Normalisasi Data
•Download as PPTX, PDF•
0 likes•255 views
Normalisasi adalah proses pembentukan struktur database untuk menghilangkan ambiguitas seperti redundansi dan anomali agar database dapat dioptimalkan. Terdapat tiga jenis anomali yaitu delete, insert, dan update anomaly yang dapat terjadi akibat manipulasi data yang tidak sesuai. Dekomposisi digunakan untuk memecah relasi menjadi bagian-bagian lebih kecil guna mencegah terjadinya anomali dan redundansi data.
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Normalisasi Data
Similar to Normalisasi Data (20)
More from I Gede Iwan Sudipa
More from I Gede Iwan Sudipa (20)
Recently uploaded
Recently uploaded (9)
Normalisasi Data
- 1. NORMALISASI I Gede Iwan Sudipa
- 2. SUNGAI WADUK
- 3. Normalisasi adalah proses pembentukan struktur database sehingga sebagian besar ambiguity ( redudansi, ketidakkonsistenan, anomali) bisa dihilangkan sehingga database dapat dioptimalkan.
- 4. Dalam Normalisasi dikenal Istilah : DEKOMPOSISI REDUDANSI ANOMALI
- 5. Dekomposisi • Dekomposisi : memecah relasi/tabel menjadi relasi/tabel yang lebih kecil untuk mendapatkan skema yang tidak mengandung anomali dan redundansi atau bila digabungkan kembali harus mendapat hasil yang sama RELASI ???
- 6. Penjelasan singkat “Relasi” hubungan antara tabel yang mempresentasikan hubungan antar objek di dunia nyata. Relasi merupakan hubungan yang terjadi pada suatu tabel dengan lainnya yang mempresentasikan hubungan antar objek di dunia nyata dan berfungsi untuk mengatur mengatur operasi suatu database
- 7. • Kumpulan atribut yang nilainya : – Setiap atribut harus berharga tunggal. – Semua harga pada suatu atribut harus mempunyai tipe yang sama – Setiap atribut harus mempunyai nama yang unik – Urutan atribut tidak penting – Tidak ada dua baris dalam relasi yang isinya identik – Urutan baris tidak penting Relasi (review) ATRIBUT ????
- 8. Penjelasan Singkat Entita sObyek yang dapat dibedakan dengan yang lain dalam dunia nyata
- 10. Entitas Kuat • Entitas yang tidak memiliki ketergantungan dengan himpunan entitas lain. • Tidak tergantung kepada keberadaan entitas lainnya (berdiri sendiri) • Entitas yang memiliki atribut kunci (Primary Key)
- 11. Entitas Lemah • Keberadaannya tergantung kepada entitas kuat. Tidak dapat berdiri sendiri • Biasanya berasal dari atribut multivalue pada entitas lain dan tidak memiliki atribut yang dipakai sebagai atribut kunci (key). • Biasanya menggunakan Foreign key sebagai pengenal/penghubung ke entitas lainnya.
- 12. Atribut • Karakteristik dari entity atau relationship, yang menyediakan penjelasan detail tentang entity atau relationship tersebut. • Nilai Atribut merupakan suatu data aktual atau informasi yang disimpan pada suatu atribut di dalam suatu entity atau relationship.
