pergudangan data menunjukkan seluruh rangkaian kegiatan yang saling terkait yang terlibat dalam merancang, menerapkan, dan menggunakan gudang data.

1. Sistem Pengambilan
Keputusan
DATA WAREHOUSING AND OLAP I
@SHARY_A

2. PEMBAHASAN:
@SHARY_A
Data Warehousing and OLAP
1. Definisi data warehousing
2. Perbandingan data warehousing dengan relational
database
3. Multidimensional data model

3. CAPAIAN PEMBELAJARAN :
@SHARY_A
Mahasiswa akan dapat :
1. Menjelaskan definisi dan konsep Data warehousing
2. Menjelaskan perbandingan data warehousing dan
relational database
3. Menjelaskan multidimensional data model

4. Definisi data warehousing
@SHARY_A
Data Warehousing Adalah pergudangan data menunjukkan seluruh
rangkaian kegiatan yang saling terkait yang terlibat dalam merancang,
menerapkan, dan menggunakan gudang data.
Data Warehouse (Gudang Data) adalah sebuah sistem komputer
untuk mengarsipkan dan menganalisis data historis suatu organisasi
seperti data penjualan, gaji, dan informasi lain dari operasi sehari-hari.
Secara umum, sebuah organisasi menyalin informasi dari sistem
operasional seperti penjualan dan SDM ke gudang data menurut
jadwal teratur, misalnya setiap malam atau setiap akhir pekan.

5. Pengertian Data Warehouse Menurut
Para Ahli
@SHARY_A
Menurut W.H. Inmon dan Richard DH
Data warehouse adalah kumpulan data yang memiliki sifat subjek
berorientasi, terpadu, waktu-varian, dan tetap pada pengumpulan
data untuk mendukung proses pengambilan keputusan
manajemen.
Menurut Vidette Poe
Data warehouse adalah database yang read-only analisis dan
digunakan sebagai dasar sistem pendukung keputusan.

6. @SHARY_A
Menurut Paul Lane
Data warehouse merupakan database relasional yang dirancang lebih

7. @SHARY_A
Menurut Usama Fayyad (1996)
Data warehouse Pengguna menerapkan keahliannya dalam hal
masalah, dan komputer melakukan analisis data yang canggih untuk
memilih data yang tepat dan menempatkannya dalam format yang
sesuai untuk pengambilan keputusan.
Dengan demikian, data warehouse merupakan metode dalam
perancangan database, yang menunjang DSS (KEPUTUSAN Sistem
Support) dan EIS (Executive Information System). Secara fisik, data
warehouse adalah database, tapi perancangan data warehouse dan
database sangat berbeda. Dalam desain database tradisional
menggunakan normalisasi, sedangkan data warehouse normalisasi
bukanlah cara terbaik.

8. Perbandingan Data Warehousing
Dengan Relational Database
@SHARY_A
Relational Database Seperti dari kata aslinya kita dapat
memahami pengertian relational database adalah database
dengan tabel-tabel yang saling berhubungan satu dengan yang
lain. Secara praktis kita dapat memahami bahwa antar satu tabel
memiliki kaitan dengan tabel lain.

9. @SHARY_A
Sebagai contoh pertama-tama kita memiliki tabel pelanggan.
Pada tabel pelanggan ini akan menyimpan data seperti
nama_pelanggan, alamat, nomor_telepon, email dan lain-lain.
Kemudian untuk memudahkan identifikasi pelanggan kita
memiliki field no_pelanggan di mana setiap pelanggan memiliki
no_pelanggan sendiri-sendiri yang berbeda dengan pelanggan-
pelanggan lain.

