari sistem operasi yang berbeda-beda menjadi kompleks (-)akan sulit untuk mengubah struktur data warehouse jika organisasi tersebut perubahan dalam cara melakukan bisnisnya 2. atau disimpan dengan skema yang berbeda. dll. nama pembeli. data produksi dan data keluhan pelanggan disimpan di sistem database yang berbeda. nomor produk. Tabel dikelompokkan berdasarkan kategori (seperti pelanggan. keuangan.berbeda. Dan menjadi dimensi. data dalam data warehouse disimpan berdasarkan aturan normalisasi data. data warehouse menyediakan solusi bagi masalah ini. Misalnya saja informasi mengenai pola penjualan yang berubah dari tahun-tahun lalu merupakan pertimbangan penting dalam mengambil keputusan. produk.dll). Namun dengan melakukan query ke setiap sumber individual tentunya tidak praktis dan tidak efisien. seperti tanggal pemesanan. Nah. Pendekatan dimensional Pada pendekatan ini.

Perancangan top-down Bill Inmon seorang penulis pertama mengenai data warehouse mendefinisikandata warehouse sebagai repository pusat untuk keseluruhan enterprise/perusahaan. (-) merepresentasikan projek yang sangat besar dengan cakupan yang luas.seorang pakar dalam data warehousing adalah pendukung dari pendekatan perancangan data warehouse yang disebut bottom-up. (+) Metode perancangan top-down menghasilkan dimensional view yang konsisten dari semua data yang berasal dari data cabang karena semua data cabang diload dari repository terpusat. (+)Perancangan top-down telah membuktikan dirinya sanggup menghadapi perubahan pada bisnis. Sekalipun demikian. sehingga membutuhkan biaya yang besar untuk mengimplementasikan data warehouse dengan metode top-down. Metode perancangan data warehouse 1. Pendekatan dimensional juga dapat melibatkan pendekatan normalisasi sampai pada tingkat tertentu. 2. membuat data dimensional cabang yang baru menjadi tugas yang mudah. (-) durasi waktu dari dimulainya projek sampai pengguna dapat merasakan manfaat warehouse cukup terasa . kedua pendekatan ini tidaklah benar-benar terpisah satu sama lain.mengakses informasi tanpa benar-benar mengerti isi dari sumber data dan struktur data dari data warehouse. Inmon merupakan pendukung dari pendekatan perancangan data warehouse yang disebut top-down. (kecepatan) (-) sulit untuk memastikan kekonsistenan dimensi dari kesemua data cabang. (+) nilai bisnis dapat dikembalikan secepat data cabang pertama dibuat. Perancangan bottom-up Ralph Kimball. Data cabang ini dapat dikombinasikan untuk membuat sebuah data warehouse. dimana data warehouse dirancang menggunakan data model enterprise yang telah dinormalisasi. Disebut bottomup karena pertama-tama data pada cabang/pasar dibuat lebih dulu untuk menyediakan kapabilitas laporan dan analisis untuk proses bisnis tertentu.

(-) metode top-down dapat menjadi tidak fleksible terhadap perubahan kebutuhan di tahap implementasi 3. Dengan data warehouse ini. Untuk melakukan ini. Perancangan hibrid Seiring berjalannya waktu ternyata metode bottom-up dan top-down pada perancangan data warehouse memiliki keuntungan dan kerugian / resiko. kita dapat menjawab pertanyaan seperti : “siapakah pembeli terbaik dari perusahaan ini tahun lalu?” – Terintegrasi (integrated) Data warehouse membutuhkan data dari beberapa sumber terpisah untuk disimpan ke suatu format khusus. Maka metode hybrid mencoba untuk mengambil keunggulan kecepatan dari metode bottom-up dan kekonsistenan data enterprise dari metode top-down. kita dapat membangun data warehouse yang terkonsentrasi pada penjualan. Misalnya. – Bersifat tetap (non volatile) . kita ingin mempelajari mengenai data penjualan suatu perusahaan. Hal ini berarti konflik pemberian nama atau masalah dalam penggunaan unit pengukuran yang berbeda seperti “inch” dan “cm” harus diselesaikan. data warehouse architecture post #3 (2 Juli 2009) Sifat-sifat dari data warehouse – Berorientasi pada suatu persoalan (subject oriented) Data warehouse dirancang untuk membantu kita dalam menganalisis data.