- 13. Entitas Mahasiswa NIM, Nama_Mhs, Jurusan, JenKel, Tgl_Lahir, Alamat Entitas Pegawai Kode_Peg, Nama_Peg, Alamat, Tgl_Lahir Entitas Sepeda Motor Model, No_Rangka, Tahun Entitas Buku Judul, Pengarang, Penerbit
- 16. Redudansi Data Munculnya data-data yang berulang kali pada file basis data yang semestinya tdak dilakukan (Pengulangan Data) Kemungkinan terjadinya redudansi data karena : 1. redudansi data dalam satu file 2. redudansi data dalam beberapa file
- 17. Contoh : redudansi data dalam 1 file NIK Nama Alamat Gol_Gaji Gaji_Pokok K001 Rita Yogyakarta IIIA 500.000 K002 Rina Semarang IVA 750.000 K003 Rini Jakarta IIIA 500.000 K004 Rani Yogyakarta IIIB 550.000 K005 Rika Surabaya IVA 750.000 “jika semakin banyak karyawan yang memiliki Gol_Gaji yang sama, maka semakin banyak pula pengulangan data yang terjadi”
- 18. Solusi: Dekomposisi data NIK Nama Alamat Gol_Gaji K001 Rita Yogyakarta IIIA K002 Rina Semarang IVA K003 Rini Jakarta IIIA K004 Rani Yogyakarta IIIB K005 Rika Surabaya IVA Gol_Gaji Gaji_Pokok IA 100.000 IB 150.000 IC 200.000 ID 250.000 IIA 300.000 IIB 350.000 IIC 400.000 IID 450.000 IIIA 500.000 IIIB 550.000 IIIC 600.000 IIID 650.000 IVA 750.000 IVB 800.000 IVC 850.000 IVD 900.000 Tabel File Karyawan Tabel File Golongan
- 19. Contoh : redudansi data dalam beberapa file NIK Nama Alamat Gol_Gaji Gaji_Pokok K001 Rita Yogyakarta IIIA 500.000 K002 Rina Semarang IVA 750.000 K003 Rini Jakarta IIIA 500.000 K004 Rani Yogyakarta IIIB 550.000 K005 Rika Surabaya IVA 750.000 “jika semakin banyak karyawan yang memiliki Gol_Gaji yang sama, maka semakin banyak pula pengulangan data yang terjadi”
- 20. Contoh : redudansi data dalam 1 file NIM Nama_Mhs Kode_Matkul Nama_Matkul 170001 Rita MK001 Basis Data 170001 Rita MK002 Matematika 170001 Rita MK003 Softskill 170002 Rina MK001 Basis Data 170002 Rina MK002 Matematika 170002 Rina MK003 Softskill 170002 Rina MK004 Algoritma dan Pemrograman 170003 Rini MK001 Basis Data 170003 Rini MK002 Matematika 170004 Rani MK001 Basis Data 170004 Rani MK002 Matematika 170005 Rika MK001 Basis Data 170005 Rika MK002 Matematika
- 21. Solusi: Dekomposisi data NIM Nama_Mhs 170001 Rita 170002 Rina 170003 Rini 170004 Rani 170005 Rika NIM Kode_Matkul 170001 MK001 170001 MK002 170001 MK003 170002 MK001 170002 MK002 170002 MK003 170002 MK004 170003 MK001 170003 MK002 170004 MK001 170004 MK002 170005 MK001 170005 MK002 Tabel Mahasiswa Tabel KRS Kode_Matkul Nama_Matkul MK001 Basis Data MK002 Matematika MK003 Softskill MK004 Algoritma dan Pemrograman Tabel Mata_Kuliah
- 22. Contoh : redudansi data dalam beberapa file NIM Nama_Mhs 170001 Rita 170002 Rina 170003 Rini 170004 Rani 170005 Rika Tabel Mahasiswa NIM Nama_Mhs Minat 170001 Rita Pemrograman 170002 Rina Jaringan 170003 Rini Web 170004 Rani Basis Data 170005 Rika Multimedia Tabel Minat “redudansi dalam beberapa file terjadi jika terdapat nama-nama kolom yang sama dalam beberapa file, kecuali untuk kolom sebagai foreign key”
- 23. SOLUSI
- 24. SOLUSI
- 25. SOLUSI Hapus kolom yang sama dan lakukan dekomposisi Tabel Minat_Mahasiswa NIM Minat 170001 Pemrograman 170002 Jaringan 170003 Web 170004 Basis Data 170005 Multimedia
- 26. Anomali Data Anomali adalah proses manipulasi pada basis data yang memberikan efek samping yang tidak diharapkan seperti ketidakkonsistenan data atau membuat suatu data hilang ketika data lain dihapus. Atau sering juga disebut sebagai Penyimpangan-penyimpangan yang harus dihindari dalam modifikasi Data. Macam anomali ada tiga buah : - Anomali penghapusan (Delete Anomally) - Anomali penyisipan (Insert Anomally) - Anomali pembaharuan (Update Anomally)
