Dokumen ini menjelaskan arsitektur data warehouse, termasuk berbagai jenis data store seperti centralized, data mart, operational, dan dimensional data stores. Ditekankan pentingnya proses ETL (extract, transform, load) serta metadata dalam pengelolaan dan pengolahan data. Berbagai skema dan arsitektur data flow juga diuraikan untuk mendukung kebutuhan analitik dan operasional dalam data warehouse.

1. Arsitektur
Data Warehouse
“When you are willing to make sacrifices for a
great cause, you will never be alone.”
TIF32604 Data Warehouse
Nova Eka Diana (nova.diana@yarsi.ac.id)
Fakultas Teknologi Informasi
Universitas YARSI

2. Konten
• Arsitektur Data Warehouse
• Centralized, Data Mart, Hub & Spoke
• Data Flow Architecture
• Dimensional Data Store (DDS)
• Normalized Data Store (NDS)
• Operational Data Store (ODS)
• Federated Data Warehouse

3. ARSITEKTUR DATA WAREHOUSE

4. Definisi Penting
• Data Architecture
• Bagaimana menyusun data dalam tiap data store
• Bagaimana mendesain data store untuk merefleksikan
proses bisnis
• Data Modeling
• Proses untuk membangun data architecture
• Data Store
• Satu atau lebih basis data atau file yang terdiri atas data
untuk DW

5. Definisi Penting (2)
• Relational database: basis data yang terdiri atas
entitas tabel yang dilengkapi dengan hubungan
orang tua-anak diantara tabel-tabel tersebut
• Normalized database: basisdata yang memiliki sedikit
atau bahkan nol data yang berulang, biasanya
berada dalam 3NF atau lebih tinggi
• Denormalized database: basis data dengan
beberapa data yang berulang, berada dalam 3NF
atau lebih
• Dimensional database: denormalized database yang
terdiri atas fact tabel dan common dimension tabel
yang berisi ukuran (measurement) dari proses bisnis

6. Tipe Arsitektur
Centralized Data Warehouse
Departmental Data Mart
Hub and Spoke

7. Tipikal Arsitektur: DW

8. Komponen DW

9. DATA STORE

10. Klasifikasi Data Store
• Berdasarkan akses user:
• User-facing data store
• Internal Data Store
• Hybrid Data Store
• Berdasarkan format data:
• Stage
• Normalized Data Store (NDS)
• Operational Data Store (ODS)
• Dimensional Data Store (DDS)

11. Data Store: Akses User
• User-facing data store
• Data store yang tersedia untuk level end user dan dapat
mengeksekusi kueri yang diberikan oleh end user dan
end-user applications
• Internal Data Store
• Data store yang digunakan secara internal oleh
komponen DW untuk keperluan integration, cleansing,
logging, dan preparing data .
• Tidak dapat diakses oleh end user dan end-user
application secara terbuka
• Hybrid Data Store
• Gabungan antara mekanisme internal DW dan dapat
diakses oleh end user dan end-user applications

12. Data Store: Format Data
• Stage
Internal data store yang digunakan untuk
mentransformasi dan menyiapkan data yang diambil
dari sumber data, sebelum data tersebut akan
diteruskan ke data store yang ada di Data
Warehouse
• Normalized Data Warehouse (NDS)
Internal master data store dalam bentuk satu atau
lebih normalized relational database untuk
mengintegrasikan data dari berbagai sumber data
yang sudah ditangkap dalam stage, sebelum data
tersebut diteruskan ke user-facing data store

13. NDS

14. Data Store: Format Data (2)
• Operational Data Warehouse (ODS)
Hybrid data store yang terdiri atas satu atau lebih
normalized relational database, terdiri atas data
transaksi dan versi master data terbaru, dibuat untuk
mendukung operasional aplikasi
• Dimensional Data Warehouse (DDS)
User-facing data store, yang terdiri atas satu atau
lebih relational database, dimana data disusun
dalam format dimensional untuk mendukung
kebutuhan kueri yang bersifat analitik

15. Dimensional Data Store (DDS)
• Skema implementasi
• Star schema: sebuah dimensi tidak memiliki sub-
tabel atau subdimension; lebih mudah untuk
memasukkan data ke DDS
• Snowflake schema: sebuah dimensi dapat memiliki
subdimension untuk menghindari redundancy data
sehingga mengurangi disk space
• Galaxy schema/fact constellation schema: dua
atau lebih fact table yang dihubungkan oleh
common dimension, sehingga mampu
memodelkan proses bisnis secara lebih akurat

16. Star Schema: DDS

17. DATA FLOW ARCHITECTURE

18. Data flow architecture
• Adalah konfigurasi data store dalam
sistem data warehouse
• Empat tipe Data Flow:
• Single DDS
• NDS + DDS
• ODS + DDS
• Federated Data Warehouse

