PSIT

Tentang Mata Kuliah Perancangan Sistem Informasi Terstruktur Dosen Bapak Sholiq, S.T., M.Kom., M.SA.

semester ini saya mengikuti kuliah Perancangan Sistem Informasi Terstruktur (baca:PSIT), berikut yang dapat saya tuliskan dalam blog saya :

Definisi  sistem terstruktur adalah proses menguraikan sebuah program secara detail sehingga lebih mudah dipahami dan dapat di temukan sebuah solusi untuk memecahkan masalah suatu program.Sistem Terstruktur adalah salah satu bentuk pendekatan formal yang pertama dalam sistem informasi. Analisis ini terfokus pada aliran data, proses bisnis dan perangkat lunak.

Analisis terstruktur adalah metode pemodelan klasik. Dimana analisis terstruktur ini merupakan aktifitas pembangunan model.

Berikut cara dalam perancangan sistem informasi terstruktur, diantaranya :

• 1.      Conceptual Data Model (CDM)
• 2.      Physical Data Model (PDM)
• 3.      Context Diagram
• 4.      Pemodelan Data Flow Diagram (DFD)
• 5.      Desain Graphical User Interface (GUI)

Berikut ini Penjelasan detailnya

Conceptual Data Model atau biasa di sebut CDM. CDM memodelkan struktur logis dari keseluruhan aplikasi data, tidak tergantung pada software atau pertimbangan model struktur data. CDM yang valid dapat dikonversi ke PDM atau OOM. CDM dalam penerapannya dapat di samakan dengan ERD yang fungsinya memang sama yaitu memodelkan struktur logik dari basis data. CDM dipakai untuk menggambarkan secara detail struktur basis data dalam bentuk logik. CDM terdiri dari objek yang tidak diimplementasikan secara langsung kedalam basis data yang sesungguhnya.

Ø  LANGKAH – LANGKAH UNTUK MEMBUAT CDM

-          Pahami terlebih dahulu inti   permasalahan dari kasus yang diberikan,

-          Tentukan entity apa saja yang terlibat.

-          Tentukan atribut-atribut data untuk setiap entity berikut tipe datanya.

-          Tentukan hubungan/keterkaitan antar tiap entity berikut kardinalitasnya.

-          Modelkan Entity dan Relationship

-          Cek kebenaran model

-          Perbaiki setiap error dan warning

Ø   JENIS – JENIS OBJEK DALAM CDM

• Entity : Untuk membuat entitas, klik item pada palette dengan label Entity, kemudian klik space putih di sebelah kanan. Untuk membuat beberapa entitas, klik terus sebanyak jumlah entitas yang dibutuhkan.
• Relationship : Untuk membuat relasi antara 2 buah entitas, klik item pada palette dengan label Relationship, kemudian hubungkan kedua entitas. Beri nama pada relasi yang sudah anda buat dengan melakukan double klik pada relasi dan mengisi nama pada fieldName pada tab General.
• Inheritance : Untuk membuat inheritance dari sebuah entitas, terlebih dahulu buat entitas-entitas lain yang merupakan child dari entitas parent. Lalu klik item pada palette dengan label inheritance, hubungkan entitas parent dengan salah satu entitas child. Untuk menghubungkan entitas child yang lain, tarik garis antara lambang inheritance (bentuk setengah lingkaran) dengan entitas child. Kemudian beri nama pada inheritance anda

PENGERTIAN PDM

Physical Data Model atau yang biasa disebut PDM. PDM merupakan representasi fisik dari database yang akan dibuat dengan mempertimbangkan DBMS yang akan digunakan. PDM dapat dihasilkan (di-generate) dari CDM yang valid. PDM dalam penerapannya dapat di samakan dengan Skema Relasi yang fungsinya adalah memodelkan struktur fisik dari suatu basis data.Merupakan gambaran secara detail suatu basis data dalam bentuk fisik. PDM memperlihatkan struktur penyimpanan data yang benar pada basis data yang digunakan sesungguhnya.

