Data Warehouse 05 PMM KELOMPOK 6

Dina Husnia Imam Mulyawan Juwita Charolina M. Hasbi Latif Rudi Alrosadi Cisneros yauri

1401130061 1401141121 1401139571 1401136065 1401130194 1401135352

Rika Jubel Febriana 1401136790

1. Jelaskan masalah yang terjadi pada evolusi arsitektur ! Dan berikan contohnya. 2. Jelaskan SDLC Data Warehouse dan perbedaannya dengan SDLC system development ! 3. Berikan penjelasan mengapa Performance antara Operational dan Datawarehouse berbeda? 4. apakah yang dimaksud dengan granularity of data ? berikan contoh low level of granularity dan high level of granularity 5. Bagaimana Cara memonitor Data Warehouse ? 6. buat contoh subject orientation 7. buat contoh high level of granularity dan low level of granularity 8. buat contoh living sample database 9. buat contoh criteria dalam partitioning 10. buat contoh structuring data dalam database pilih salah satu dari simple cumulative, rolling summary, simple direct atau continuous 11. buat contoh operational window 12. buat contoh inccorect data dalam data warehouse dan jelaskan pilihan anda dalam mengkoreksi datanya 13. summarykan pemahaman anda tentang a. Data Homogeneity/ Heterogeneity b. Purging Warehouse Data c. Reporting and the Architected Environment d. The Operational Window of Opportunity e. Incorrect data in the Data warehouse 1. Masalah yang terjadi pada evolusi arsitektur a. Kurangnya Kredibilitas data Katakanlah dua departemen yang memberikan laporan kepada manajemen-satu departemen mengklaim kegiatan yang turun 15 persen, yang lain mengatakan bahwa kegiatan ini naik 10 persen. Tidak hanya dua departemen tidak sinkron dengan satu sama lain, mereka off dengan margin yang sangat besar.

Selain itu, mencoba untuk mendamaikan informasi yang berbeda dari departemen yang berbeda adalah sulit.

b. Masalah dengan Produktivitas Manajemen ingin menghasilkan laporan perusahaan, dengan menggunakan banyak file dan koleksi data yang telah terakumulasi selama bertahun-tahun. Para desainer diberi tugas memutuskan bahwa tiga hal yang harus dilakukan untuk menghasilkan laporan perusahaan: Cari dan menganalisis data untuk laporan. Kompilasi data untuk laporan. Dapatkan programmer / analis sumber daya untuk menyelesaikan dua tugas.

2.

3. Performance Operational : Performance sensitive Performance DataWarehouse : Performance relaxed 4. Granularity of data : tingkat detail yang terkandung pada setiap unit data. Semakin detail tingkat datanya, maka semakin rendah tingkat granularitynya. Dan sebaliknya.

5. Dua komponen operasi dimonitor secara teratur: data yang berada di gudang data penggunaan data.

Beberapa hasil penting yang dicapai dengan memantau data ini meliputi: Mengidentifikasi apa yang terjadi pertumbuhan, dimana pertumbuhan ini terjadi, dan pada tingkat pertumbuhan yang terjadi Mengidentifikasi data apa yang sedang digunakan Menghitung apa waktu respon pengguna akhir semakin Menentukan siapa yang benar-benar menggunakan data warehouse Menentukan berapa banyak pengguna akhir data warehouse menggunakan Penentuan ketika data warehouse sedang digunakan Menyadari berapa banyak data warehouse sedang digunakan Meneliti tingkat penggunaan data warehouse

6. Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu. Data warehouse diorganisasikan disekitar subjek-subjek utama dari perusahaan(customers,products dan sales) dan tidak diorganisasikan pada area-area aplikasi utama(customer invoicing,stock control dan product sales). Hal ini

dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data. Data Operasional Dirancang berorientasi hanya pada aplikasi dan fungsi tertentu Focusnya pada desain database dan proses Berisi rincian atau detail data Relasi antar table berdasar aturan terkini(selalu mengikuti rule(aturan) terbaru) Data Warehouse Dirancang berdasar pada subjek-subjek tertentu(utama) Focusnya pada pemodelan data dan desain data Berisi data-data history yang akan dipakai dalam proses analisis Banyak aturan bisnis dapat tersaji antara tabel-tabel

7. Semakin rinci didalam unit data warehouse maka semakin rendah granularity nya dan sebaliknya. contoh: transaksi sederhana memiliki tingkat granularity yang rendah sedangkan ringkasan dari semua transaksi dalam satu bulan memiliki tingkat granularity yang tinggi

8. living Database membuat semua informasi yang relevan up to date, secara real time dan seragam tersedia untuk semua orang di setiap tempat untuk menghasilkan keputusan terbaik secara cepat. Dengan kata lain living database fleksibel, tingkat

keamanan yang tinggi, Mudah untuk menginstal dan menggunakan, sangat efisien, Cocok lingkungan penelitian dan manufaktur,Diintegrasikan dengan alat desain, dan Didukung oleh para ahli.

