Data WareHousing and Online Analytical Processing (OLAP)

DATA WAREHOUSING
AND
ONLINE ANALYTICAL PROCESSING (OLAP)

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 keputusan 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
  
• 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 OLAP
  
• 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 à
  Product (pid),                           Location (locid), Time (timeid)
  

           nilai à
  Sales
  

• Multidimensional Data Model (2)
  

  
   

                  
  

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

  
   

      PRODUCT            TIME            LOCATION

•   year                               
• quarter         
•   country  
•  Category                      
• 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 satu
  

      atau banyak dimensi.