Ø   LANGKAH – LANGKAH UNTUK MEMBUAT PDM

-          Buka file CDM yang sudah jadi.

-          Dari Tools pilih Generate Physical Data Model. Pilih DBMS yang akan digunakan.

-          Setelah klik OK, PDM akan di generate secara otomatis.

-          Tambahkan atribut pada tabel baru yang dihasilkan (jika ada).

Ø  JENIS – JENIS OBJEK DALAM PDM

-          Table

-          View

-          Reference

Diagram Konteks adalah aliran yang memodelkan hubungan antara sistem dengan entitas luar di luar sistem, yang direpresentasikan dengan lingkaran tunggal yang mewakili keseluruhan siklus. Aliran dalam diagram konteks memodelkan masukan ke sistem dan sistem harus memberikan respon untuk menggambarkan transportasi antar sistem dan entitas luar.

Diagram Konteks menyoroti sejumlah karakteristik penting sistem yaitu:

Kelompok pemakai (User), organisasi atau sistem lain, dimana sistem kita melakukan komunikasi yang disebut juga sebagai terminator.

Data masuk (input), data yang diterima sistem dari lingkungan dan harus diproses dengan cara tertentu.

Data keluar (output), data yang dihasilkan sistem kita dan diberikan ke dunia luar.

Penyimpanan data (data store), yang digunakan secara bersama antara sistem kita dengan terminator. Data ini dapat dibuat oleh sistem dan digunakan oleh lingkungan atau sebaliknya.

Batasan antara sistem dan lingkungan (rest of the world).

Diagram Konteks adalah aliran yang memodelkan hubungan antara sistem dengan entitas luar di luar sistem, yang direpresentasikan dengan lingkaran tunggal yang mewakili keseluruhan siklus. Aliran dalam diagram konteks memodelkan masukan ke sistem dan sistem harus memberikan respon untuk menggambarkan transportasi antar sistem dan entitas luar.

Diagram Konteks menyoroti sejumlah karakteristik penting sistem yaitu:

Kelompok pemakai (User), organisasi atau sistem lain, dimana sistem kita melakukan komunikasi yang disebut juga sebagai terminator.

Data masuk (input), data yang diterima sistem dari lingkungan dan harus diproses dengan cara tertentu.

Data keluar (output), data yang dihasilkan sistem kita dan diberikan ke dunia luar.

Penyimpanan data (data store), yang digunakan secara bersama antara sistem kita dengan terminator. Data ini dapat dibuat oleh sistem dan digunakan oleh lingkungan atau sebaliknya.

Batasan antara sistem dan lingkungan (rest of the world).

Data Flow Diagram (DFD)

Pengertian Data Flow Diagram (DFD) adalah representasi grafik dari sebuah sistem. DFD menggambarkan komponen – komponen sebuah sistem, aliran-aliran data di mana

komponen – komponen tersebut, dan asal, tujuan, dan penyimpanan dari data tersebut. DFD dapat digambarkan dalam Diagram Context dan Level n. Huruf n dapat menggambarkan level dan proses di setiap lingkaran.

Diagram Zero (diagram level 1) Diagram ini dibuat untuk menggambarkan tahapan proses lebih terperinci dari diagram kontek.

Diagram Primitif / Detail ( diagram level 2 ) Diagram ini dibuat untuk menggambarkan arus data secara lebih mendetail lagi dari tahapan proses yang ada di dalam diagram nol.

Komponen DFD

Ada 4 simbol yang digunakan dalam DFD yaitu : Terminator / Kesatuan Luar Terminator mewakili entitas eksternal yang berkomunikasi dengan sistem yang sedang dikembangkan. Komponen terminator digambarkan sebagai berikut :

        Proses (Process)

      Suatu kegiatan sistem yang mentransformasikan dari masukkan ke keluaran. Komponen Proses           digambarkan sebagai berikut :

       Simpanan Data (Data Store)

       Simpanan data merupakan simpanan dari data yang dapat berupa :

- suatu file database

- suatu arsip atau catatan manual

pengertian GUI

GUI atau singkatan dari Graphical User Interface yang memungkinkan pengguna untuk berinteraksi dengan perangkat keras komputer serta memudahkan dalam mengoperasikan sebuah sistem operasi (user friendly). GUI adalah sarana penghubung antara si pengguna ( User ) dengan apa yang digunakannya.

pengertian GUI

GUI atau singkatan dari Graphical User Interface yang memungkinkan pengguna untuk berinteraksi dengan perangkat keras komputer serta memudahkan dalam mengoperasikan sebuah sistem operasi (user friendly). GUI adalah sarana penghubung antara si pengguna ( User ) dengan apa yang digunakannya.

