Basis Data Oracle - Business Intelligence System

Ramos Somya, M.Cs.

Menurut W.H. Inmon dan Richard D.H., data

warehousing adalah koleksi data yang mempunyai
sifat berorientasi subjek, terintegrasi, time-variant,
dan bersifat tetap dari koleksi data dalam
mendukung proses pengambilan keputusan
management.
Menurut Vidette Poe, data warehousing merupakan
basisdata yang bersifat analisis dan read only yang
digunakan sebagai fondasi dari sistem penunjang
keputusan.

Menurut Paul Lane, data warehousing merupakan basisdata

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 warehousing memisahkan beban kerja analisis dari
beban kerja transaksi dan memungkinkan organisasi
menggabung/konsolidasi data dari berbagai macam sumber.

Jadi, data warehousing merupakan metode dalam

perancangan
basisdata,
yang
menunjang
DSS(Decission Support System) dan EIS (Executive
Information System). Secara fisik data warehousing
adalah basisdata, tapi perancangan data
warehousing dan basis data sangat berbeda.

Data Mart, Adalah suatu bagian pada data

warehousing yang mendukung pembuatan laporan
dan analisa data pada suatu unit, bagian atau
operasi pada suatu perusahaan.
On-Line Analytical Processing(OLAP), merupakan
suatu pemrosesan basisdata yang menggunakan
tabel fakta dan dimensi untuk dapat menampilkan
berbagai macam bentuk laporan, analisis, query dari
data yang berukuran besar.

On-Line Transaction Processing(OLTP), merupakan

suatu pemrosesan yang menyimpan data mengenai
kegiatan operasional transaksi sehari-hari.
Dimension Table, Tabel yang berisikan kategori
dengan ringkasan data detail yang dapat
dilaporkan. Seperti laporan laba pada tabel fakta
dapat dilaporkan sebagai dimensi waktu(yang
berupa perbulan, perkwartal dan pertahun).

Fact Table, merupakan tabel yang umumnya

mengandung angka dan data history dimana key
(kunci) yang dihasilkan sangat unik, karena key
tersebut terdiri dari foreign key(kunci asing) yang
merupakan primary key (kunci utama) dari beberapa
dimension table yang berhubungan.
Decision Suport System, merupakan sistem yang
menyediakan informasi kepada pengguna yang
menjelaskan bagaimana sistem ini dapat
menganalisa situasi dan mendukung suatu
keputusan yang baik.

Berorientas Subyek
Data warehousing berorientasi subject artinya data
warehousing didesain untuk menganalisa data
berdasarkan subyek-subyek tertentu dalam
organisasi, bukan pada proses atau fungsi aplikasi
tertentu.

Terintegrasi
Data warehousing dapat menyimpan data-data
yang berasal dari sumbersumber yang terpisah
kedalam suatu format yang konsisten dan saling
terintegrasi satu dengan lainnya. Dengan demikian
data tidak bisa dipecahpecah karena data yang ada
merupakan suatu kesatuan yang menunjang
keseluruhan konsep data warehousing itu sendiri.

Rentang Waktu
Seluruh data pada data warehousing dapat
dikatakan akurat atau valid pada rentang waktu
tertentu. Untuk melihat interval waktu yang
digunakan dalam mengukur keakuratan suatu data
warehousing, dapat digunakan berbagai cara.

Non-Volatile
Karakteristik keempat dari data warehousing
adalah non-volatile, maksudnya data pada data
warehousing tidak di-update secara real time tetapi
di refresh dari sistem operasional secara reguler.
Data yang baru selalu ditambahkan sebagai
suplemen bagi basisdata itu sendiri dari pada
sebagai sebuah perubahan. Basisdata tersebut
secara kontinyu menyerap data baru ini, kemudian
secara incremental disatukan dengan data
sebelumnya.

Ringkas
Datawarehousing
menyediakan
ringkasanringkasan data operasional yang sederhana dan
mudah dipahami oleh pihak manajemen jika
diperlukan.

Data dari berbagai sumber

Data yang diolah diperoleh dari berbagai sumber
baik sumber internal maupun sumber eksternal.

Manfaat
Data warehousing diperlukan bagi para pengambil
keputusan
manajemen
dari
suatu
organisasi/perusahaan. Dengan adanya data
warehouse, akan mempermudah pembuatan
aplikasi-aplikasi DSS dan EIS karena memang
kegunaan dari data warehousing adalah khusus
untuk membuat suatu basisdata yang dapat
digunakan untuk mendukung proses analisa bagi
para pengambil keputusan.

Data warehouse dan OLAP dibangun berdasarkan

multidimensional data model. Pada model ini diperlukan
tabel fakta dan tabel dimensi.
Tabel fakta berisi fakta numerik yang memiliki ciri-ciri :
panjang, dan besar, serta sering berubah dan berguna untuk
mengukur (measure).
Sedangkan tabel dimensi berisi kolom yang bersifat
desktiptif, kecil, pendek, dan lebar yang berguna untuk
filtering (menyaring) dan didasarkan pada atribut dimensi.

