Monday, 1 December 2014

DW pertemuan 10 (Data Transformation service)


DATA TRANSFORMATION SERVICE

Data Transformation Service adalah memindahkan data dari database OLTP ke data warehouse dengan tujuannya. Hal ini dilakukakn ketika validasi, cleaning up, konsolidasi, dan mengubah data yang diperlukan. (Vieria, Robert, 2000, p91)

Selain berfungsi untuk melakukan import, export dan transport data yang beragam antara satu atau lebih sumber data, seperti misalnya SQL Server, Microsoft Excel atau Microsoft Access, DTS juga menyediakan hubungan berupa ODBC (Open Database Connectivity) data source yang disupport oleh OLE DB Provider for ODBC dan service seperti logging package execution details, controlling transactions dan penanganan variable global.

Tool-tool yang tersedia untuk menciptakan dan mengeksekusi DTS packages :

  1. Import Export Wizzard = untuk membangun DTS packages sederhana dan mensupport perpindahan data dan transformasi sederhana.Import Export Wizzard 
  2. DTS Designer = mengimplementasikan DTS object model graphically yang memungkinkan user untuk menciptakan DTS packages dengan fungsi luas.
  3. DTS Run = merupakan command prompt utility yang digunakan untuk mengeksekusi DTS packages yang ada.
  4. DTSRunUI = merupakan grafik interface untuk DTSRun, yang juga mengijinkan pemakaian variable global dan command lines.
Sebuah DTS package biasanya terdiri atas satu task atau lebih. Setiap task mendefinisikan jenis pekerjaan yang akan diberikan selama eksekusi package. Task-task tersebut dikelompokkan berdasarkan fungsinya berikut ini:
  1. Transformasi data
  2. Mengcopy dan mengatur data 
  3. Menjalankan tasks sebagai jobs dari dalam sebuah package
Agar eksekusi DTS tasks dalam menyalin dan memindahkan data berjalan sukses, sebuah DTS package harus mempunyai hubungan yang valid antara sumber data asal dengan sumber data tujua. Ketika menciptakan sebuah package, user dapat mengkonfigurasikan hubungan dengan memilih jenis hubungan dari daftar yang tersedia pada OLE DB providers dan ODBC drivers. Jenis hubungan yang tersedia antara lain:
  1. Microsoft Data Acces Component (MDAC) drivers
  2. Microsoft Jet drivers
  3. Other drivers
  4. OLE DB CONNECTION

Tuesday, 25 November 2014

DW pertemuan 9 (Data Quality)


KUALITAS DATA
Menurut Mark Mosley (2008), dalam bukunya “Dictionary of Data Management”, pengertian kualitas data adalah level data yang menyatakan data tersebut akurat (accurate), lengkap (complete), timely (update), konsisten (consistent) sesuai dengan semua kebutuhan peraturan bisnis dan relevan.

Beberapa indikator data yang berkualitas antara lain sebagai berikut :
  1. ACCURACY = data yang tersimpan nilainya benar (name cocok dengan alamatnya)
  2. DOMAIN INTEGRITY = nilai attributnya sesuai batasan yang diperkenankan (nilai attribut laki n perempuan)
  3. DATA TYPE = Nilai data disimpan dalam tipe data yang sesuai (data nama disimpan dengan tipe text)
  4. CONSISTENCY = nilai sebuah field data akan sama semua dalam berbagai berkas (field produk A dgn kode 123, akan selalu sama kodenya di setiap berkas lain)
  5. REDUDANCY = tidak boleh ada data yang sama disimpan di tempat yang berbeda dalam satu sistem
  6. COMPLETENESS = Tidak ada nilai atttribut salah yang diberikan dalam sistem
  7. DATA ANOMALY = sebuah field hanya digunakan sesuai kegunaannya. (field address3  digunakan untuk mencatat baris ketiga dalam alamat bukan untuk telp atau fax)
  8. CLARITY = Kejelasan arti kegunaan dan cara penulisan sebuah data (penamaan khusus)
  9. TIMELY = merepresentasikan waktu dari data yang dimasukkan (jika data digunakan perhari maka data pada warehaouse harus juga dibuat per hari)
  10. USEFULNESS = setiap data harus benar digunakan oleh user
  11. ADHERENCE TO DATA INTEGRITY RULES = taat pada aturan keterhubungan data