Jadi, GUI merupakan antarmuka pada sistem operasi komputer yang menggunakan menu grafis. Menu grafis ini maksudnya terdapat tampilan yang lebih ditekankan untuk membuat sistem operasi yang user-friendly agar para pengguna lebih nyaman menggunakan komputer. Menu grafis itu ya seperti ada grafis-grafis atau gambar-gambar dan tampilan yang tujuannya untuk memudahkan para pengguna menggunakan suatu program aplikasi

              

 .

kelebihan dan kekurangan STAR SCHEMA

STAR SCHEMA 

disebut star schema karena entity relathionship diagram atau ERD nya yang meyerupai konstelasi bintang,beberapa intang besar (fact table) dikelilingi bintang bintang yang lebih kecil (dimnsion table). (wikimdia Foundation,Inc,2011)

Fact tabel menampung nilai nilai metric ynag direkam untuk suatu kejadian yang spesifik,sehubungan dengan tujuan untuk menampung data atomik,biasanya terdapat sejumlah besar record (jutaan).pengeloalaan khusus dilakukan untuk meminimalisasijumlah dan ukuran atribut dengan tujuan membatasi ukuran tabel keseluruhan dan mengatur performa.

fact table biasnya berupa transaksi trnsaksi (fakta-fakta mengenai kejadian tertentu,misalnya penjualan),snapshot (fakta fakta yang direkam pada suatu waktu tertentu,misalnya rincian akun awal bulan)

Dimension table biasanya memiliki reird yang lebih sedikit dibandingkan fact table tetapi biasnya meiliki jumlah atribut ang lebih besar untuk mendiskipsikan data fakta 

kelebihan STAR SCHEMA

menurut lane (2005,pp.19-3),kelebihan dari Star schema adalah

• menyediakan pemetaan langsung dan intuitif antara entitas-entitas bisnis yang sednag dianalisa oleh end users dan desain schema
• menyediakan performa teroptmasi untuk star query umum
• didukung oleh banyak business intelegence tools,yang dapat melakukan antisipasi atau bahkan membutuhkan agar schema data warehouse berisi tabel tabel dimensi

kekurangan STAR SCHEMA

• permasalahan yang sering timbul pada penggunaan star schema adalah muculnya redudansi di dalam tabel dimensi
• maintenance dan update lebih sulit

sumber

1. http://supartod.wordpress.com/tag/star-schema/
2. Lane, P. (2005). Oracle Database Data Warehousing Guide, 10g Release 2 (10.2). Redwood City, CA 94065, U.S.: Oracle Corporation.
3. Oracle Corporation. (2010). Oracle Optimizer. Diambil kembali dari Oracle Blogs: http://blogs.oracle.com/optimizer/entry/star_transformation
4. Wikimedia Foundation, Inc. (2011). Star Schema. Diambil kembali dari Wikipedia: http://en.wikipedia.org/wiki/Star_schema