Tabel fakta akan menyimpan data-data utama sementara

tabel dimensi mendeskripsikan setiap nilai dari suatu
dimensi dan dapat direlasikan ke tabel fakta jika diperlukan.
Data fakta merupakan data yang terukur besarannya,
semisal jumlah siswa, banyaknya rupiah yang diperoleh,
rata-rata IPK, dan sejenisnya.
Untuk lebih menjelaskan data fakta, maka kondisi saat data
tersebut diukur turut disampaikan. Data kondisi inilah yang
dipetakan dalam bentuk data dimensi. Kondisi yang
dipetakan dalam dimensi umumnya berupa kondisi waktu,
kondisi produk atau item, dan kondisi geografinya

Dalam dimensional modeling, ada beberapa

pendekatan yang digunakan untuk membuat data
warehouse, yaitu:
Skema bintang (star schema)
Skema bola salju (snowflake Schema)
Fact constellations (galaxy schema)

Skema ini mengikuti bentuk bintang, di mana

terdapat satu tabel fakta (fact table) di pusat
bintang dengan beberapa tabel dimensi
(dimensional tables) yang mengelilinginya.
Semua tabel dimensi berhubungan dengan ke tabel
fakta. Tabel fakta memiliki beberapa key yang
merupakan kunci indek individual dalam tabel
dimensi.

Mendesain struktur star schema, dimulai dengan

menentukan data apa yang ingin dilihat oleh
pengguna (besarannya) dan bagaimana pengguna
melihat data tersebut (kondisi atau dimensinya).
Tabel dimensi memiliki primary key sederhana yang
mengandung hanya satu atau dua kolom saja.
Namun, tabel fakta akan memiliki sekumpulan
foreign key yang disusun dari primary key komposit
dan merupakan gabungan kolom-kolom tabel
dimensi yang berelasi. Untuk lebih jelasnya, berikut
contoh struktur star schema.

Dalam star schema, kueri yang terbentuk antara tabel fakta

dan sejumlah tabel dimensi dinamakan star query.
Setiap tabel dimensi direlasikan dengan tabel fakta
berdasarkan kolom primary key dan foreign key, namun
diantara masing-masing tabel dimensi tidak ada yang saling
berelasi (tidak ada hubungan data).
Kueri yang terbentuk menyebabkan proses eksekusi yang
lebih optimal, karena rencana eksekusi kueri dalam DBMS
akan lebih cepat dengan setiap tabel hanya berelasi dengan
satu tabel yang lain.

Struktur basis data ini lebih kompleks dari pada star

schema, dengan menormalisasi tabel-tabel dimensi
yang berukuran besar dengan satu atau lebih kolom
yang memiliki duplikasi data.
Misal jika tabel dimensi Product dinormalisasi maka
akan menghasilkan struktur seperti berikut:

Tabel dimensi dinormalisasi untuk mengurangi redudansi

data (duplikasi), sehingga struktur tabelnya akan lebih
ramping.
Dengan pengelompokan ini, data akan lebih mudah dibaca
dan membantu pengembang aplikasi untuk menata desain
antarmuka sistem dan filtering data.
Struktur ini akan menghemat kapasitas storage, namun
waktu eksekusi data akan lebih lama mengingat jumlah tabel
dimensi yang direlasikan lebih banyak dan membutuhkan
tambahan relasi foreign key

Pada skema ini terdapat beberapa tabel fakta yang

menggunakan satu atau beberapa tabel dimensi
secara bersama-sama sehingga jika digambarkan
akan terlihat seperti sekumpulan bintang.
Skema ini juga dikenal dengan galaxy schema.

Data Extraction
Fungsi ini biasanya berhadapan dengan bermacam
data source, dan menggunakan teknik yang sesuai
dengan setiap data source. Sumber data mungkin
berasal dari source machine yang berbeda dalam
format data yang berbeda pula.

Data Transformation
Data transformation melibatkan berbagai bentuk dalam
mengkombinasikan bagian dari data yang berasal dari
sumber yang berbeda. Kombinasi data dilakukan dari
sumber record tunggal, atau dapat juga dilakukan dari
elemen data yang berelasi dengan banyak sumber
record. Proses cleaning mungkin dilakukan dalam data
transformation, dimana proses cleaning memiliki fungsi
untuk melakukan koreksi terhadap kesalahan
pengejaan, atau untuk melakukan eliminasi terhadap
duplikat data.

Data Loading
Setelah selesai melakukan desain dan konstruksi
dari data warehouse dan aplikasi digunakan untuk
pertama kalinya, akan dilakukan pengisian awal
data ke dalam media penyimpanan data warehouse.
Dalam pengisian awal, dilakukan pemindahan data
dalam jumlah yang besar.