Manfaat dari meningkatnya kualitas data :
  • Analysis with Timely Information
  • Better Customer Service
  • Newer Opportunities
  • Reduced Costs and Risks
  • Improved Productivity
  • Reliable Strategic Decision Making

Monday, 17 November 2014

DW pertemuan 8 (ETL)


Extraction, Transformation, Loading)


ETL (Extraction, Transformation, Loading) adalah kumpulan dari proses dimana sumber data operational disiapkan untuk dimasukan kedalam data warehouse. Dimana  proses ini terdiri dari proses ekstraksi (extracting) data operational  dari sumber  applikasi, mengubah  bentuknya (transform), mengeluarkan (loading) dan membuat index dari data itu, menjamin kualitas dari data tersebut, dan menerbitkan data tersebut.
Ekstraksi Data (Extract)
Ekstraksi data adalah proses dimana data diambil atau diekstrak dari berbagai sistem operasional, baik menggunakan query, atau aplikasi ETL. Terdapat beberapa fungsi ekstraksi data, yaitu :
  • Ekstraksi data secara otomatis dari aplikasi sumber.
  • Penyaringan atau seleksi data hasil ekstraksi.
  • Pengiriman data dari berbagai platform aplikasi ke sumber data.
  • Perubahan format layout data dari format aslinya.
  • Penyimpanan dalam file sementara untuk penggabungan dengan hasil ekstraksi dari sumber lain.

Transformasi Data (Transformation)
Transformasi adalah proses dimana data mentah (raw data) hasil ekstraksi disaring dan diubah sesuai dengan kaidah bisnis yang berlaku. Langkah-langkah dalam transformasi data adalah sebagai berikut:
  • Memetakan data input dari skema data aslinya ke skema data warehouse.
  • Melakukan konversi tipe data atau format data.
  • Pembersihan serta pembuangan duplikasi dan kesalahan data.
  • Penghitungan nilai-nilai derivat atau mula-mula.
  • Penghitungan nilai-nilai agregat atau rangkuman.
  • Pemerikasaan integritas referensi data.
  • Pengisian nilai-nilai kosong dengan nilai default.
  • Penggabungan data.

Pengisian Data (Loading)
Proses terakhir yang perlu dilakukan adalah proses pemuatan data yang didapatkan dari hasil transformasi ke dalam data warehouse. Cara untuk memuat data adalah dengan menjalankan SQL script secara periodik.

Tuesday, 28 October 2014

Resume


LOGICAL DESIGN & PHYSICAL DESIGN
LOGICAL DESIGN
  • Fungsi dari logical design adalah untuk memetakan conceptual schema ke struktur logis sehingga dapat diproses oleh DBMS
  • Macam-macam skema logis meliputi unsur-unsur hierarki, tabel-tabel dengan  kunci utama, relasi antar tabel dan aliran data
  • Menggunakan ER Diagram
  • Mencari objek-objek penting (entitas)
  • Mendefinisikan atribute
  • Membuat relasi
  • Contoh atau bentuk atau hasil dari logical design adalah CDM.
PHYSICAL DESIGN
  • Fungsi dari physical design adalah untuk menggambarkan struktur dari data dalam memori sekunder, serta menggambarkan struktur penyimpanan dan metode-metode aksesnya
  • Merubah dari logical design menjadi objek-objek database
  • Tablespace, Table,integrity constraint, dll
  • Contoh atau bentuk atau hasil dari physical design adalah PDM

Sunday, 19 October 2014

DataWarehouse Star and Snow Schema

Dalam menggambarkan relasi database pada data warehouse dapat digunakan 2 pendekatan model skema yaitu star schema atau snowflake schema. Disebut star schema karena EntityRelationship Diagram atau ERD-nya yang menyerupai bintang, tabel fakta berada di tengah dengan dikelilingi tabel dimensi di sampingnya.