perubahan dari database menjadi star/snowflake schema pada sebuah minimarket

Studi Kasus Minimarket
Deskripsi Permasalahan

Sebuah  minimarket yang  menjual  berbagai  jenis  barang  kebutuhan  sehari-hari memiliki  sebuah sistem  informasi  untuk  mengelola  penjualan  secara  langsung (point  of  sales),  pengadaan barang,  dan stock  control.  Proses  bisnis  dalam penjualan barangnya dimulai pada saat customermemilih barang yang akan dibeli. Setelah  customer memutuskan  untuk  membeli  barang tersebut,  maka  kasir  akan meminta  informasi  tentang  identitas  customer untuk  dicatat  jika customer yang bersangkutan  terdaftar  sebagai  member.  Namun  jika  customer tersebut  bukanlah member  minimarket,  maka  data-data  customer akan  diabaikan.  Kemudian  kasir akan membuatkan nota penjualan barang. Setelah barang diterima oleh  customer, customer akan melakukan  pembayaran.  Proses  berakhir  ketika  kasir  memberikan bukti pembayaran kepada customer. Sistem informasi yang tersedia tidak melayani proses pengembalian barang dan pemesanan barang. Proses  bisnis  untuk  pembelian  barang  dari  supplier dimulai  ketika  pihak minimarketmenghubungi  supplierdan memesan barang.  Supplierkemudian akan membuatkan nota pembelian. Barang yang sudah dipesan lalu akan diantarkan ke minimarket.  Jika  barang  sudah diterima,  maka  proses  yang  terjadi  adalah pembayaran  dari  pihak  minimarket ke  pihak supplier. Setelah  semua  proses pembayaran  selesai,  supplier akan  memberikan  bukti pembayaran dan proses selesai.  Seperti  halnya  pada  proses  penjualan, proses  pembelian  tidak  menangani pengembalian barang kepada supplier. Untuk proses  stock control,  dilakukan proses pencatatan terhadap barang yang disupply, barang yang dibeli oleh  customerdan sisa barang yang ada di gudang per harinya. Hal ini dimaksudkan agar setiap keluar masuknya barang yang ada dapat terawasi dan menjaga barang selalu tersedia di gudang.

Perancangan ERD 

Berikut ini perancangan ERD untuk minimarkettersebut diatas

Perancangan Star Schema 

Star schemamerupakan salah satu alat pendukung pengambilan keputusan, maka dari itu perancangan star schemadisesuaikan dengan kebutuhan pihak manajerial dalam pengambilan suatu keputusan. Jika pihak manajerial membutuhkan data-data mengenai  penjualan  untuk  mengambil  keputusan tertentu,  maka  akan  dirancang star schemauntuk penjualan saja. Berikut adalah perancangan  star schema  untuk proses penjualan : 

Dari perancangan star schema diatas, yang berperan sebagai fact tableadalah tabel penjualan. Tabel penjualan disini merupakan penggabungan dari beberapa atribut dari  entitas  penjualan  dengan beberapa  atribut  dari entitas  detail_penjualan  pada ERD  yang  dirancang  sebelumnya. Penggabungan  ini  dapat  dilakukan  selagi  hal tersebut  dapat  mendukung  pengambilan keputusan. Tabel  penjualan  dijadikan sebagai  fact  table karena  tabel  penjualan  merupakan  tabel  utama yang  berisikan kumpulan  primary  key dari  tabel-tabel  lainnya.  Dimension  table untuk  skema diatas  adalah  tabel  customer,  tabel  barang,  dan  tabel  tanggal  karena  primary  key dari  tabel-tabel  tersebut  berhubungan  dengan  salah  satu  composite  key yang  ada pada fact table. Star schemauntuk pembelian akan dirancang jika manajer membutuhkan data-data pendukung pengambilan keputusan yang berhubungan dengan pembelian. Berikut ini merupakan perancangan star schema untuk proses pembelian : 

Pada  star schemadiatas yang berperan sebagai  fact tableadalah tabel pembelian sedangkan dimension  table-nya  adalah  tabel  supplier,  tabel  barang,  dan  tabel tanggal. Seperti pada star schemapenjualan, tabel pembelian dijadikan sebagai fact tablekarena tabel ini merupakan tabel utama yang berisikan kumpulan primary keydari tabel-tabel lainnya. Tabel pembelian disini juga merupakan penggabungan dari beberapa  field pada  tabel  pembelian  dan  tabel  detail_pembelian  pada  ERD sebelumnya.  Tabel  supplier,  tabel  barang,  dan  tabel  tanggal  dijadikan  sebagaidimension tablekarena  primary key  dari tabel-tabel tersebut  berhubungan dengan salah satu composite keyyang ada pada tabel pembelian. Berikut  ini  merupakan  star  schema untuk  proses  stock  control pada  minimarketyang  telah  dijabarkan  sebelumnya.  Dalam  skema  ini  yang  berperan  sebagai fact tableadalah tabel  stock, sedangkan  dimension table-nya adalah tabel tanggal dan tabel  barang. Pada  tabel  stock terdapat  primary  key dari  tabel  barang  yaitu ID_Tanggal serta terdapat pula primary keydari tabel barang yaitu ID_Barang. 