ROLAP (Relational Online Analytical Processing)

MOLAP (Multidimensional Online Analytical
Processing)
analisis
multidimensi
yang
memberikan
kemampuan untuk melakukan query dan membuat
laporan (reporting).
OLAP

OLAP merupakan kunci dari BI, yang digunakan

untuk menganalisisis data dan informasi yang pada
akhirnya akan menjadi dasar basis Decision Support
System (DSS) dan Expert Infotmation System (EIS).
Beberapa aktivitas yang dapat dilakukan melalui
OLAP antara lain seperti : melakukan query,
meminta laporan yang ad hoc dan mendukung
analisis statistik.

Suatu cara melihat data dengan multidimensi

tersebut dikenal dengan nama kubus (cube).
Kubus ini menjadi struktur OLAP yang utama yang
digunakan untuk melihat data (view).
Analisa menggunakan kubus ini memberikan
fasilitas banyak dimensi untuk melihat data yang
diinginkan. Sehingga memungkinkan untuk
mengakses data dengan lebih mudah dan cepat
untuk menjawab pertanyaan yang dikemukakan.

Slicing dan Dicing

Roll up dan drill down

Slicing dan dicing adalah operasi untuk melihat data sebagai

visualisasi dari kubus. Dengan slicing dan dicing pengguna
dapat melihat data dari beberapa perspektif
Slicing memotong kubus sehingga dapat memfokuskan pada
perspektif yang spesifik (pada suatu dimensi).
Sedangkan dicing memberikan kemampuan untuk melihat
pemilihan data pada dua dimensi atau lebih. Yaitu dengan
merotasi cube pada perspektif yang lain sehingga pengguna
dapat melihat lebih spesifik terhadap data yang dianalisa.

Drill down dan roll up adalah operasi untuk melihat data

global atau detail disepanjang level hiraraki dimensi.
Roll up untuk melihat data secara global atau rangkuman
(summary).
Drill down memandu pengguna untuk memperoleh data
yang lebih detail. Drill down ini biasa digunakan untuk
menjawab pertanyaan atas suatu kasus tertentu. Misalnya
untuk menjawab pertanyaan ketika sebuah summary number
(rata-rata atau jumlah) di bawah atau di atas harapan.

Dikerjakan secara kelompok max 4 mahasiswa

Buatlah jurnal (Artikel Ilmiah) tentang implementasi
Basis Data Oracle pada suatu sistem/aplikasi.
Aplikasi berdasarkan topik yang akan ditentukan
bahasa pemrograman: bebas.
Tabel dalam database harus berelasi (ada proses
perancangan) minimal 5 tabel.

Sertakan proses bisnis untuk topik yang dibuat.

Gunakan kreativitas untuk mengembangkan topik.
Output:
Aplikasi: 30%
Jurnal: 70%

10 Juli 2012: pengumuman tugas akhir

17 Juli 2012: konsultasi + revisi 1
24 Juli 2012: konsultasi + revisi 2
31 Juli 2012: responsi

Bimbingan setiap hari Selasa (10-12) dan Rabu (1012)

E-Commerce
Tes Online
Reservasi Tiket Pesawat
Rental Mobil Online
Sistem Inventory

Halaman judul
Abstrak bahasa Inggris dan Indonesia.
Halaman Utama:
1. Pendahuluan
2. Kajian Pustaka
3. Metode dan Perancangan Sistem
4. Hasil dan Pembahasan
5. Simpulan
6. Pustaka.

Berisi rangkuman isi dari artikel ilmiah, terdiri dari:

- Permasalahan
- Cara penyelesaian masalah
- Hasil penelitian
Ditulis dalam bahasa Inggris dan Indonesia serta diberi
keywords.

Berisi penjelasan tentang latar belakang masalah.

Berisi rumusan masalah.
Berisi tujuan dan manfaat penelitian.
Berisi batasan masalah.

Ditulis dengan bahasa Indonesia yang baik dan

benar. Perhatikan tanda baca, susunan kalimat dan
ketentuan penulisan lainnya.

Berisi penelitian terdahulu yang menjadi acuan

untuk penelitian yang dikerjakan.
Cara menjelaskan: judul penelitian terdahulu,
membahas apa, menggunakan cara apa, hasilnya
apa.
Dilarang
menyebutkan kelemahan penelitian
terdahulu.
Sertakan juga beda penelitian terdahulu dengan
penelitian yang dilakukan.

Berisi konsep/teori pendukung yang dipakai dalam

penelitian.
Misal:
Sistem Pendukung Keputusan
Metode TOPSIS
Kecerdasan Buatan

Berisi metode penelitian yang digunakan

waterfall model, prototype, dll.
Berisi perancangan sistem UML atau DFD.
Berisi perancangan database ERD, Normalisasi.
Berisi perancangan algoritma
Berisi perancangan user interface

Berisi hasil dari perancangan sebelumnya, yaitu

aplikasi yang telah dibuat.

Berisi kesimpulan dari penelitian yang telah dibuat.

Berisi daftar pustaka yang digunakan.