Berikut adalah contoh gambar star schema :

Sedangkan snowflake schema lebih kompleks dibandingkan dengan star schema karena merupakan pengembangan dari star schema, karena tabel-tabel dimensinya merupakan hasil normalisasi dari beberapa tabel yang berhubungan.
Berikut adalah contoh gambar snowflake schema :


Kelebihan model dimensi star schema :
  1. cenderung mudah dipahami karena modelnya yang lebih sederhana,
  2. memudahkan mencari isi karena kesderhanaannya dengan cara melihat step by stepdari masing-masing dimensinya,
  3. proses query lebih cepat pada saat proses OLAP.
Kekurangan model dimensi star schema :
  1. ukuran data lebih besar karena ada data yang disimpan ulang,
  2. maintenance dan update lebih sulit.

Kelebihan model dimensi snowflake schema :
  1. ukuran data lebih kecil di dalam tempat penyimpanan,
  2. lebih mudah dilakukan maintenance dan update,
  3. proses query lebih cepat pada saat proses ETL.
Kekurangan model dimensi snowflake schema :
  1. cenderung lebih sulit dipahami karena kompleksitasnya,
  2. sulit mencari isi karena melihat strukturnya yang kompleks dan bercabang-cabang.

Monday, 13 October 2014

Tugas DW



Data warehouse penjualan mobil didesain menjadi memiliki delapan tabel dimensi dan satu tabel fact yang menghubungkan tabel-tabel dimensi yang ada.
Nama dari database ini adalah ASCO. Kedelapan tabel dimensi itu adalah T_mobil, T_Customer, T_Cabang, T_JenisPelunasan, T_Leasing, T_Lokasi, T_waktu, dan T_warna. Dari semua tabel dimensi tersebut, nantinya akan dihubungkan melalui satu tabel fact yang dalam sistem ini bernama tabel T_Fact_Penjualan.

Tuesday, 7 October 2014

Tugas DW (lanjutan)

Star Schema (Skema Bintang) dan Metadata Pada perancangan ini, bentuk skema yang dipilih adalah skema bintang, karena skema ini merupakan skema yang mudah dipahami dan digunakan oleh pengguna daripada skema yang lain. Bentuknya yang tidak terlalu rumit, memudahkan dalam hal query. 
Gambar 6 dibawah ini merupakan skema bintang penjualan yang dihasilkan dalam perancangan ini. 

Wednesday, 1 October 2014

Tugas P3

Profil Perusahaan
          
        Cemerlang Skin Care merupakan sebuah klinik yang bergerak di bidang spesialis kulit. Sejak pertengahan tahun 2000, perusahaan ini membangun cabang dan jaringan klinik di kota-kota besar di Indonesia. Karena perusahaan mempunyai banyak cabang yang tersebar dan dimana tiap cabang mengembangkan database yang disesuaikan dengan kebutuhan masing-masing, mengakibatkan data perusahaan sulit untuk diolah menjadi satu kesatuan informasi.