Hal ini menjadi kontras dibandingkan dengan sistem OLTP (Online Transaction Processing Systems). Data warehouse dibandingkan dengan OLTP System Data Warehouse Online Transaction Processing Systems Hanya mendukung operasi tertentu yang telah ditentukan sebelumnya Workload Didesain untuk menangani query dalam jumlah besar User melakukan proses update data Data warehouse diperbaharui dalam jadwal tertentu melalui proses ETL secara langsung dan Data menggunakan teknik modifikasi data bulk (dalam jumlah besar). Hal ini jelas mengingat tujuan dari data warehouse adalah untuk menganalisis apa yang terjadi.Hal ini berarti data tidak akan pernah berubah atau diubah sekali masuk ke data warehouse. database selalu modification Pengguna tidak mengupdate data warehouse secara langsung kecuali dalam kondisi menggunakan peralatan seperti data mining. – Bervariasi terhadap waktu (time variant) Kebanyakan analisis bisnis membutuhkan tren analisis. terupdate (paling baru) Schema design Umumnya tidak dinormalisasi atau sebagian ternormalisasi (seperti star schema) untuk mengoptimasi query dan performansi analitis Menggunakan skema yang telah . Karenanya analis membutuhkan data yang besar jumlahnya dengan melihat perubahan tren yang terjadi terhadap waktu.

data warehouse juga sering disimpan berkali-kali di bentuk lengkapnya dan juga di bentuk ringkasnya yang disebut aggregasi. misalnya mencari data order untuk pelanggan tertentu Hanya menyimpan data minggu-minggu atau bulan terakhir. kebutuhan akan data warehouse yang lebih canggi semakin meningkat. Sementara data warehouse optimal dalam kecepatan untuk menerima data. Seiring berlalunya waktu. data dalam data warehouse didenormalisasi dengan model berbasis dimensional. Pada umumnya tingkat-tingkat kebutuhan akan data warehouse dapat dibedakan sebagai berikut : . perancang sistem operasinal mengikuti aturan normalisasi Codd. Database relational efisien untuk mengelola relasi antara tabel dan database akan memiliki performansi tinggi untuk proses insert maupun update karena hanya sejumlah kecil data dalam tabel yang dipengaruhi. Data dari data warehouse dikumpulkan dari sistem operasional dan tetap disimpan di data warehouse sekalipun data tersebut telah dibuang dari sistem operasional Evolusi dalam perusahaan yang menggunakan data warehouse Pada umumnya organisasi atau katakanlah suatu perusahaan memulai dengan data warehouse yang relatif simple. Hanya menyimpan data yang dibutuhkan untuk transaksi saat ini. Pada umumnya. Secara berkesinambungan. Hal ini bertujuan untuk mendukung analisis historical dan juga laporan Sistem operasional dibandingkan dengan data warehouse Sistem operasional optimal dalam menjamin integritas data dan kecepatan untuk menyimpan transaksi bisnis yang terjadi melalui normalisasi database dan model entity-relationship. contohnya : total penjualan semua customer pada akhir bulan Tidak semua record. Typical Operation Historical data Menyimpan data selama jangka bulan bahkan tahun. untuk mempercepat penerimaan data. Selain itu.inormalisasi untuk mengoptimasi proses insert/update/delete dan juga memastikan integritas data Menjalankan query yang memproses banyak record sekaligus.

Melainkan telah diintegrasikan dengan data-data dari sumber lain.– Database operasional offline Pada tahap ni secara sederhana data warehouse dibangun dengan menduplikasi data dari sistem operasional ke server lain sehingga saat dibutuhkannya proses terhadap data-data tersebut misalnya saja pembuatan laporan tidak akan mengimbas pada performansi sistem operasional. – Data warehouse offline Pada tahap ini data warehouse diperbaharui dari data di sistem operasional ke suatu bentuk umum dan data dari data warehouse disimpan dengan struktur data yang dirancang untuk memfasilitasi proses pembuatan laporan. maka sumber data mengirimkan informasi baru. maka data warehouse akan menghasilkan sebuah transaksi yang dikembalikan ke sistem operasional. baik secara kontinu maupun periodik (misalnya setiap malam) Dalam destination-driven architecture. Pembersihan data (data cleansing) . – Data warehouse realtime Pada tahap ini. namun setiap kali terjadi proses update ke data warehouse. maka data warehouse secara periodik mengirimkan permintaan akan data yang baru ke sumber data Skema yang digunakan Sumber data yang dibuat masing-masing kemungkinan memiliki skema yang berbeda. mereka mungkin juga menggunakan data model yang berberda. Post #4 (24 Juli 2009) Komponen dari sebuah data warehouse Kapan dan bagaimana mendapatkan data Dalam source-driven architecture. data warehouse diperbaharui setiap sistem operasional melalukan transaksi bisnis – Data warehouse terintegrasi Sama seperti pada data warehouse realtime. data yang disimpan di data warehouse tidak hanya sekedar salinan dari sumber data. Sebagai hasilnya. Bahkan. Tugas dari data warehouse adalah untuk melakukan pengintegrasian skema dan mengubah data yang diterima menjadi skema terintegrasi sebelum disimpan.

