Data Warehouse, Data

Mart & OLAP

Apa Data Warehouse ?

Merupakan database
yang berisi data dari
beberapa system
operasional yang
terintegrasi,
teragregrasi dan
terstruktur sehingga
dapat digunakan
untuk mendukung
analisa dan proses
pengambilan
keputusan dalam
bisnis

d
Pro s Brand
uct s Cost

Mk
tg
Sa

les

Clie
nts

Information

Operational data

Mengapa kita perlu Data

Warehouse?
Apakah anda memiliki data detail histori untuk

tujuan analisa ?
Berapa bulan dari data histori yang diperlukan untuk
di-online-kan ?
Apakah anda menyimpan level detail yang benar ?
Apakah anda dapat menganalisa penjualan untuk
tiap produk dari setiap daerah sebelum dan sesudah
struktur pelaporan penjualan di-reorganisasi ?

Data warehouse dibangun dengan tujuan

memecahkan semua persoalan tersebut.

Tujuan
Mendukung

pengambilan keputusan,
bukan untuk melaksanakan
pemrosesan transaksi
Data warehouse hanya berisi informasi-

informasi yang relevan bagi kebutuhan

pemakai yang dipakai untuk
pengambilan keputusan

Tinjauan Histori
Tahun 1970-an aplikasi komersial pertama
dibangun => dibangun pada computer
mainframe
Tahun 70-an dan awal 1980 =>
minicomputers seperti Digital's PDP-11 dan
VAX 11/780 membuat harga hardware turun
drastis

munculnya database relasional

tahun 1979, Oracle sebagai software komersial

pertama
kemunculan Personal Computer (PC), komputasi
beralih dari mainframes ke system client/server

Tahun 1980-an

Era Kemunculan Data

Warehouse
Dan

pada akhir tahun 1980-an dan

awal tahun 1990-an, mulai dilakukan
tinjauan bisnis secara menyeluruh,
sehingga muncullah enterprise data
warehouses untuk pertama kalinya
Istilah data warehouse dikenalkan
pertama kali oleh Bill Inmon

Ciri-ciri Data Warehouse

Terdapat 4 karateristik data warehouse:
1.

Subject oriented

Data yang disusun menurut subyek berisi hanya

informasi yang penting bagi pemrosesan decision support.
(customer, vendor, product, sales, dsb)
Database yang semua informasi yang tersimpan
dikelompokkan berdasarkan subyek tertentu misalnya:
pelanggan, gudang, pasar, dsb.
Data-data disetiap subyek dirangkum kedalam dimensi,
misalnya: periode waktu, produk, wilayah, dsb, sehingga
dapat memberikan nilai sejarah untuk bahan analisa.

Ciri-ciri (contd.)
2.

Integrated

Jika data terletak pada berbagai aplikasi yang terpisah dalam

suatu lingkungan operasional, encoding data sering tidak
seragam sehinggga bila data dipindahkan ke data warehouse
maka coding akan diasumsikan sama seperti lazimnya.
(sumber : database relasional, flat file, transaksi on-line )
3.

Time-variant

Data warehouse adalah tempat untuk storing data selama 5

sampai 10 tahun atau lebih, data digunakan untuk perbandingan
atau perkiraan dan data ini tidak dapat diperbaharui.
4.

Non volatile

Data tidak dapat diperbaharui atau dirubah tetapi hanya dapat

ditambah dan dilihat

Sifat Data Warehouse

Kelompok variabel atau

parameter disebut
Dimensions pada On-Line
Analytical Processing (OLAP)
Multidimensional yang
berarti bahwa terdapat
banyak lapisan kolom dan
baris (Ini berbeda dengan
tabel pada model relasional
yang hanya berdimensi dua)
Berdasarkan susunan data
seperti itu, amatlah mudah
untuk memperoleh jawaban
atas pertanyaan seperti:
Berapakah jumlah produk 1
terjual di Jawa Tengah pada

Tahun n-4
Tahun n-3
Tahun n-2
Tahun n-1
Jawa Tengah
Jawa Barat

Produk 3
Produk 2
Produk 1

Data warehouse melihat ke dalam

data untuk menemukan informasi
Aktifitas

utamanya adalah query, atau

membaca data.

Aktifitas

perubahan (update) hanya terjadi

pada saat data di-load ke dalam warehouse.

