Decision Support System merupakan suatu sistem
yang berfungsi sebagai penunjang keputusan. Dengan adanya DSS, pekerjaan dari
para pengambil keputusan akan lebih terbantu secara signifikan.
Makalah yang kami susun berikut ini menjelaskan
suatu database yang biasa digunakan sebagai pengambil keputusan yaitu data
warehouse. Dikarenakan banyak organisasi atau perusahaan kurang dapat
menggunakan database operasional dalam mendukung secara langsung pengambilan
keputusan.
Penyusun sadar dalam penulisan makalah ini
terdapat banyak kekurangan, oleh karena itu, kami menerima saran dan kritik
yang membangun agar dikemudian hari kami dapat menyusun suatu makalah dengan
lebih baik lagi.
Jakarta 3 November 2006
Penyusun,
Irfan Gustiarahman
I.1. Pengertian Data, Informasi dan Database
Sebelum
kita membahas tentang data warehouse, hal yang harus dipahami terlebih dahulu
yaitu pengertian tentang data,informasi dan database.
Menurut
Steven Alter, data merupakan fakta,gambar atau suara yang mungkin atau tidak
berhubungan atau berguna bagi tugas tertentu.
Menurut
McLeod, data terdiri dari fakta-fakta dan angka yang secara relatif tidak
berarti bagi pemakai. Sedangkan informasi adalah data yang sudah diproses atau
data yang memiliki arti.
Disini
kita dapat melihat bahwa data merupakan suatu bentuk keterangan-keterangan yang
belum diolah atau dimanipulasi sehingga belum begitu berarti bagi sebagian
pemakai. Sedangkan informasi merupakan data yang sudah di olah sehingga
memiliki arti.
Menurut
James A. O’Brien Database adalah suatu koleksi terintegrasi dimana secara
logika berhubungan dengan record dari file.
Menurut
Fatansyah, Database adalah kumpulan data yang saling berhubungan yang disimpan
secara bersama sedemikian rupa dan tanpa pengulangan(redudansi) yang tidak
perlu, untuk memenuhi berbagai kebutuhan.
Jadi
Database adalah tempat penyimpanan data yang saling berhubungan secara logika,
sehingga bisa digunakan untuk mendapatkan suatu informasi yang diperlukan oleh
suatu organisasi atau perusahaan.
Sedangkan
data yang diperoleh suatu organisasi atau perusahaan umumnya didapat dari
kegiatan operasional sehari-hari atau hasil dari transaksi.
Dari
perkembangan model database, muncullah apa yang disebut dengan data
warehouse.
I.2. Pengertian Data Warehouse
Pengertian
Data Warehouse dapat bermacam-macam namun mempunyai inti yang sama, seperti
pendapat beberapa ahli berikut ini :
Menurut
W.H. Inmon dan Richard D.H., data warehouse 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 warehouse merupakan database yang bersifat analisis
dan read only yang digunakan sebagai fondasi dari sistem penunjang
keputusan.
Menurut
Paul Lane, data warehouse merupakan database 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 warehouse memisahkan beban kerja analisis dari
beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data
dari berbagai macam sumber.
Jadi,
data warehouse merupakan metode dalam perancangan database, yang
menunjang DSS(Decission Support System) dan EIS (Executive Information System).
Secara fisik data warehouse adalah database, tapi perancangan data
warehouse dan database sangat berbeda. Dalam perancangan database tradisional
menggunakan normalisasi, sedangkan pada data warehouse normalisasi
bukanlah cara yang terbaik.
Dari
definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse
adalah database yang saling bereaksi yang dapat digunakan untuk query
dan analisisis, bersifat orientasi subjek, terintegrasi, time-variant,tidak
berubah yang digunakan untuk membantu para pengambil keputusan.
I.3. Istilah-istilah yang berhubungan dengan data warehouse
Istilah-istilah
yang berkaitan dengan data warehouse :
- Data Mart
Adalah
suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa
data pada suatu unit, bagian atau operasi pada suatu perusahaan.
- On-Line Analytical Processing(OLAP)
Merupakan
suatu pemrosesan database 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.
- DSS
Merupkan
sistem yang menyediakan informasi kepada pengguna yang menjelaskan bagaimana
sistem ini dapat menganalisa situasi dan mendukung suatu keputusan yang baik.
I.4. Karakteristik Data Warehouse
Karakteristik
data warehouse menurut Inmon, yaitu :
- Subject Oriented (Berorientasi subject)
Data warehouse berorientasi subject artinya data warehouse didesain
untuk menganalisa data berdasarkan subject-subject tertentu dalam
organisasi,bukan pada proses atau fungsi aplikasi tertentu.
Data
warehouse diorganisasikan disekitar subjek-subjek utama dari
perusahaan(customers,products dan sales) dan tidak diorganisasikan pada area-area aplikasi utama(customer
invoicing,stock control dan product sales). Hal ini dikarenakan kebutuhan dari
data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu
keputusan, dari pada aplikasi yang berorientasi terhadap data.