negara). Skema Data warehouse memiliki skema yang dirancang untuk analisis data dan pada umumnya menggunakan perangkat OLAP(Online Analitical Processing). Sumber data sering mengirimkan data dengan banyak ketidakkonsistenan minor yang dapat diperbaiki. lokasi toko dijualnya. Data apa yang dapat digabungkan(aggregasi) Data mentah yang dihasilkan dari proses transaksi mungkin terlalu besar untuk disimpan secara online. serta atribut pengukur jumlah dan harga. Untuk lebih jelasnya dapat diamati dari bagan berikut : . Untuk meminimalkan kebutuhan penyimpanan. kita dapat menyimpan total penjualan suatu pakaian berdasarkan nama dan kategori. pelanggan mana yang membelinya. dan tanggal. Bagaimana menyebarkan update? Update dalam sebuah relasi dari sumber data harus disebarkan juga ke data warehouse. Jika relasi pada data warehouse benar-benar serupa dengan yang di sumber data maka penyebarannya mudah. Namun kita dapat menjawab banyak query dengan mengelola hanya ringkasa data yang didapatkan dengan melakukan agregasi pada suatu relasi daripada mengelola seluruh relasi Sebagai contoh : daripada menyimpan data penjualan pakaian setiap hari. dst. Daftar alamat yang digabungkan dari beberapa sumber mungkin terduplikasi sehingga perlu dieliminasi dengan operasi merge-purge (operasi natural-join). Namun jika tidak. Atribut store-id adalah foreign key ke sebuah tabel dimensi store yang memiliki atribut lain seperti lokasi toko (kota. maka permasalahan untuk memastikan update ini disebut masalah view-maintenance. Sebagai contoh. Hal ini dapat diperbaiki dengan merelasikannya dengan basis data dari nama jalan dan kode pos dari setiap kota. Data umumnya berupa data multidimensi (terdiri dari atribut dimensi dan pengukur) dan tabel yang menyimpan data ini disebut tabel fakta (fact table) dan biasanya sangat besar. atau kode pos salah. customer-id.Tugas untuk memperbaiki dan mempersiapkan data disebut data cleansing. Atribut pengukur misalnya jumlah dan harga barang. Tabel yang menyimpan data penjualan suatu perusahaan ritel. tanggal dijualnya.sebuah tabel fakta penjualan akan memiliki atribut item-id. atribut dimensi seringkali disingkat dengan foreign key ke tabel lain yang disebut tabel dimensi (dimension tables). Misalnya. nama sering kali salah eja dan alamat berupa jalan/area/kota juga salah eja. dengan satu tuple untuk setiap barang yang terjual merupakan contoh dari tabel fakta. Atribut dimensi dari tabel penjualan akan mencakup barang apa itu (misalnya dengan barcode). wilayah. Atribut item-id juga merupakan foreign key ke tabel dimensi item-info yang memiliki atribut seperti warna dan ukuran. store-id.

kuitansi pemesanan. laporan perkecualian. ketidakkonsistenan akan teridentifikasi dan diperbaiki. 2. sehinggan terdapat delay (tenggat waktu) di mana data yang dimasukkan ke dalam data warehouse belum terdeteksi. Data warehouse bukan merupakan lingkungan yang optimal untuk data yang tidak terstruktur 2. diubah. Data warehouse menyediakan model data yang umum untuk semua data tidak tergantung sumber datanya. maka data warehouse dapat menerima data tanpa memperlambat kerja kerja sistem operasional 5. 3. Data warehouse menyediakan fasilitas yang mendukung pengambilan keputusan seperti laporan berdasarkan tren (misalnya : barang yang paling banyak terjual di suatu area dalam 2 tahun terakhir). 4. sehingga sekalipun sumber data dibersihkan pada suatu waktu. . informasi itu akan tetap tersimpan dengan aman di data warehouse.Post #5 7 Agustus 2009 Keuntungan menggunakan data warehouse 1. dan diload ke data warehouse. Informasi yang disimpan dalam data warehouse dibawah kontrol dari pengguna data warehouse. dan laporan yang menampilkan pencapaian di lapangan yang sesungguhnya dibandingan dengan gol yang telah ditetapkan. Data perlu untuk diekstrak. Saat meload data ke dalam datawarehouse. Hal ini akan mendukung juga dalam proses pembuatan laporan dan analisis. Kerugian menggunakan data warehouse 1. tagihantagihan lainnya. Hal ini mempermudah pembuatan laporan dan analisis informasi dibandingkan jika diperlukan banyak model data untuk menerima informasi seperti faktur penjualan. Karena data warehouse terpisah dari sistem operasional.

wikipedia. Biaya perawatannya cukup tinggi.bris.cs. Database System Concepts.3. akan ada resiko bahwa data yang akan dianalisis di data warehouse merupakan data yang tidak optimal. Fourth Edition . maka data warehouse dapat menyebabkan biaya yang besar.816/a76994/concept. diakses tanggal 8 Juni 2009 Silberschatz.uk/maintain/OracleDocs/server.datawarehouse4u. Contoh aplikasi dari Data Warehouse • • • • Analisis kartu kredit Analisis kecurangan asuransi Analisis panggilan telepon Managemen logistic Daftar Referensi : http://en.oracle.info/Data warehouse. diakses tanggal 8 Juni 2009 http://download. Data warehouse dapat menjadi ketinggalan dari data terbaru relatif cepat.ac.htm diakses tanggal 1 Juli 2009 http://www.htm. Data warehouse umumnya tidak statis. Semakin lama masa hidupnya.111/b28313/concept. Maka.htm diakses tanggal 1 Juli 2009 http://www. 4.org/wiki/data_warehouse.com/docs/cd/B28359_01/server.

Sign up to vote on this title
UsefulNot useful