- 27. Delete Anomally Proses penghapusan suatu nilai rinci data yang mengakibatkan hilangnya informasi rinci data lain NIM Nama_Siswa Jenis_Kursus Instruktur Periode 1001 Dian Bahasa Inggris Nita Januari 2017 1002 Dina Bahasa Jepang Nina April 2016 1003 Dani Bahasa Mandarin Nihaoma Juli 2015 1004 Doni Bahasa Inggris Noni Januari 2018 1005 Dono Bahasa Jepang Nina April 2015 1006 Dion Bahasa Inggris Noni Januari 2018 Tabel Siswa
- 28. Delete Anomally Kasus “Karena Dani telah menyelesaikan kursus bahasa mandarin 3 tahun lalu dan data tersebut tidak digunakan lagi, maka record akan dihapus.” Secara kebetulan data peserta kursus bahasa mandarin pada juli 2015 hanya seorang saja, akibatnya seluruh rinci data dalam record akan terhapus, termasuk informasi tentang instruktur bernama Nihaoma dan periode kursus juli 2015 juga akan hilang. “Padahal semula hanya ingin menghapus nilai rinci data Dani saja. “
- 29. Insert Anomally Proses menyisipkan suatu nilai rinci data yang mengakibatkan perlunya penyisipan pada nilai rinci data lain NIM Nama_Siswa Jenis_Kursus Instruktur Periode 1001 Dian Bahasa Inggris Nita Januari 2017 1002 Dina Bahasa Jepang Nina April 2016 1003 Dani Bahasa Mandarin Nihaoma Juli 2015 1004 Doni Bahasa Inggris Noni Januari 2018 1005 Dono Bahasa Jepang Nina April 2015 1006 Dion Bahasa Inggris Noni Januari 2018 Tabel Siswa
- 30. Insert Anomally Kasus “terdapat seorang instruktur baru dengan nama Lina, yang masuk ke lembaga pelatihan, tetapi belum memiliki pengalaman mengajar sama sekali” Maka penambahan data instruktur tidak dapat dilakukan selama belum pernah mengajar (kolom jenis_kursus, periode akan kosong)
- 31. Update Anomally Proses mengubah suatu nilai rinci data yang mengakibatkan perlunya penyisipan pada nilai rinci data lain NIK Nama_Karyawan Gol_Gaji Gaji_Pokok 01001 Feri IIIA 600.000 01002 Dilan IIIB 650.000 01003 Milea IIIA 600.000 01004 Galih IVA 800.000 01005 Ratna IIIB 650.000 Tabel Karyawan
- 32. Update Anomally Kasus “Terjadi perubahan Gaji_Pokok karyawan, misalnya kenaikan untuk Gol_Gaji IIIA menjadi 625.000, maka nilai rinci data Gaji_Pokok harus di-update. “ dalam contoh tabel karyawan maka proses update dilakukan 2x, tapi jika jumlah karyawan yang memiliki Gol_Gaji IIIA cukup banyak, maka update(perubahan) akan dilakukan berkali-kali.
- 34. • Seandainya pemasok Citra berpindah ke kota lain, misalnya ke Bogor dan pengubahan hanya dilakukan pada record pertama saja maka hasilnya menjadi • Terlihat bahwa ada ketidakkonsistenan. Fakta pertama menyatakan bahwa pemasok Citra berlokasi di Bogor, tetapi fakta kedua menyatakan bahwa pemasok Citra berada di Bandung. Keadaan ini yang menyatakan ketidakkonsistenan 1
- 35. 2 • Kasus : Masalahnya bagaimana caranya menyimpan fakta bahwa ruang baru bernama 5204 berada pada Kampus 5? Penyisipan tidak dapat dilakukan mengingat tak ada Informasi KULIAH yang menggunakan ruang tersebut Tabel Relasi Ruang_Kuliah
- 36. 3 36 Kasus serupa dapat terjadi pada relasi berikut • Relasi di atas mencatat kursus-kursus yang diikuti oleh siswa beserta biayanya. Misalnya, siswa dengan No_Siswa 10 mengambil kursus bahasa Inggris, Perancis dan Mandarin • Masalahnya jika dibuka kursus baru misalnya bahasa Arab dengan biaya 70.000 akan tetapi untuk sementara belum seorang pun yang mengambil kursus tersebut. Akibatnya data kursus bahasa Arab tidak dapat dicatat
- 37. 4 37 Kasus yang sama seperti contoh 3: • Misalnya pada relasi kursus apa yang terjadi jika seandainya siswa dengan NO_SISWA 20 yang mengambil bahasa Jepang dihapus? Data yang menyatakan kursus bahasa Jepang sebesar 65.000 juga akan terhapus
- 39. TERIMAKASIH
Editor's Notes
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)
- Anomali Anomali adalah proses pada basis data yang memberikan efek samping yang tidak diharapkan ( misalnya menyebabkan ketidakonsistenan data atau membuat suatu data menjadi hilang ketika data lain dihapus)