Proses Bisnis
Pasien di perusahaan ini terdapat empat jenis. Jenis pasien pertama adalah pasien yang datang untuk konsultasi/tindakan misalnya konsultasi masalah jerawat dan sebagainya. Pasien jenis ini harus melakukan registrasi terlebih dahulu dengan mengisi form pendaftaran setelah itu data pasien tersebut akan dimasukan ke dalam database oleh bagian patient service (registration). Kemudian pasien akan mendapat nomor atrian untuk ke ruang dokter. Setelah di ruang dokter, pasien konsultasi masalah kulit dan akan diberikan resep oleh dokter tersebut. Obat tersebut ditebus di apotik Erha, dan pasien juga ditawarkan berbagai layanan yang berhubungan dengan penyembuhan masalah kulit. Segala layanan dan obat dibayar di kasir. Pasien jenis ini dapat membuat janji terlebih dahulu dengan memberitahukan hari dan dokter siapa yang ingin ditemui. Jika pada hari tersebut dokter yang diminta berhalangan hadir, maka akan diberitahukan kepada pasien dan akan melakukan konfirmasi lagi apakah pasien ingin mengganti dokter atau janji dibatalkan. Jenis pasien kedua adalah pasien yang datang hanya untuk membeli obat. Pasien datang ke Erha dan mengambil nomor antrian untuk mengambil obat dan pembayaran di kasir. Ketika dipanggil, pasien cukup menunjukan kartu pasien dan resep yang mau ditebus dan kemudian membayar obat tersebut. Pasien dapat meretur barang yang telah dibelinya pada hari yang sama. Jenis pasien ketiga adalah pasien delivery.
Pasien ini melakukan pembelian obat dengan menghubungi Erha melalui telepon, kemudian pesanan akan diantar besoknya. Pasien yang dapat melakukan pesanan tersebut dengan syarat: pasien telah terdaftar sebagai pasien delivery, mempunyai kartu pasien dan memenuhi minimal pembelian obat. Jenis pasien keempat adalah pasien VIP. Pasien dapat menjadi pasien VIP dengan mendaftar sebagai pasien VIP, keistimewaannya adalah mendapatkan diskon. Yang menentukan besarnya diskon adalah pemilik perusahaan langsung, dengan begitu tiap pasien bisa mendapatkan diskon yang berbeda-beda.
Ada 2 jenis pasien VIP yaitu pasien yang mendapatkan diskon dan pasien yang mendapatkan high-class service. Untuk yang pasien yang mendapatkan diskon biasanya adalah kerabat dari pemilik perusahaan, tetapi pasien yang mendapatkan high-class service biasanya adalah pasien yang ingin didahulukan dengan membayar lebih mahal. Ada pula beberapa jenis terapi yang dikelompokan berdasarkan diagnosa dokter waktu konsultasi yang menentukan jenis terapi apa yang harus diambil pasien. 
b. Analisis Kebutuhan Informasi Penentuan data dan informasi dalam data warehouse adalah suatu proses yang sangat penting karena menyangkut hasil laporan yang akan disajikan kepada para eksekutif. Hasil laporan tersebut harus akurat dan mudah dimengerti karena akan sangat membantu dalam pengambilan keputusan.
Setelah melakukan analisis terhadap proses bisnis dan database pada Cemerlang Skin Care, maka data dan informasi yang dibutuhkan oleh para eksekutif adalah sebagai berikut : 
• Laporan mengenai bagian penjualan mencakup jumlah terapi yang dilakukan, jumlah barang yang terjual, jumlah pasien, jumlah retur penjualan, jumlah penjualan, total retur dan total penjualan per periode waktu tertentu yang dapat dilihat per terapi, per item, per dokter, per pasien, dan per cabang.
• Laporan mengenai bagian pembelian mencakup jumlah barang yang dibeli dari pemasok, jumlah retur pembelian, total pembelian, dan total retur pembelian per periode waktu tertentu yang dapat dilihat per item, per supplier, dan per cabang.
• Laporan mengenai bagian persediaan mencakup jumlah barang yang masuk ke dalam gudang, jumlah barang yang keluar dari gudang, rata-rata rentang waktu pemesanan hingga sampainya barang ke gudang per periode waktu tertentu yang dapat dilihat per item dan per cabang. 
c. Arsitektur Data warehouse Dalam perancangan data warehouse ini, arsitektur yang digunakan adalah   arsitektur data warehouse dengan menggunakan staging area. Untuk lebih jelasnya dapat dilihat pada gambar 4 dibawah ini. Dimana data warehouse yang dirancang, akan dimulai dari pengumpulan data di tingkat operational yang biasa disebut dengan OLTP. Data operational yang dikumpulkan berupa data-data perawatan dari pasien dan penjualan obat-obatan serta kosmetik dari seluruh cabang dikumpulkan di pusat. Setelah data-data dari cabang terkumpul, maka proses akan dijalankan dengan cara di tampung terlebih dahulu di staging area. Setelah data masuk dalam staging area, data akan dibersihkan, di integrasikan serta di standarisasikan, baru setelah itu di loading ke data warehouse . Setelah masuk ke data warehouse , data dikelompokkan kedalam data mart sesuai dengan fungsi- fungsi yang akan menghasilkan informasi yang dibutuhkan oleh user.  
Rancangan Arsitektur Data warehouse  