Jadi
dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan
terhadap proses. Secara garis besar perbedaan antara data operasional dan data
warehouse yaitu :
Data Operasional |
Data Warehouse |
|
Dirancang
berorientasi hanya pada aplikasi dan fungsi tertentu
|
Dirancang berdasar
pada subjek-subjek tertentu(utama)
|
|
Focusnya pada desain
database dan proses
|
Focusnya pada
pemodelan data dan desain data
|
|
Berisi rincian atau
detail data
|
Berisi data-data
history yang akan dipakai dalam proses analisis
|
|
Relasi antar table berdasar
aturan terkini(selalu mengikuti rule(aturan) terbaru)
|
Banyak aturan bisnis
dapat tersaji antara tabel-tabel
|
- Integrated (Terintegrasi)
Data Warehouse dapat menyimpan data-data yang berasal dari
sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling
terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah
karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep
data warehouse itu sendiri.
Syarat
integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten
dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam
struktur pengkodean dan konsisten dalam atribut fisik dari data.
Contoh
pada lingkungan operasional terdapat berbagai macam aplikasi yang mungkin pula
dibuat oleh developer yang berbeda. Oleh karena itu, mungkin dalam
aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang sama tetapi
nama dan format nya berbeda. Variable tersebut harus dikonversi menjadi nama
yang sama dan format yang disepakati bersama. Dengan demikian tidak ada lagi
kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data
tersebut bisa dikategorikan sebagai data yang terintegrasi karena
kekonsistenannya.
|
 |
- Time-variant (Rentang Waktu)
Seluruh
data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu
tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan
suatu data warehouse, kita dapat menggunakan cara antara lain :
Ø Cara yang
paling sederhana adalah menyajikan data warehouse pada rentang waktu tertentu,
misalnya antara 5 sampai 10 tahun ke depan.
Ø Cara yang
kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan dalam data
warehouse baik implicit maupun explicit secara explicit dengan unsur waktu dalam
hari, minggu, bulan dsb. Secara implicit misalnya pada saat data tersebut
diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu akan
tetap ada secara implisit didalam data tersebut.
Ø Cara yang
ketiga,variasi waktu yang disajikan data warehouse melalui serangkaian snapshot
yang panjang. Snapshot merupakan tampilan dari sebagian data tertentu sesuai
keinginan pemakai dari keseluruhan data yang ada bersifat read-only.
 |
|
||||||||||
|
|||||||||||
|
|
||||||||||
Current value data:
-
time horizon :60-90
days
-
key may or may not
have an element of time
-
data can be update
Snapshot data:
-
time horizon :5-10
years
-
key contain an
element of time
-
once snapshot is
created, record cannot be update
Time
Variance Data Warehouse
Sumber
:
http://www.cait.wustl.edu/papers/prism/vol1_no1/time_variance/home.html
|
Current value data:
-
time horizon :60-90
days
-
key may or may not
have an element of time
-
data can be update
|
|
Snapshot data:
-
time horizon :5-10
years
-
key contain an
element of time
-
once snapshot is
created, record cannot be update
|
|
Time
Variance Data Warehouse
Sumber
:
http://www.cait.wustl.edu/papers/prism/vol1_no1/time_variance/home.html
|
- Non-Volatile
Karakteristik
keempat dari data warehouse adalah non-volatile,maksudnya data pada data
warehouse tidak di-update secara real time tetapi di refresh
dari sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen bagi database
itu sendiri dari pada sebagai sebuah perubahan. Database tersebut secara
kontinyu menyerap data baru ini, kemudian secara incremental disatukan dengan
data sebelumnya.
Berbeda
dengan database operasional yang dapat melakukan update,insert dan delete
terhadap data yang mengubah isi dari database sedangkan pada data warehouse
hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data)
dan akses data (mengakses data warehouse seperti melakukan query atau
menampilan laporan yang dibutuhkan, tidak ada kegiatan updating data).
|
 |
II.1 Perlunya Data Warehouse
Seperti
pengertian-pengertian yang kita sebutkan sebelumnya, data warehouse 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 warehouse adalah khusus untuk membuat suatu database yang
dapat digunakan untuk mendukung proses analisa bagi para pengambil keputusan.
II.2 Tugas-tugas Data warehouse
Ada
empat tugas yang bisa dilakukan dengan adanya data warehouse
Menurut Williams, keempat tugas tersebut
yaitu:
- Pembuatan laporan
Pembuatan
laporan merupakan salah satu kegunaan data warehouse yang paling umum
dilakukan. Dengan menggunakan query sederhana didapatkan laporan
perhari,perbulan, pertahun atau jangka waktu kapanpun yang diinginkan.