Dari seluruh perancangan  star schemadiatas dapat diketahui bahwa perancangan 

tiap  skema  hanya  terbatas  berdasarkan  satu  proses  tertentu  saja,  misalnya  proses 

penjualan saja, proses pembelian saja atau proses stock controlsaja. 

Perancangan Snowflake Schema 

Snowflakes  schema merupakan  pengembangan  dari  star  schema,  dimana  setiap dimension  table yang  ada  dipecah  kembali  menjadi  bentuk  yang  lebih sederhana sesuai  dengan  kebutuhan pengambilan  keputusan.  Gambar  5  di  atas  merupakan gambar snowflakes schemauntuk proses penjualan. Star  schema pembelian  dapat  dipecah  kembali  menjadi  bentuk  yang  lebih  detail pada dimension table-nya sehingga akan menghasilkan sebuah  snowflake schema. Berikut adalah gambar dari snowflake schemauntuk proses pembelian : 

Sedangkan gambar dibawah ini merupakan gambar snowflakes schemadari proses 

stock control: 

Pada  ketiga  snowflakes  schema diatas  diketahui  bahwa  tiap-tiap  dimension  table

mengalami normalisasi. Hal ini bertujuan untuk mengetahui hirarki dari tabel-tabel 

yang  ada  sehingga  dapat mendukung  pengambilan  keputusan berdasarkan  hirarki 

tersebut. 

Analisa Star Schema

Mengapa menggunakan Star Schema?

Menurut Lane (2005, pp. 19-3), kelebihan utama dari star schema adalah bahwa star schema:

• Menyediakan pemetaan langsung dan intuitif antara entitas-entitas bisnis yang sedang dianalisa oleh end users dan desain schema.
• Menyediakan performa teroptimasi untuk star query umum.
• Didukung oleh banyak business intelligence tools, yang dapat melakukan antisipasi atau bahkan membutuhkan agar schema data warehouse berisi tabel-tabel dimensi.

Skema yang digunakan untuk pemodelan data dimensional adalah star schema dimana terdapat
satu tabel fakta dan beberapa tabel dimensi. Alasannya adalah proses query yang lebih ringan
dan memudahkan penjelajahan terhadap data dimensinya. Tabel fakta yang terbentuk dari perancangan data warehouse ini merupakan tabel yang berhubungan dengan pemetaan daerah rawan bencana dan atribut lainnya yang berfungsi sebagai informasi pendukung.

Star schema merupakan desain skema tabel dimana terdapat sebuah tabel fact dengan n-dimensi berada di tengah tengah yang berfungsi sebagai penghubung tabel tabel dimensi yang ada. Ada beberapa kelebihan dan kekurangan dari penggunaan star schema,yaitu untuk perfomansi sistem,star schema lebih dapat diandalkan dibandingkan dengan skema yang lainnya,hal ini dikarenakan pengunaan tingkat join antar tabel dimensi dan tabel fact yang sedikit sehinnga memudahkan sistem untuk melakukan suatu operasi agreasi,sedangkan permasalhan yang timbul ialh munculnya redudansi di dalam tabel dimensi Contohnya pada tabel dimensi lokasi,field city akn mengalami penulisan berulang pada jalan (street) yang berbeda.