Adapun bentuk metadata yang menjelaskan perpindahan data dari sumber data ke staging area seperti yang tergambar dalam Gambar 5 dibawah ini.  
Gambar 5 . ERD Staging Area  

b. Rancangan Data warehouse Dalam membuat data warehouse diperlukan beberapa tahap untuk membuat perancangan data warehouse menjadi teratur. Tahap-tahap perancangan data warehouse yang digunakan pada penulisan ini adalah 9 tahap metodologi (nine-step methodology), yaitu: 


• Memilih Proses (Choosing the process) Proses (fungsi) mengacu pada subjek masalah dari data mart tertentu. Data mart yang akan dibangun harus sesuai anggaran dan dapat menjawab masalah-masalah bisnis yang penting.

Proses dari Cemerlang Skin Care yang digunakan untuk merancang data warehouse adalah proses penjualan. Proses penjualan pada Cemerlang Skin Care yang dimaksud adalah proses penjualan produk dan jasa kepada customer maupun pengembalian produk baik karena produk rusak maupun salah. Produk yang dijual seperti obat jerawat, obat kulit, dan jasa yang diberikan seperti konsultasi masalah kulit.  Dokumen yang ada meliputi: faktur penjualan terapi, faktur penjualan obat, retur penjualan, form registrasi. Data yang ada meliputi: pasien, item, medis, terapi, registrasi, transaksi retur penjualan, transaksi penjualan delivery, transaksi konsultasi, transaksi penjualan obat.  

• Memilih Grain ( Choosing the grain ) Grain merupakan data dari calon fakta yang dapat dianalisis. Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh record dalam tabel fakta.  Grain dari Cemerlang Skin Care yang digunakan untuk merancang data warehouse adalah penjualan. Dimana analisis pada penjualan meliputi barang dan jasa yang paling banyak terjual/peminatnya, cabang yang paling banyak pasiennya, total penjualan, banyak barang yang diretur, jumlah penjualan, total retur. Analisis tersebut akan dilakukan per periode waktu tertentu (hari, minggu, bulan, triwulan, tahun). 

• Mendefinisikan dan Menyesuaikan Dimensi ( Identifying and conforming the dimenions ) Pada table 1 berikut ini ditampilkan hubungan dimensi dengan grain dari fakta dalam bentuk matriks: 
Tabel 1. Tabel Grain dan Dimensi dari Penjualan 
         