- On-Line Analytical Processing (OLAP)
Dengan adanya data warehouse,semua
informasi baik detail maupun hasil summary yang dibutuhkan dalam proses analisa
mudah didapat.
OLAP mendayagunakan konsep data multi
dimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa
mengetikkan satupun perintah SQL. Hal ini dimungkinkan karena pada konsep multi
dimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan
fungsi yang berbeda. Fasilitas lain yang ada pada sofware OLAP adalah fasilitas
rool-up dan drill-down. Drill-down adalah kemampuan untuk melihat detail dari
suatu informasi dan roll-up adalah kebalikannya.
- Data mining
Data mining merupakan proses untuk
menggali(mining) pengetahuan dan informasi baru dari data yang berjumlah banyak
pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial
Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan
dapat menjembatani komunikasi antara data dan pemakainya.
Beberapa solusi yang diberikan data mining
antara lain :
1.
Menebak
target pasar
Data mining dapat
mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi
terhadap setiap pembeli dan melakukan klasifikasi terhadap setiap pemebeli
sesuai dengan karakteristik yang diinginkan.
2.
Melihat
pola beli dari waktu ke waktu
Data mining dapat
digunakan untuk melihat pola beli dari waktu ke waktu.
3.
cross-market
analysis
Data mining dapat
dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.
4.
Profil
pelanggan
Data mining bisa
membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui
kelompok pembeli tertentu cenderung kepada suatu produk apa saja.
5.
Informasi
summary
Data mining dapat
membuat laporan summary yang bersifat multi dimensi dan dilengkapi dengan
informasi statistik lainnya.
- Proses informasi executive
Data
warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat
keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan
data warehouse segala laporan telah diringkas dan dapat pula mengetahui segala
rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan.
Informasi dan data pada laporan data warehouse menjadi target informative bagi
user.
II.3. Keuntungan Data Warehouse
Data warehouse
merupakan pendekatan untuk menyimpan data dimana sumber-sumber data yang
heterogen(yang biasanya tersebar pada beberapa database OLTP) dimigrasikan
untuk penyimpanan data yang homogen dan terpisah. Keuntungan yang didapatkan
dengan menggunakan data warehouse tersebut dibawah ini (Ramelho).
Ø Data
diorganisir dengan baik untuk query analisis dan sebagai bahan untuk
pemrosesan transaksi.
Ø Perbedaan
diantara struktur data yang heterogen pada beberapa sumber yang terpisah dapat
diatasi.
Ø Aturan untuk
transformasi data diterapkan untuk memvalidasi dan mengkonsolidasi data apabila
data dipindahkan dari database OLTP ke data warehouse.
Ø Masalah
keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah sistem produksi.
Membangun data warehouse tentu saja
memberikan keuntungan lebih bagi suatu perusahaan, karena data warehouse dapat
memberikan keuntungan strategis pada perusahaan tersebut melebihi
pesaing-pesaing mereka. Keuntungan tersebut diperoleh dari beberapa sumber
(Sean Nolan,Tom Huguelet):
Ø Kemampuan
untuk mengakses data yang besar
Ø Kemampuan
untuk memiliki data yang konsistent
Ø Kemampuan
kinerja analisa yang cepat
Ø Mengetahui
adanya hasil yang berulang-ulang
Ø Menemukan
adanya celah pada business knowledge atau business process.
Ø Mengurangi
biaya administrasi
Ø Memberi
wewenang pada semua anggota dari perusaahan dengan menyediakan kepada mereka
informasi yang dibutuhkan agar kinerja bisa lebih efektif.
BAB
III
III.1. Menentukan Bentuk Data Warehouse
Data
warehouse memiliki berbagai macam bentuk yang
sering digunakan. Jadi sebelum membangun suatu data warehouse kita harus
memutuskan bentuk data warehouse seperti apa yang dibutuhkan oleh aplikasi yang
kita rancang.
III.2. Anatomi Data Warehouse
Penerapan
awal dari arsitektur data warehouse dibuat berdasarkan konsep bahwa data warehouse mengambil
data dari berbagai sumber dan memindahkannya ke dalam pusat pengumpulan data
yang besar. Konsep ini sebenarnya lebih cenderung kepada sebuah lingkungan mainframe yang terpusat.
Keunggulan teknologi Client Server memungkinkan data warehouse diterapkan dalam berbagai macam cara untuk menampung kebutuhan pemakai
sistem secara lebih proposional. Dalam suatu kasus, misalkan saja pemakai
tertentu perlu menggabungkan data dari sebuah sistem pengumpulan data yang
statis dengan data dari sistem operasional yang dinamis hanya dengan sebuah query saja.
Berikut ini adalah tiga jenis dasar sistem Data Warehouse :
1. Functional Data Warehouse (Data Warehouse Fungsional)
Kata operasional disini merupakan database yang diperoleh
dari kegiatan sehari-hari. Data warehouse dibuat lebih dari satu dan
dikelompokkan berdasar fungsi-fungsi yang ada di dalam perusahaan seperti
fungsi keuangan(financial),marketing,personalia dan lain-lain.