19. ETL
• Extract, Transform, and Load (ETL)
Adalah sistem yang bertugas untuk membaca
data dari satu data store (source),
mentransformasi data, dan kemudian
meneruskannya ke data store yang lain (target)

20. ETL Package
• ETL Package terdiri atas beberapa Proses ETL
• Proses ETL adalah sebuah program yang
merupakan bagian dari ETL package, yang
mengambil data dari satu atau beberapa sumber
dan mempopulasikannya ke satu tabel target
• Proses ETL terdiri atas beberapa tahapan (Step)
• Step adalah komponen dari proses ETL yang
melakukan tugas khusus
• Misal: melakukan ekstraksi data dari satu
sumber, atau melakukan transformasi data

21. Deskripsi ETL: Metadata
• Metadata adalah data store yang menyimpan
deskripsi dari struktur, data, dan proses yang
terdapat dalam data warehouse
• Deskripsi meliputi:
• Sumber data
• Target
• Operasi transformasi
• Jadwal dari tiap proses ETL

22. SINGLE DDS

23. Data Flow: Single DDS
• Terdiri atas dua data store yaitu:
• Stage
• DDS

24. Data Flow: Single DDS (2)
• Kombinasi kedalam 1 package
• Keuntungan:
• Lebih memiliki kontrol atas waktu kapan data
ditulis dan diambil dari stage
• Data dapat disimpan kedalam DDS langsung
tanpa harus disimpan ke disk terlebih dahulu
• Kekurangan:
• Lebih kompleks

25. Data Flow: Single DDS (3)
• Kombinasi kedalam 1 package

26. Data Flow: Single DDS (4)
• Keuntungan Single-DDS:
• Lebih sederhana
• Kekurangan Single-DDS:
• Lebih susah untuk membuat DDS kedua
• DDS didalamnya adalah master data store
yang menyimpan semua versi dan histori data

27. NDS + DDS

28. Data Flow: NDS + DDS
• Terdiri atas tiga data store yaitu:
• Stage
• NDS
• DDS

29. Data Flow: NDS + DDS (2)
• NDS terdiri atas dua tipe data:
• Tabel transaksi : tabel yang menyimpan transaksi
bisnis. Misal: tabel sales order
• Tabel master: tabel yang terdiri atas objek atau
orang yang terlibat dalam proses bisnis. Misal: tabel
product
• NDS tabel menggunakan surrogate key dan natural
key
• Surrogate key: bilangan integer berurut, akan
menjadi primary key
• Natural key: identifier dari master data yang berasal
dari sumber

30. Data Flow: NDS + DDS (2)
• Keuntungan:
• Dapat rebuild Main DDS dengan mudah
• Dapat membangun DDS baru dengan mudah
• Mudah untuk mengatur master data karena hanya
memiliki sedikit data yang bersifat redundant
• Kekurangan:
• Lebih membutuhkan banyak usaha untuk
membangunnya

31. ODS + DDS

32. Data Flow: ODS + DDS
• Terdiri atas tiga data store yaitu:
• Stage
• ODS
• DDS

33. Data Flow: ODS + DDS (2)
• ODS hanya menyimpan versi terkini dari master
data
• ODS tidak memiliki data histori
• Struktur ODS mirip dengan OLTP
• Sama dengan NDS, juga terdiri atas tabel
transaksi dan tabel master
• NDS adalah internal data store
• ODS adalah hybrid data store

34. Data Flow: ODS + DDS (2)
• Keuntungan:
• Bentuk 3NF lebih ramping daripada NDS
karena hanya menyimpan data terkini
• Performa ODS ETL dan DDS ETL lebih baik
dibandingkan NDS + DDS
• Memiliki satu tempat terpusat untuk
mengintegrasikan, mengatur, dan mem-
publish data master
• Normalized relational store dapat diubah oleh
end-user applications sehingga mampu
mendukung aplikasi operasional pada level
transaksi

35. Data Flow: ODS + DDS (2)
• Kekurangan :
• Untuk membangun DDS kecil yang baru, data
harus diambil dari main DDS
• Dan tidak dapat menggunakan DDS ETL yang
sudah ada

36. FEDERATED DATA WAREHOUSE
(FDW)

37. Federated Data Warehouse
• Terdiri atas beberapa data warehouse dengan
data retrieval layer di atasnya
• Mengambil data dari DW yang ada dan
menyimpannya ke dimensional data store yang
baru

38. Federated Data Warehouse
• Granularity dari FDW adalah sama dengan
granularity tertinggi dari sumber DW
• Alasan: data hanya bisa ditransformasi dari
granularity rendah ke tinggi
• Misal:
• Granularity dari beberapa DW adalah G1, G2,
dan G3
• Maka granularity dari FDW adalah max(G1,
G2, G3)

39. Sistem Data Warehouse

40. MDB: Cube