• Memilih Fakta ( Choosing the facts ) Memilih fakta yang akan digunakan dalam data mart . Masing-masing fakta memiliki data yang dapat dihitung, untuk selanjutnya ditampilkan dalam bentuk laporan, grafik atau berbagai macam diagram. Berikut ini fakta-fakta yang akan ditampilkan di data warehouse :
 Penjualan, meliputi idterapi, iditem, iddokter, idpasien, idcabang, idwaktu, banyak terapi yang dilakukan, banyak barang yang terjual, banyak penjualan,  banyak pasien aktif, banyak retur penjualan yang terjadi, total penjualan, total retur.
 Persediaan barang, meliputi idwaktu, iditem, idcabang, jumlah barang yang masuk, jumlah barang yang keluar, rata-rata waktu pengiriman barang dari supplier. 
• Menyimpan Pre-kalkulasi dalam Tabel Fakta ( Storing pre-calculations in the fact table ) Pre-kalkulasi yang dapat dilakukan untuk kemudian disimpan dalam tabel fakta penjualan yaitu banyak penjualan (jumlahpenjualan) yang merupakan kumpulan dari banyaknya barang dikurangi banyaknya retur (jumlahbarang – jumlahretur).  Selain itu, terdapat pula kalkulasi yang kemudian akan disimpan dalam tabel fakta yaitu :

 Fakta Penjualan Fakta Penjualan meliputi :

  •  Banyak terapi (jumlahterapi) yang merupakan kumpulan dari banyaknya kdtherapi
  •  Banyak barang (jumlahbarang) yang merupakan kumpulan dari banyaknya barang 
  •  Pasien yang aktif (pasien_aktif) yang merupakan kumpulan dari banyaknya kdpasien.
  •  Banyak retur (jumlahretur) yang merupakan kumpulan dari banyaknya barang yang diretur.
  •  Total penjualan (totalpenjualan) merupakan jumlah dari banyak barang dikalikan dengan harga jual masing-masing.
  •  Total retur (totalretur) merupakan jumlah dari banyak barang yang diretur dikalikan dengan harga jual masing-masing (sum (qty dikalikan dengan harga jual) ).
 Fakta Persediaan  Fakta persediaan meliputi :  

  • Jumlah barang masuk (jumlahbarangmasuk) yang merupakan kumpulan dari banyaknya pembelian barang ditambah dengan retur penjualan.  
  • Jumlah Barang Keluar (jumlahbarangkeluar) yang merupakan kumpulan dari banyaknya penjualan ditambah dengan retur pembelian.


Rata-rata lead time (rataleadtime) yang merupakan rata-rata dari leadtime. 
• Melengkapi Tabel Dimensi ( Rounding out the dimension tables ) Menambahkan sebanyak mungkin deskripsi teks pada dimensi. Deskripsi tersebut harus intuitif dan dapat dimengerti oleh user. Tabel 2 berikut ini merupakan deskripsi teks dari tabel dimensi:  

Tabel 2 . Tabel Rounding Out Dimension  
Dimensi Field Deskripsi Waktu Tahun Triwulan Bulan Minggu Hari Laporan dapat dilihat baik per tahun, per tiga bulan, per bulan, per minggu, bahkan per hari. Terapi Terapi Laporan dapat dilihat berdasarkan terapi. Barang Barang Laporan dapat dilihat berdasarkan item. Dokter Dokter Laporan dapat dilihat berdasarkan dokter. Pasien Pasien Laporan dapat dilihat berdasarkan pasien. Cabang Cabang Laporan dapat dilihat berdasarkan cabang. 
• Memilih Durasi dari Database ( Choosing the duration of the database ) Durasi dari data Cemerlang Skin Care yang dimasukan ke dalam data warehouse sebagai berikut:


Tabel 3 . Tabel Durasi Database  

• Melacak Perubahan Dimensi Secara Perlahan ( Tracking slowly  changing dimensions ) Dari tiga tipe dasar perubahan dimensi, pada perancangan data warehouse Cemerlang Skin Care ini, perubahan atribut pada dimensi akan mengakibatkan pembuatan suatu record dimensi baru. Hal ini dilakukan untuk menjaga data yang lama tetap ada agar diketahui perubahan dimensi yang terjadi dari data lama ke data baru. Contohnya seperti adanya perubahan pada nama pasien, akan mengakibatkan penambahan record baru pada dimensi dengan tetap menyimpan record yang lama. 
c. Star Schema (Skema Bintang) dan Metadata Pada perancangan ini, bentuk skema yang dipilih adalah skema bintang, karena skema ini merupakan skema yang mudah dipahami dan digunakan oleh pengguna daripada skema yang lain. Bentuknya yang tidak terlalu rumit, memudahkan dalam hal query. 
Gambar 6 dibawah ini merupakan skema bintang penjualan yang dihasilkan dalam perancangan ini. 