Keuntungan dari bentuk data warehouse seperti ini adalah,
sistem mudah dibangun dengan biaya relatif murah sedangkan kerugiannya adalah
resiko kehilangan konsistensi data dan terbatasnya kemampuan dalam pengumpulan
data bagi pengguna.
 |
|
2. Centralized Datawarehouse (Data Warehouse Terpusat)
Bentuk ini terlihat seperti bentuk data warehouse
fungsional, namun terlebih dahulu sumber data dikumpulkan dalam satu tempat
terpusat, kemudian data disebar ke dalam fungsinya masing-masing, sesuai
kebutuhan persuhaan. Data warehouse terpusat ini, biasa digunakan oleh
perusahaan yang belum memiliki jaringan eksternal.
Keuntungan dari bentuk ini adalah data benar-benar terpadu karena konsistensinya yang tinggi sedang kerugiannya adalah biaya yang mahal serta memerlukan waktu yang cukup lama untuk membangunnya.
|
3. Distributed Data Warehouse (Data Warehouse terdistribusi)
Pada data warehouse terdistribusi ini, digunakan gateway
yang berfungsi sebagai jembatan penghubung antara data warehouse dengan
workstation yang menggunakan sistem beraneka ragam. Dengan sistem terdistribusi
seperti ini memungkinkan perusahaan dapat mengakses sumber data yang berada
diluar lokasi perusahaan(eksternal).
Keuntungannya adalah data tetap konsisten karena sebelum data digunakan data terlebih dahulu di sesuaikan atau mengalami proses sinkronisasi. Sedangkan kerugiannya adalah lebih kompleks untuk diterapkan karena sistem operasi dikelola secara terpisah juga biaya nya yang paling mahal dibandingkan dengan dua bentuk data warehouse lainnya.
III.3 Arsitektur dan Infrastruktur Data Warehouse
III.3.1. Arsitekur Data Warehouse
Menurut Poe, arsitektur adalah sekumpulan atau struktur
yang memberikan kerangka untuk keseluruhan rancangan suatu sistem atau produk. Ada arsitektur client-server,arsitektur
networking dan masih banyak
arsitektur lainnya. Arsitektur data menyediakan kerangka dengan
mengidentifikasikan dan memahami bagaimana data akan pindah melalui sistem dan
digunakan dalam perusahaan. Arsitektur data untuk data warehouse mempunyai
komponen utama yaitu read-only database.
Karakterisitik arsitektur data warehouse (Poe) :
1.
Data diambil dari sistem asal (sistem informasi yang
ada), database dan file.
2.
Data dari sistem asal diintegrasikan dan ditransformasi
sebelum disimpan ke dalam Database Management System (DBMS) seperti
Oracle,Ms SQL Server, Sybase dan masih banyak yang lainnya.
3.
Data warehouse merupakan sebuah
database terpisah bersifat hanya dapat dibaca
yang dibuat khusus untuk mendukung pengambilan keputusan
4.
Pemakai mengakses data warehouse melalui aplikasi front
end tool
Arsitektur dan komponen utama dari data warehouse dapat
dilihat pada gambar berikut ini :
Sumber :
Conolly,T.M.,Begg
a. Operational
Data
Sumber data dari data warehouse dapat diambil
langsung dari mainframe, basis data relasional seperti Oracle, Ms SQL
server dan sebagainya. Selain itu dapat melaluo Operational Data Source(ODS).
ODS menampung data yang diekstrak dari sistem utama atau sumber-sumber data
yang ada dan kemudian data hasil ekstrasi tersebut dibersihkan.
b.
Load manager
Load manager juga
disebut sebagai komponen front-end yang bertugas melakukan seluruh operasi yang
berhubungan dengan ekstrasi dan me-load data ke warehouse.
c.
Warehouse Manager
Warehouse manager melakukan seluruh
operasi-operasi yang berhubungan dengan kegiatan manajemen data di dalam warehouse.
Operasi-operasi tersebut meliputi :
Ø Analisis
terhadap data untuk memastikan konsistensi
Ø Transformasi
dan penggabungan sumber data dari tempat penyimpanan sementara menjadi
tabel-tabel data warehouse.
Ø Penciptaan
indeks-indeks dan view berdasarkan tabel-tabel dasar
Ø Melakukan
denormalisasi dan agregasi jika diperlukan
Ø Backing-Up dan
mengarsipkan data
d.
Query manager
Query manager juga disebut komponen back-end, melakukan
operasi-operasi yang berhubungan dengan manajemen user queries. Operasi-operasi
yang dilakukan oleh komponen ini termasuk mengarahkan query kepada
tabel-tabel yang tepat dan menjadwalkan eksekusi dari query tersebut.
e.