Materialized

views ditambahkan pula sejak

Oracle 8i untuk meningkatkan performansi
pada saat melakukan aggregasi dan
summary pada data.

Analisa yang diperoleh dari

Data Warehouse

Tidak cukup hanya dengan mengetahui

keuntungan yang diperoleh tahun ini,
seorang analis juga perlu mengetahui
keuntungan untuk setiap periode waktu
tertentu untuk setiap produk untuk setiap
area geografis tertentu.

Seorang analis perlu membandingkan

penjualan bulan ini dengan bulan yang
sama pada tahun sebelumnya.

Data warehouse membutuhkan

desain database yang berbeda

Data warehouses didesain untuk kita bisa melakukan

query secara cepat.

Informasi diturunkan dari data lain, dilakukan rolling

up data untuk dijadikan ringkasan (summaries),
dilakukan operasi drilling down untuk mendapatkan
informasi lebih detail, atau melihat pola yang
menarik atau melihat trend (kecenderungan).

Desain yang sesuai adalah dengan menggunakan

skema star yang diperkenalkan mula pertama oleh
Ralph Kimball

Pendekatan dimensional
pada skema Star

Mengorganisasi data ke dalam table fakta dan

table-tabel dimensi.

Dimensi-dimensi dalam skema star digunakan

untuk melakukan analisa dan mengorganisasi data.

Desain logika ditampilkan dalam bentuk

representasi fisik yang akan mengoptimalkan
performansi dan manajemen.

Dalam hal ini, Tabel, constraints, indexes, dan

partisi didefinisikan.

Data warehouses sebagai

system terpisah
Mengapa

kita perlu mengkopi data dari

satu system ke system lain untuk
membangun warehouse?
Alasan: system operasional tidak berisi data

histori (data time series atau data yang

mengandung dimensi waktu), sehingga data
tidak available untuk dianalisa.
Juga skema data tidak didesain untuk
keperluan queri kecerdasan bisnis (business
intelligence queries).

Data warehouse dibangun

dari system operasional
Membangun warehouse melibatkan ekstraksi
data dari system operasional, dikombinasikan
dengan informasi tambahan dari pihak
ketiga, mentransformasinya ke dalam format
yang seragam dan di-load ke dalam
database.
80% waktu digunakan untuk proses
extraction/transformation/load (ETL) :
menempatkan data, menulis program untuk
ekstraksi; memfilter, dan membersihkan
data; mentransformasi data ke dalam skema
pengkodean standart; kemudian me-load

Contoh format yang

tidak sama

Produk dengan kode "1234" disebut dengan

roti sementara di tempat lain "1234 disebut
kue
kode produk direpresentasikan dengan karakter
yang dipisahkan dengan tanda -(xxx-xx-xxx)
sedangkan ditempat lain direpresentasikan
dengan karakter yang dipisahkan dengan tanda
spasi (xxx xx xxx).
untuk atribut gender pada table customer
digunakan nilai "0" atau "1." Sedangkan di
system lain, digunakan "M" atau "F."
Perbedaan mata uang yang tidak sama untuk
data penjualan, digunakan rupiah, dollar atau

Software Data
Warehouse

Data warehouse dapat dibangun sendiri

dengan menggunakan perangkat
pengembangan aplikasi ataupun dengan
menggunakan perangkat lunak khusus yang
ditujukan untuk menangani hal ini

Beberapa contoh perangkat lunak yang

digunakan untuk administrasi dan
manajemen data warehouse:
HP Intelligent Warehouse (Hewlett Packard)
FlowMark (IBM)
SourcePoint (Software AG)

Data Mart
Data

marts adalah subyek spesifik

atau aplikasi spesifik dari data
warehouses yang berisi data untuk
satu line bisnis tertentu semisal
penjualan atau pemasaran.

Ruang

lingkup data mart lebih kecil,

data didapatkan dari sumber yang
lebih sedikit, dan waktu
implementasinya juga lebih pendek.

Tipe Data Mart

Data

marts bisa bersifat dependent atau

independent, tergantung pada sumber
informasinya.

Sumber

informasi untuk data mart yang bersifat

dependent adalah data warehouse itu sendiri.

Sedangkan

data mart bersifat independent jika

tidak terdapat data warehouse, dan data
diekstrak secara langsung dari system
operasional.