analisa implemetasi data warehouse

Abstract

Dewasa ini perkembangan teknologi komputer mengalami kemajuan yang pesat,hampir setiap perusahaan berusaha untuk mengoptimalkan fungsi dari teknologi komputer it sendiri.didesak adanya kebutuhn akan informasi yang tepat dan juga semakin bertambahnya data ang harus didokumentasikan maka hal ini mendukung berkembangnya berbagai aplikasi yang mencoba untuk memaksimalkan penyimpanan data itu sendiri

Dari uraian di atas dapat dilihat bahwa dalam suatu organisasi perusahaan,kebutuhan akan data sanat lah besar,namun ada beberapa yang masih mengalami kesulitan dalam hal memproses data itu sendiri khususnya data enjualan menjadi sebuah informasi yang nantinya akan mendukung proses pengambilan keputusan

Untuk itu penulis mencoba untuk merancang suatu sistem yang dapat memproses data penjualan dengan mencoba menerapkan apa yang disebut dengan data warehouse,data warehouse memiliki kemampuan melakukan query yang kompleks,model data yang lengkap dan menekankan pada dukungan analisa data,pada junal ini natinya akan dibahas lebih jauh bagaimana sistem dapat menghasilkan suatu analisa OLAP dan bukan proses transaksi

Dengan data warehouse ini diharapakan perusahan dapat mengorganisasi data penjualan sehingga memiliki nilai tambah sehingga dapat digunakan untuk mendukung pengambila keputusan pad tingkat manajemen

repository.library.uksw.edu/bitstream/handle/123456789/1064/ART_R..

ANALISIS

Dengan adanya sistem data warehouse penjualan mobil ini,data data penjualan lebih terangkum ke dalam bentuk laporan yang detail berdasarkan dimensi yang telah disaring sebelumnya,pada sistem data warehouse penjualan ini juga dapat menampilkan laporan berupa grafik,dengan begitu diharapkan dapat memudahkan manajemen untuk memahami area area data penjualan mobil,laporan yang juga ditampilkan dalam bntuk grafik tersebut juga memberikan gambaran trend pnjualan mobil baik dari warna ataupun tipe

Tingkat pengukuran keberhasilan sistem ini yang lainnya ialah dapat melakukan impor data secara cepat tanpa harus memasukkan data secara manual dan juga dapat menggolongkan data penjualan ke dalam beberapa dimensi yang kompleks yakni,waktu,tipe,lokasi,perusahaan leasing warna dll

Mengenal Data Mart dan Meta data

Definisi Data Mart 

Data Mart adalah sekumpulan informasi yang clisimpan di dalam basis data yang menunjang proses pengambilan keputusan perusahaan. Data di dalam Data Mart berasal dari Tactical Application tetapi memungkinkan juga untuk mengumpulkan data dari sumber lain. 

Keberadaan Data Mart memungkinkan data-data akan terpusat di suatu tempat. Ini membuat para pengambil keputusan hanya perlu pergi ke satu tempat untuk dapat mengakses segala data mengenai perusahaan yang dapat memberikan informasi yang berguna untuk pengambilan keputusan. 

Perbedaan utama antara Data Mart dengan Data Warehouse adalah

Kadang kala kita sulit untuk membedakan antara data warehouse dan data mart karena keduanya hampir sama. Namun, jika dikaji lebih jauh ada beberapa perbedaan yang dimiliki keduanya. Data warehouse merupakan gabungan dari beberapa data mart dan levelnya berada pada perusahaan atau organisasi. 
Sedangkan data mart merupakan bagian dari datawarehouse dan berada level departemen pada perusahaan atau organisasi tersebut. Data mart menangani sebuah business proses, misalkan penjualan, maka hanya proses penjualan saja yang ditangani pada data mart, Perbandingan antara data warehouse dan data mart dapat dilihat pada tabel berikut ini:

 

Berikut Link youtube tentang Datamart http://www.youtube.com/watch?v=q-ujADG0Nf8

Karakterisik Data Warehouse

A. Subject oriented

sebuah data warehouse disusun dalam subjek utama, seperti pelanggan, suplier, produk, dan sales. Meskipun data warehouse terkonsentrasi pada operasi harian dan proses transaksi dalam perusahaan, data warehouse fokus pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu data warehouse mempunyai karakter menyediakan secara singkat dan sederhana gambaran seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses pendukung keputusan.