End-user Access Tools
Prinsip atau tujuan utama dari dibangunnya data
warehouse adalah untuk menyediakan informasi bisnis kepada user-user untuk dapat melakukan pengambilan keputusan
secara cepat dan tepat.User ini
berinteraksi dengan warehouse melalui end-user access tools. Data
warehouse harus secara efisien
mendukung secara khusus kebutuhan user serta secara rutin melakukan
analisis. Performa yang baik dapat dicapai dengan merencanakan dahulu
keperluan-keperluan untuk melakukan joins,summations dan laporan-laporan
per periode dengan end-users.
Berdasarkan kategori yang
dikemukakan oleh Berson dan Smith terdapat lima grup utama dari tools tersebut,
antara lain :
1. Reporting and
query tools
2.
Application development tools
3. Executive
information System (EIS) tools
4. Online
Analytical Processing (OLAP) tools
5. Data mining
tools
Arsitektur dan infrastruktur dari data warehouse sangat
erat hubungannya dan satu dengan lainnya saling berkaitan.
III.3.2. Infrastruktur Data Warehouse
Infrastruktur data warehouse adalah software,
hardware, pelatihan dan komponen-komponen lainnya yang memberikan dukungan yang
dibutuhkan untuk mengimplementasikan data warehouse(Poe).
Salah satu instrumen yang mempengaruhi keberhasilan
pengembangan data warehouse adalah pengidentifikasian arsitektur mana
yang terbaik dan infrasruktur apa yang dibutuhkan. Arsitektur yang sama,
mungkin memerlukan infrastruktur yang berbeda, tergantung pada lingkunan
perusahaan ataupun organisasi.
III.4. Struktur Data Warehouse
Seperti yang kita lihat sebelumnya pada arsitektur data
warehouse, ada beberapa struktur yang spesifik terdapat pada bagian warehouse
manager. Bagian tersebut merupakan struktur data warehouse.
Menurut Poe, Vidette, data warehouse memiliki struktur
yang spesifik dan mempunyai perbedaan
dalam tingkatan detail data dan
umur data.
|
Komponen dari struktur data warehouse adalah:
Ø Current detail
data
Current detail data merupakan data detil
yang aktif saat ini,mencerminkan keadaan yang sedang berjalan dan merupakan level
terendah dalam data warehouse. Didalam area ini warehouse menyimpan
seluruh detail data yang terdapat pada skema basis data. Jumlah data sangat
besar sehingga memerlukan storage yang besar pula dan dapat diakses
secara cepat. Dampak negatif yang ditimbulkan adalah kerumitan untuk mengatur
data menjadi meningkat dan biaya yang diperlukan menjadi mahal.
Berikut ini beberapa alasan mengapa current detail
data menjadi perhatian utama :
1.
Menggambarkan kejadian yang baru terjadi dan selalu
menjadi perhatian utama
2.
Sangat banyak jumlahnya dan disimpan pada tingkat
penyimpanan terendah.
3.
Hampir selalu disimpan dalam storage karena cepat
di akses tetapi mahal dan kompleks dalam
pengaturannya.
4.
Bisa digunakan dalam membuat rekapitulasi sehingga current
detail data harus akurat.
Ø Older detail
data
Data ini merupakan data historis dari current detail
data, dapat berupa hasil cadangan atau archive data yang disimpan dalam storage
terpisah. Karena bersifat back-up(cadangan), maka biasanya data
disimpan dalam storage alternatif seperti tape-desk.
Data ini biasanya memilki tingkat frekuensi akses yang
rendah. Penyusunan file atau directory dari data ini di susun
berdasarkan umur dari data yang bertujuan mempermudah untuk pencarian atau
pengaksesan kembali.
Ø Lighlty summarized
data
Data ini merupakan ringkasan atau rangkuman dari current
detail data. Data ini dirangkum berdasar periode atau dimensi lainnya
sesuai dengan kebutuhan.
Ringkasan dari current detail data belum bersifat total summary.Data-data
ini memiliki detil tingkatan yang lebih tinggi dan mendukung kebutuhan warehouse
pada tingkat departemen. Tingkatan data ini di sebut juga dengan data
mart. Akses terhadap data jenis ini banyak
digunakan untuk view suatu kondisi yang sedang atau sudah berjalan.
Ø Highly summarized
data
Data ini merupakan tingkat lanjutan dari Lightly
summarized data, merupakan hasil ringkasan yang bersifat totalitas, dapat
di akses misal untuk melakukan analisis perbandingan data berdasarkan urutan
waktu tertentu dan analisis menggunakan data multidimensi.
Ø Metadata
Metadata bukan merupakan data hasil kegiatan
seperti keempat jenis data diatas. Menurut Poe, metadata adalah ‘data tentang
data’ dan menyediakan informasi tentang struktur data dan hubungan antara
struktur data di dalam atau antara storage(tempat penyimpanan data).