9. Perusahaan pengiriman barang mempartisi database berdasarkan lokasi barang yang dituju. Misalnya semua kolom tujuan yang bernilai Jawa Barat, Jawa Tengah, Jawa Timur, Banten dan Jakarta dimasukkan ke dalam partisi yang bernama Pulau Jawa. 10. Simple cumulative data Data operasional yang dikumpulkan dibuat summary nya dan kemudian dikelompokkelompokkan sesuai hari didapatnya data tersebut.

11. Daftar Penjualan Mobil Honda bulan Mei- Juni2012 Tanggal Nama Mobil Model 3-Door Jazz sport LE YR446 Kode Warna Sandy Beach Metallic Harga Jual Rp. 213.420.00 0 Rp. 199.945.00 Jazz LE CR998 Blizzard Pearl 7 0 Rp. 250.533.33 Odyseey XLE SN008 Super White 3 Rp. 240.929.19 Accord XLE CA333 Cypress Pearl Sandy Beach CR-Z L MT321 Metallic Attitude Black Civic SE SN008 Metallic 0 Rp. 243.442.00 0 Rp. 249.885.98 0 Rp. 231.958.02 Freed Limited AV517 Blizzard Pearl 7 9 22- Juni -12 20- Juni -12 15- Juni -12 30- Mei -12 26- Mei -12 12- Mei -12 Jual 08-Mei-12

12. Misal ada data yang diinput seperti dibawah Nama Barang Penggaris Pengahapus Pensil Kode Barang BRG001 BRG002 BGR003 Harga Rp. 10.000 Rp. 7.000 Rp. 2.500 Quantity 7 6 5

Pada Kondisi diatas, ada terjadi kesalahan inputan pada Kode Barang, maka dari itu untuk menghindari kejadia incorrect tersebut, akan ada value yang disetting dari awal agar tidak terjadi error seperti diatas. Dimana kondisinya ketika inputan

kedalam data warehouse dilakukan, maka sistem akan mengecek apakah kode yang disetting sesuai dengan inputan atau tidak, jika tidak maka sistem akan meminta inputan yang benar dari user. 13. a. Secara kasat mata kita melihat data pada data warehouse seperti homogen yg semua jenis recordnya sama. Namun sebenarnya, data dalam data warehouse adalah Heterogen. Data dalam data warehouse di bagi menjadi beberapa kriteria sebagai berikut: 1. area subyek 2. Tabel 3. Kejadian (Occurrences) data dalam table Data yang ditemukan dalam data warehouse dibagi menjadi subdivisi utama yang disebut area subyek. c. Data warehouse atau pengolahan informasi berfokus pada manajemen dan berisi ringkasan atau informasi yang tidak dihitung. Dalam gaya gudang data pelaporan, sedikit digunakan terbuat dari baris, informasi rinci sekali perhitungan dasar data yang dibuat. Setiap area subyek yang ada akan memiliki lebih banyak subdivisi. Data dalam area subyek dibagi menjadi tabel. d. e. Arsitek perlu tahu apa yang harus dilakukan tentang data yang tidak benar dalam data warehouse. Asumsi pertama adalah data yang dimasukan pada datawarehouse atas dasar pengecualian . Jika data yang dimasukan dalam data warehouse secara sekala besar, maka kewajiban arsitek untuk menemukan program ETL menyinggung dan membuat penyesuaian. Kadang-kadang, bahkan dengan ETL terbaik pun, beberapa potong data yang salah dapat memasuki lingkungan data warehouse. Bagaimana seharusnya arsitek menangani data yang salah dalam data warehouse ? Setidaknya ada tiga pilihan. Setiap pendekatan memiliki kekuatan dan kelemahan, dan tidak ada yang benar atau salah. Sebaliknya, dalam kondisi tertentu satu pilihan yang lebih baik daripada yang lain.