B. Integrated

Data warehouse biasanya dibangun dari bermacam-macam sumbe yang berbeda, seperti database relasional, flat files, dan on-line transaction records. Pembersihan dan penyatuan data diterapkan untuk menjamin konsistensi dalam penamaan, struktur kode, ukuran atribut, dan yang lainnya.

C. Time Variant

data disimpan untuk menyajikan informasi dari sudut pandang masa lampau (misal 5 – 10 tahun yang lalu). Setiap struktur kunci dalam data warehouse mempunyai elemen waktu baik secara implisit maupun eksplisit.

D. Nonvolatile

sebuah data warehouse secara fisik selalu disimpan terpisah dari data aplikasi operasional. Penyimpanan yang terpisah ini, data warehouse tidak memerlukan proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data.

Alasan untuk membuat data mart

• Akses mudah ke data yang sering dibutuhkan
• Membuat tampilan kolektif oleh sekelompok pengguna
• Meningkatkan pengguna akhir waktu respon
• Kemudahan penciptaan
• Biaya lebih rendah daripada menerapkan× Data warehouse penuh
• Potensi pengguna yang lebih jelas daripada di sebuah gudang Data penuh

Pengertian Metadata

Metadata biasa didefinisikan sebagai “data tentang data” atau dapat juga disebut dengan “informasi mengenai suatu data”. Metadata mendeskripsikan isi, kualitas, kondisi, dan karakteristik lainnya mengenai suatu data yang ditulis dengan format standard Metadata membantu seseorang untuk menemukan dan memahami suatu data tertentu. Metadata juga memberikan informasi history suatu data. History ini memuat informasi mengenai Who, What, Where, Why dan How, yaitu:

1. Siapa yang membuat dan memaintain data?
2. Apa isi dan struktur dari data tersebut?
3. Kapan data tersebut dikumpulkan atau dipublikasikan?
4. Dimana lokasi data tersebut disimpan?
5. Mengapa data tersebut dibuat?
6. Bagaimana data tersebut dibuat?

Contoh mudah untuk lebih memahami metadata dapat anda lihat ketika mengambil foto menggunakan kamera digital. Di dalam foto tersebut pasti tersimpan informasi mengenai tanggal foto tersebut diambil, jenis kamera yang digunakan, geolocation (tempat diambilnya foto) dan resolusi foto.

Fungsi Metadata

Metadata memiliki fungsi yang sama seperti katalog yaitu untuk:

1. mengidentifikasi suatu data
2. mengelompokkan data yang serupa
3. membedakan data menurut kriteria tertentu
4. memberikan informasi penting berkaitan dengan data

Sumber  http://azuharu.net/blog/pengertian-metadata-adalah/

                http://blog-harianvirgo.blogspot.com/2013/05/karakterisik-data-warehouse-dan.html

                http://articontohnya.blogspot.com/2013/06/definisi-data-mart.html

                http://visilubai.wordpress.com/2010/04/28/data-mart/

                http://duniawebhouse.blogspot.com/2013/01/definisi-data-mart.html

Resume Datawarehouse OLAP vs OLTP dan Business Intelligence

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 danread 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 mengandunghistory 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.

TUGAS DATA WAREHOUSE

Ada empat tugas yang bisa dilakukan dengan adanya data warehouse

Menurut Williams, keempat tugas tersebut yaitu:

a. 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.

b. 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.

c. 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.

d. 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.

PERBEDAAN OLAP VS OLTP

·        
User

Dalam OLTP, penggunanya adalah IT PRoffesional sedangkan OLAP penggunanya adalah Knowledge worker maksdunya penggunanya adalah seorang yang bertindak dalam subyek tertentu, atau petinggi dalam suatu perusahaan.

·         Function

OLTP digunakan sehari-hari untuk proses bisnis seperti toko atau swalayan, sedangkan OLAP digunakan untuk pengambilan keputusan.