Metadata berisikan data yang menyimpan proses
perpindahan data meliputi database structure,contents,detail data dan summary
data, matrics,versioning, aging criteria,versioning, transformation criteria.
Metadata khusus dan memegang peranan yang sangat penting dalam data warehouse.
Metadata sendiri mengandung :
Ø Struktur data
Sebuah
direktori yang membantu user untuk melakukan analisis Decission Support
System dalam pencarian letak/lokasi dalam data warehouse.
Ø Algoritma
Algoritma
digunakan untuk summary data. Metadata sendiri merupakan panduan untuk
algoritma dalam melakukan pemrosesan summary data antara current
detail data dengan lightly summarized data dan antara lightly
summarized data dengan hightly summaried data.
Ø Mapping
Sebagai
panduan pemetaan(mapping) data pada saat data di transform/diubah dari
lingkup operasional menjadi lingkup data warehouse.
III.5 Metodologi Perancangan Database untuk Data Warehouse
Menurut
Kimball ada sembilan tahap metodologi dalam perancangan database untuk data
warehouse, yaitu :
Langkah
1 : Pemilihan proses
Ø Data mart yang pertama kali dibangun
haruslah data mart yang dapat dikirim tepat waktu dan dapat menjawab semua
pertanyaan bisnis yang penting
Ø Pilihan terbaik untuk data mart yang
pertama adalah yang berhubungan dengan sales, misal property sales,
property leasing,property advertising.
Langkah 2 : Pemilihan sumber
Ø Untuk memutuskan secara pasti apa yang
diwakili atau direpresentasikan oleh sebuah tabel fakta.
Ø Misal, jika sumber dari sebuah tabel fakta
properti sale adalah properti sale individual maka sumber dari sebuah dimensi
pelanggan berisi rincian pelanggan yang membeli properti utama
Langkah 3 : Mengidentifikasi
dimensi
Ø Set dimensi yang dibangun dengan baik,
memberikan kemudahan untuk memahami dan menggunakan data mart
Ø Dimensi ini penting untuk menggambarkan
fakta-fakta yang terdapat pada tabel fakta
Ø Misal, setiap data pelanggan pada tabel
dimensi pembeli dilengkapi dengan
id_pelanggan,no_pelanggan,tipe_pelanggan,tempat_tinggal, dan lain sebagainya.
Ø Jika ada dimensi yang muncul pada dua data
mart,kedua data mart tersebut harus berdimensi sama,atau paling tidak salah
satunya berupa subset matematis dari yang lainnya.
Ø Jika sebuah dimensi digunakan pada dua
data mart atau lebih,dan dimensi ini tidak disinkronisasi,maka keseluruhan data
warehouse akan gagal, karena dua data mart tidak bisa digunakan secara
bersama-sama
Langkah 4 : Pemilihan fakta
Ø Sumber dari sebuah tabel fakta menentukan
fakta mana yang bisa digunakan dalam data mart.
Ø Semua fakta harus diekspresikan pada
tingkat yang telah ditentukan oleh sumber
Langkah 5 : Menyimpan
pre-kalkulasi di tabel fakta
Ø Hal ini terjadi apabila fakta kehilangan
statement
Langkah 6 : Melengkapi tabel
dimensi
Ø Pada tahap ini kita menambahkan keterangan
selengkap-lengkapnya pada tabel dimensi
Ø Keterangannya harus bersifat intuitif dan
mudah dipahami oleh pengguna
Langkah 7 : Pemilihan durasi
database
Ø Misalnya pada suatu perusahaan asuransi,
mengharuskan data disimpan selama 10 tahun atau lebih
Langkah 8 : Menelusuri
perubahan dimensi yang perlahan
Ø Ada tiga tipe perubahan dimensi yang
perlahan, yaitu :
o
Tipe
1. Atribut dimensi yang telah berubah tertulis ulang
o
Tipe
2. Atribut dimensi yang telah berubah menimbulkan sebuah dimensi baru
o
Tipe
3. Atribut dimensi yang telah berubah menimbulkan alternatif sehingga nilai
atribut lama dan yang baru dapat diakses secara bersama pada dimensi yang sama.
Langkah 9 : Menentukan
prioritas dan mode query
Ø Pada tahap ini kita menggunakan
perancangan fisik.
Dengan
langkah-langkah tadi, seharusnya kita bisa membangun sebuah data warehouse yang
baik.
III.6. Model untuk Data Warehouse
Berikut di
bawah ini adalah penjelasan dari model untuk data warehouse
III.6.1. Model Dimensional
Model dimensional merupakan rancangan logikal yang
bertujuan untuk menampilkan data dalam bentuk standar dan intuitif yang
memperbolehkan akses dengan performa yang tinggi.