Data Warehouse & dependent

Data Mart

Software Data Mart

SmartMart

(IBM)
Visual Warehouse (IBM)
PowerMart (Informatica)

Online Transaction
Processing (OLTP)
Suatu

class program yg
memfasilitasi dan mengatur aplikasi
berorientasi transaksi, khususnya
untuk data entry dan transaksi
pencarian pada sejumlah industri
meliputi banking, airlines, mailorder,
supermakets

OLTP Vs Data Warehouse

Workload
Data

warehouse didesain untuk menampung query dalam

jumlah yang besar
OLTP hanya mendukung operasi tertentu

Data modification
Data

warehouse diupdate data secara regular (setiap minggu

atau setiap hari) menggunakan teknik modifikasi data sehingga
user tidak secara langsung mengupdate data warehouse
Pada OLTP, user melakukan proses update data secara rutin dan
langsung

vv

OLTP Vs Data Warehouse

(contd.)
Skema Desain :
Data warehouse biasanya ternormalisai secara sebagian
bahkan dalam keadaan tidak ternormalisasi
OLTP ternormalisasi penuh untuk meningkatkan proses
update/insert/delete dan meningkatkan konsistensi data

Typical operation
Data warehouse menjalankan query yang memproses
banyak baris (ratusan atau milyaran),
contoh :total penjualan semua customer pada akhir
bulan
OLTP hanya mengkases record tertentu, contoh :mencari
data order untuk customer tertentu

OLTP Vs Data Warehouse

(contd.)
Historical data

Data warehouse menyimpan data selama

beberapa bulan atau tahun. Hal ini
mendukung proses historical analysis

OLTP menyimpan data hanya beberapa

minggu atau bulan

Online Analytical Processing

(OLAP)
Suatu

jenis pemrosesan yang memanipulasi dan

menganalisa data bervolume besar dari
berbagai perspektif (multidimensi). OLAP
seringkali disebut analisis data multidimensi
(atribut dimensi & ukuran).

Saat

ini OLAP lebih sering terdengar dengan

istilah BI (Business Intelligent)
cara untuk menganalisa data-data perusahaan

dengan begitu mudah yaitu dengan cara 'Drag &

Drop', sehingga data-data tersebut bisa menjadi suatu
informasi yang lebih bernilai

 Untuk

mempermudah anda mengingat tentang OLAP

adalah 'Fast Analysis of Shared Multidimensional
Information' atau 'FASMI'.
FAST berarti bahwa informasi yang akan dilakukan sangat
cepat, untuk memproses data 1,000,000 transaksi hanya
membutuhkan waktu +/- 2.5 menit dengan 10 dimensi dan
3 jenis ukuran.
ANALYSIS berarti bahwa system dapat mencakup
'Business Logic' dan data analisa statistik yang relevan
dengan data-data yang tersedia.

SHARED berati bahwa system ini diimplementasikan

dengan suatu system keamanan untuk menjaga
kerahasiaan informasi. Sehingga setiap user dapat
diatur sesuai kebutuhan.
MULTIDIMENSIONAL adalah suatu kunci kebutuhan
terhadap penggunaan aplikasi OLAP. Setiap aplikasi ini
harus selalu mengandung unsur multi dimensi.
INFORMATION adalah semua data dan turunan
informasi yang dibutuhkan, dimanapun dan
bagaimanapun data itu haruslah berhubungan dengan
aplikasi.

Contoh data 2-dimensi

Kemampuan OLAP

Konsolidasi melibatkan pengelompokan data.

Sebagai contoh kantor-kantor cabang dapat
dikelompokkan menurut kota atau bahkan
propinsi. Transaksi penjualan dapat ditinjau
menurut tahun, triwulan, bulan, dan sebagainya.
Kadangkala istilah rollup digunakan untuk
menyatakan konsolidasi
Drill-down adalah suatu bentuk yang
merupakan kebalikan dari konsolidasi, yang
memungkinkan data yang ringkas dijabarkan
menjadi data yang lebih detail
Slicing and dicing (atau dikenal dengan istilah
pivoting) menjabarkan pada kemampuan untuk
melihat data dari berbagai sudut pandang

Contoh Pivoting Table

SoftWare OLAP
Express

Server (Oracle)
PowerPlay (Cognos Software)
Metacube (Informix/Stanford
Technology Group)
HighGate Project (Sybase)