·         Design DB

Desain dalam OLTP bersifat Entity Relational atau databasenya dinormalisasi dulu sebelum digunakan. Untuk OLAP desain databasenya di de-normalisasi.

·         Data

Dalam OLTP datanya adalah hari ini, update setiap saat sedangkan OLAP datanya adalah sekarang dan hari ini yang berguna untuk melakukan analisis ke depan.

·         Penggunaan

OLTP digunakan setiap saat, sedangkan OLAP digunakan seperlunya saja.Access OLTP aksesnya bisa write, read dan lain-lain. Sedangkan OLAP sering dibaca karena digunakan untuk analisa.Unit Pekerjaan Kalau OLTP pekerjaannya hanya sederhana misalnya transaksi dalam swalayan. Untuk OLAP query untuk menampilkan data sangat kompleks

·         Jumlah rekaman yang di akses

Kalau OLTP sekitar ratusan sampai ribuan, tapi jika OLAP data yang diakses bisa sampai jutaan bahkan milyaran.

·         Jumlah Pengguna

Untuk OLTP penggunanya adalah puluhan, tapi kalau OLAP penggunanya bisa sampai ratusan bahkan ribuan

·         Ukuran Database

Ukuran database untuk OLTP sekitar MB-GB, sedangkan OLAP bisa sampai GB-TB

BUSINESS INTELEGENCE

Menurut Nadia Branon, Business Intelligence merupakan kategori yang umum digunakan untuk aplikasi dan teknologi untuk mengumpulkan, menyimpan, menganalisa, dan menyediakan akses pada data agar dapat membantu pengguna dari kalangan perusahaan agar dapat mengambil keputusan dengan lebih baik dan tepat

Kegunaan BI

Perusahaan menggunakan BI untuk memperoleh lebih dalam lagi mengenai segala informasi yang berhubungan dengan kinerja bisnis. Hal ini digunakan untuk memahami, meningkatkan kinerja, penganggaran biaya yang lebih efisien dan mengidentifikasi peluang bisnis baru. Beberapa hal kegunaan BI, antaralain:

• Analisa dalam perilaku konsumen, pola pembelian dan trend penjualan
• Mengukur, melacak dan memprediksi penjualan dan kinerja keuangan
• Penganggaran, perencanaan keuangan dan peramalan
• Mengetahui kinerja kegiatan pemasaran
• Optimalisasi proses dan kinerja operasional
• Meningkatkan efektifitaspengiriman dan pasokan
• Analisa CRM (Customer Relationship Management)
• Analisa Resiko
• Analisa nilai strategis
• Analisa social media

Keberadaan BI dalam suatu perusahaan haruslah diawali dari pelaku bisnis itu sendiri karena merekalah yang lebih mengetahui informasi dan analisa apa-apa saja yang dibutuhkan dalam rangka meningkatkan kinerja bisnis dan mereka jugalah yang membutuhkan BI. Disinilah nilai BI bisa menjadi besar dan berguna bagi perusahaan. Pelaku bisnis mulai dari eksekutif, manajemen bahkan sampai ke operasional harus berperan aktif juga dalam penerapan BI dan divisi IT harus bisa berkolaborasi dalam hal penyiapan data-data dan arsitektur sistem. Terlepas dari perangkat lunak apa yang digunakan. Bagaimana bisa di sebut business intelligence jika kita tidak bisa menghadirkan analisa yang dibutuhkan oleh para pelaku bisnis? Bukan hanya sekedar suatu pelaporan atau analisa saja tapi BI diharapkan dapat menjadi alat bantu utama bagi pelaku bisnis dalam meningkatkan kinerja bisnis, tentunya kebutuhan ini dalam tiap masa akan selalu berubah mengikuti perkembangan bisnis itu sendiri.

SUMBER :     http://qlikweb.blogspot.com/2012/11/pengertian-business-intelligence.html

http://giriayoga.com/2011/03/16/perbedaan-oltp-dan-olap/

http://blog.ub.ac.id/rodeo/2010/11/02/pengertian-gudang-data-atau-warehouse/