Model dimensional menggunakan konsep model hubungan antar
entity (ER) dengan beberapa batasan yang penting. Setiap model dimensi terdiri
dari sebuah tabel dengan sebuah komposit primary key, disebut dengan table fakta, dan satu set
table yang lebih kecil disebut table dimensi. Setiap table dimensi memiliki
sebuah simple primary key yang
merespon tepat pada satu komponen primary key pada tabel fakta. Dengan
kata lain primary key pada table
fakta terdiri dari dua atau lebih foreign key. Struktur karakteristik
ini disebut dengan skema bintang atau join bintang.
Fitur terpenting dalam model dimensional ini adalah semua
natural keys diganti dengan kunci pengganti(surrogate keys). Maksudnya
yaitu setiap kali join antar table fakta dengan table dimensi selalu didasari
kunci pengganti. Kegunaan dari kunci pengganti adalah memperbolehkan data pada data
warehouse untuk memiliki beberapa kebebasan dalam penggunaan data, tidak
seperti halnya yang diproduksi oleh sistem OLTP.
Sebuah sistem OLTP memerlukan normalisasi untuk
mengurangi redudansi, validasi untuk input data, mendukung volume yang besar
dari transaksi yang bergerak sangat cepat. Model OLTP sering terlihat seperti
jaring laba-laba yang terdiri atas ratusan bahkan ribuan tabel sehingga sulit
untuk dimengerti.
Sebaliknya, dimension model yang sering digunakan pada data
warehouse adalah skema bintang atau snowflake yang mudah dimengerti
dan sesuai dengan kebutuhan bisnis, mendukung query sederhana dan menyediakan performa query yang
superior dengan meminimalisasi tabel-tabel join. Berikut contoh perbandingan
diagram antara model data OLTP dengan dimension table data warehouse :
Model data
OLTP
Dimension
Model
III.6.2.1. Schema Bintang
Skema bintang merupakan struktuk logikal yang memiliki
tabel fakta yang terdiri atas data faktual ditengahnya, dan dikelilingi oleh
tabel-tabel dimensi yang berisi referensi data.
Jenis-jenis Skema Bintang
1.
Skema bintang sederhana
Dalam skema
ini, setiap table harus memiliki primary key yang terdiri dari satu
kolom atau lebih.
Primary
key dari table fakta
terdiri dari satu atau lebih foreign key.Foreign key merupakan primary
key pada table lain.
2.
Skema
bintang dengan banyak table fakta
Skema
bintang juga bisa terdiri dari satu atau lebih table fakta. Dikarenakan karena
table fakta tersebut ada banyak, misalnya disamping penjualan terdapat table
fakta forecasting dan result. Walaupun terdapat lebih dari satu
table fakta, mereka tetap menggunakan table dimensi bersama-sama.
Adapun
ketentuan dalam pembacaan skema bintang adalah :
Ø Bagian yang
ada di bawah judul tabel merupakan kolom-kolom tabel tersebut
Ø Primary key
dan Foreign key diberi kotak
Ø Primary key
diarsir sedang Foreign key yang bukan primary tidak
Ø Foreign key
yang berhubungan ditunjukkan dengan garis yang menghubungkan tabel.
Kolom
yang bukan kunci disebut kolom data pada table fakta dan atribut pada table
dimensi
III.6.2.3 Snowflake Schema
Merupakan varian dari skema bintang dimana table-table
dimensi tidak terdapat data yang di denormalisasi. Dengan kata lain satu atau
lebih table dimensi tidak bergabung secara langsung kepada table fakta tapi pada
table dimensi lainnya. Sebagai contoh,
sebuah dimensi yang mendeskripsikan produk dapat dipisahkan menjadi tiga table (snowflaked)
seperti contoh dibawah ini :
Snowflake
Schemes
III.6.2.4. Star atau Snowflake
Keduanya merupakan model-model dimensional, perbedaannya
terletak pada implementasi fisikal. Skema snowflake memberi kemudahan pada
perawatan dimensi, dikarenakan strukturnya yang lebih normalisasi. Sedangkan
skema bintang lebih efisien serta sederhana dalam membuat query dan mudah diakses secara langsung oleh pengguna.
Adapun starflake merupakan gabungan diantara keduanya.
Keuntungan menggunakan masing-masing model tersebut dalam data warehouse antara
lain :
Ø Efisien dalam
hal mengakses data
Ø Dapat
beradaptasi terhadap kebutuhan-kebutuhan user
Ø Bersifat
fleksibel terhadap perubahan yang terjadi khususnya perubahan yang mengarah
pada perkembangan
Ø Memiliki
kemampuan dalam memodelkan situasi bisnis secara umum
Ø Meskipun skema
yang dihasilkan sangat kompleks, tetapi pemrosesan query dapat diperkirakan,
hal ini dikarenakan pada level terendah, setiap table fakta harus di query
secara independen.