Pertanyaan dan Solusi dalam rancangan data warehouse Cemerlang Skin Care 

  1. Pendekatan apa yang lebih sesuai dan efektif dalam perancangan/pembuatan data warehouse Cemerlang Skin Care?
         Jawab : Yaitu dengan pendekatan bottom-up  lebih cocok dengan perusahaan ini. Karena :
  • Proses yang dilakukan lebih mudah dari top-down, sehingga waktunya juga lebih cepat
  • Lebih menguntungkan untuk mengembalikan investasi dan melakukan konsep pembuktian
  • Kemungkinan gagal saat proses implementasi lebih kecil
  • Memungkinkan tim pengembang untuk belajar dan berkembang

    2.  Apakah Desain Arsitektur Data Skema Bintang pada penjualan sudah sesuai?      
           Jawab : Menurut saya desain arsitektur data skema bintang sudah sesuai dan mendukung dalam proses kegiatan bisnis tersebut. Hanya dalam pelaksanaannya dim_pasien perlu ditambahkan nm_dokter sebagai foreign_key, agar memudahkan petugas dalam menentukan pasien yang berobat akan ditentukan dokternya dan ini akan lebih mempercepat dalam proses kinerja.
     
3. Apakah dalam proses layanan sudah memadai dan memuaskan?

             Jawab : Untuk proses layanan sudah sangat memuaskan dan memadai serta cepat. Agar proses layanan lebih dapat memudahkan pasien dalam antrian, maka perlu diadakan sebuah output monitor antrian berupa LCD. Agar para pasien dapat melihat dan mengetahui urutan antrian serta ruang untuk melakukan terapi.

source
http://repository.upnyk.ac.id/36/1/E-43_PERANCANGAN_DATA_WAREHOUSE_PENJUALAN_UNTUK_MENDUKUNG_KEBUTUHAN_INFORMASI_EKSEKUTIF_CEMERLANG.pdf

Datawarehouse Planning (P3)

PPT Datawarehouse Planning

Wednesday, 24 September 2014

Data Mart

Menurut Paul Lane, data warehouse merupakan database relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehousememisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber.

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.






Data Mart

Yang kedua adalah data Mart, Sebuah data mart adalah lapisan akses dari data warehouse lingkungan yang digunakan untuk mendapatkan data keluar bagi pengguna. Data mart adalah subset dari data warehouse yang biasanya berorientasi pada lini bisnis tertentu atau tim. Dalam beberapa penyebaran, masing-masing departemen atau unit bisnis dianggap sebagai pemilik data mart yang termasuk semua perangkat lunak, perangkat keras dan data

Perbedaan Data Mart dan Data Warehouse





Keutungan dan Kerugian Data Mart

Keuntungan
Data mart dapat meningkatkan waktu respon pengguna akhir, karena berisi data mentah yang memungkinkan sistem komputer untuk fokus pada satu tugas, sehingga meningkatkan kinerja. Berbeda dengan sistem OLTP, data mart juga dapat menyimpan data historis yang memungkinkan pengguna untuk menganalisis kecenderungan data. Selain itu, data mart tidak begitu mahal dan kompleks sebagai data gudang untuk setup dan melaksanakan karena masalah teknis tidak begitu sulit untuk diselesaikan.
  • Kerugian
Mmemiliki nilai yang terbatas karena mereka tidak dapat melihat organisasi secara keseluruhan dan pelaporan dan analisis potensi terbatas.