10. @SHARY_A
Relational Database Data warehouse
Relational Database adalah database dengan
tabel-tabel yang saling berhubungan satu dengan
yang lain. Secara praktis kita dapat memahami
bahwa antar satu tabel memiliki kaitan dengan
tabel lain.
Data warehouse merupakan database relasional
yang dirancang lebih untuk query dan analisis
proses transaksi, biasanya mengandung sejarah
data transaksi dan mungkin juga data dari sumber
lain. Data warehouse memisahkan beban kerja
analisis dari beban kerja transaksi dan
memungkinkan organisasi untuk menggabungkan
/ konsolidasi data dari berbagai sumber.

11. @SHARY_A
Dapat difahami bahwa Warehouse adalah skup penyimpanan dan pengolahan secara
luas ( dari berbagai sumber data, tidak hanya relational database saja) yang
terintegrasi dan mudah untuk ditampilkan informasi secara drilldown atau rollup.
Secara umum, Proses datawarehouse adalah:
Sedangkan Data Warehouse adalah stage kedua, dimana data tidak lagi diquery dalam
jumlah yang banyak dan ternormalisasi, namun data yang sudah dilakukan agregasi
(sesuai kebutuhan report/analisis) dan sudah di denormalisasi. Kenapa
didenormalisasi? jawabannya adalah, “Pertimbangan kecepatan query”. Jika data
harus dilakukan qiery dengan melakukan proses JOIN yang banyak (seperti dalam
database OLTP) maka proses akan sangat berat. Lebih-lebih lagi data OLTP yang
sangat besar.
Kemudian, data warehouse merupakan ‘agegrasi’ dari berbagai macam sumber data
(data source) yang berbeda.
OLTP — ETL — Data Warehouse/Data Mart – Analisis — Report

12. Multidimensional Data Model
@SHARY_A
Data multi dimensi merupakan model data fisik (Physical data
Model) yang strukturnya dapat dilihat dari berbagai sudut
pandang (dimensi), dengan tiga buah bagian (Record atau
baris, Field atau kolom, dan layer), dengan objek – objek data
multi dimensi di dalamnya, yang atributnya dibedakan menjadi
atribut dimensi dan atribut pengukuran.

13. @SHARY_A
Data multi dimensi, jika direpresentasikan ke dalam bentuk
koordinat, maka dapat ditunjukkan ke dalam tiga buah
sumbu, yakni: X, Y, dan Z yang dapat dianalogikan dengan
gambar bangun yang memiliki 3 dimensi (panjang, lebar,
tinggi).

14. @SHARY_A
Data multi dimensi tidak dapat lepas dari kebutuhan untuk
mempermudah analisa data. Oleh karena ini data multi dimansi
menggunakan dua konsep yakni OLTP dan OLAP. OLTP atau On
Line Transactional Data yang berfungsi memproses data – data
data transaksional namun tidak menyimpan data historis, OLTP
hanya digunakan untuk kebutuhan data dan informasi semata
dan struktur data hanya terdiri dalam 2 dimensi (baris, kolom).
Sedangkan OLAP atau On Line Analytical Data menganalisa
data yang berasal dari data – data transaksi (OLTP) dengan
mengutamakan historis data. Oleh karena itu, data perlu dilihat
dari 3 atau lebih dimensi, untuk kemudahan analisa data.

15. @SHARY_A
Salah satu contoh data multi dimensi dapat dilihat dari
penggunaanya untuk melihat data mahasiswa dimana terdapat
dimensi kelulusan, dimensi sidang TA, dan dimensi wisuda.
Masing- masing dari dimensi tersebut, akan membentuk dengan
rincian yaitu Tabel Kelulusan (ID_Kelulusan (Primary Key), NIM,
Nama, Angkatan, IPK), Tabel Sidang_TA (ID_Sidang, NIM, Nama,
Judul, Pembimbing, Penguji, Kelulusan, Nilai), dan Tabel Wisuda
(ID_Wisuda, NIM, Nama, Periode Wisuda).

16. @SHARY_A
Ketiga buah dimensi di atas, dapat digunakan untuk melihat
data mahasiswa pada Tabel Mahasiswa.

17. @SHARY_A