IV.1. Definisi Decision Support System
Istilah dari decision support system
telah digunakan dengan banyak cara (Alter 1980) dan menerima banyak definisi
yang berbeda menurut pandangan dari sang penulis (Druzdzel dan Flynn 1999).
Finlay (1994) dan lainnya mendefiniskan DSS kurang lebih sebagai sebuah sistem
berbasis komputer yang membantu dalam proses pengambilan keputusan.
Turban (1995) mendefinisikan secara lebih
spesifik dengan, sesuatu yang interaktif,flexible dan dapat menyesuaikan diri(adaptable)
dari sistem informasi berdasarkan komputer, khususnya pengembangan untuk
mendukung pemecahan masalah dari non-struktur management, untuk meningkatkan
pengambilan keputusan. Dengan menggunakan data, mendukung antar muka yang mudah
digunakan dan memberikan wawasan untuk sang pengambil keputusan.
Definisi lainnya bisa jadi gugur
dibandingkan dengan dua pandangan ekstrim berikut, Keen dan Scott Morton
(1978), DSS adalah dukungan berdasar kan komputer untuk para pengambil keputusan management
yang berurusan dengan masalah semi-struktur. Sprague dan Carlson (1982), DSS
adalah sistem berdasarkan komputer
interaktif yang membantu para pengambil keputusan menggunakan data dan model-model untuk
memecahkan masalah yang tak terstruktur(unstructured problem). Menurut Power
(1997), istilah DSS mengingatkan suatu yang berguna dan istilah inklusif untuk
banyak jenis sistem informasi yang mendukung pembuatan pengambilan keputusan.
Dia dengan penuh humor menambahkan bahwa jika suatu sistem komputer yang bukan
OLTP, seseorang akan tergoda untuk menyebutnya sebagai DSS.
Seperti yang kita lihat, DSS memiliki banyak
arti dengan maksud yang kurang lebih hampir sama, yaitu suatu sistem komputer
yang berguna bagi para pengambil keputusan untuk memecahkan masalah mereka yang
kurang lebih berhadapan dengan masalah non-struktur atau semi-struktur.
IV.2. Hubungan antar DSS dengan Data Warehouse
Setelah
kita lihat dan selami tentang data warehouse, kita dapat menyimpulkan bahwa
data warehouse adalah sebuah model database yang berguna untuk menyimpan dan
memproses data dengan pendekatan kepada kegunaan data dalam pengambilan
keputusan bagi EIS atau DSS.
Sebuah
DSS (tergantung dengan yang disupport-nya)membutuhkan data warehouse agar dapat
menjalankan kerjanya dengan baik. Dan memang data warehouse sendiri dibangun
untuk memenuhi kebutuhan DSS.
IV.3. Contoh Data Warehouse Yang Ada
Contoh
dari data warehouse yang digunakan bersamaan dengan DSS, misalkan saja pegawai
peminjaman bank memverikasi data peminta pinjaman atau suatu perusahaan
engineer melakukan tawar menawar dalam beberapa project dan ingin tahu jika dia
bisa kompetitive dalam harga terhadap para pesaingnya.
Contoh
yang lain masih lebih banyak lagi, yang kesemuanya membutuhkan kecepatan dalam
pengambilan keputusan dan kemudahan dalam penggunaannya.
Bab V
V.1. Kesimpulan
Data warehouse merupakan suatu cara/metode dari suatu
database yang berorientasi kepada subjek, non-volatile, time-variance dan
terintegrasi yang digunakan untuk mempermudah para pengambil keputusan dalam
memecahkan masalah.
Keberadaan data warehouse sangat penting sebagai tools
dari DSS, karena data warehouse memang digunakan untuk itu. Dengan adanya data
warehouse, diharapkan suatu perusahaan dapat lebih unggul dari kompetitornya
dan lebih jeli lagi dalam melihat peluang pasar.
Conolly,Thomas dan Begg Carolyn(2002). Database
systems – A Practical Approach to Design, Implementation and Management, edisi-3.
Addison Wesley Longman.Inc., USA
Fatansyah(2002). Buku Teks Ilmu Komputer – Basis Data,
cetakan-4. Informatika
Inmon, W.H.(2002). Building the Data Warehouse,edisi-3.
Wiley Computer Publishing.
Kimball,R.,Merz, R (1998). The Data Warehouse
Lifecycle Toolkit. Expert Methods for Designing, Developing and Deploying Data
Warehouses. Wiley Computer Publishing, Canada.
Mcleod,Raymond(1996). Sistem Informasi Manajemen, Jilid-1.
Terjemahan Teguh,H. PT. Prenhallindo, Jakarta.
Nolan,Sean And Huguelet, Tom(2000).Microsoft SQL
Server 7.0 Data Warehousing Training Kit. Microsoft Prees, USA
Poe, Vidette(1998). Building Data Warehouse for
Decision Support, edisi-2. Prentice Hall.
Tidak ada komentar:
Posting Komentar