PENDAHULUAN
Salah satu efek yang dihasilkan dari adanya suatu sistem informasi adalah
munculnya banyak data. Data yang ada ini berasal dari sistem operasional yang
berfungsi untuk menangani transaksi yang terkait dengan proses bisnis yang
ditangani oleh sistem informasi tersebut. Contoh: sistem informasi presensi
karyawan memunculkan data jumlah kehadiran kehadiran karyawan setiap hari
dengan data yang disimpan tergantung pada apa yang dibutuhkan oleh sistem
informasi tersebut (misalkan: nomor induk pegawai, jam masuk, pintu masuk,
dsb.). Bayangkanlah sistem informasi ini dipakai di perusahaan yang jumlah
karyawannya sebanyak 1000 orang. Apabila data ini dipakai selama seminggu
masa kerja saja (5 hari), maka data yang masuk dalam basis data ada 1000 x 5 =
5000 baris. Anda tinggal kalikan saja apabila ingin menghitung jumlah data yang
disimpan selama seminggu waktu operasional, sebulan, hingga setahun. Itu baru
satu sistem informasi saja. Di korporasi yang besar sistem informasi yang ada
berjumlah banyak dengan berbagai fungsi dan tujuannya. Akhirnya masalah
berikutnya muncul.
Data warehouse adalah data-data yang beorientasi subjek, terintegrasi, memiliki
dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan
dalam mendukung proses pengambilan keputusan. Sedangkan data mining
muncul setelah banyak dari pemilik data baik perorangan maupun organisasi
mengalami penumpukan data yang telah terkumpul selama beberapa tahun,
misalnya data pembelian, data penjualan, data nasabah, data transaksi, email dan
sebagainya. Kemudian muncul pertanyaan dari pemilik data tersebut, apa yang
harus dilakukan terhadap tumpukan data tersebut.
Data mining merupakan prinsip dasar dalam mengurutkan data dalam jumlah
yang sangat banyak dan mengambil informasi informasi yang berkaitan dengan
apa yang diperlukan seperti apa yang biasa dilakukan oleh seorang analis. Dengan
bertambah banyaknya jumlah data yang ada dalam model bisnis yang kita lakukan
dalam perusahaan ini, maka peran analis untuk menganalisa data secara manual
perlu digantikan dengan aplikasi yang berbasis komputer yang dapat menganalisa
data secara otomatis menggunakan alat yang lebih kompleks dan canggih.
Data warehouse adalah database yang berisi data dari beberapa system
operasional yang terintegrasi dan terstruktur sehingga dapat digunakan untuk
mendukung analisa dan proses pengambilan keputusan dalam bisnis.
Data warehouse didesain untuk kita bisa melakukan query secara cepat. Informasi
diturunkan dari data lain, dilakukan rolling up untuk dijadikan ringkasan,
dilakukan operasi drilling down untuk mendapatkan informasi lebih detail, atau
melihat pola yang menarik atau melihat trend (kecenderungan).
Ada empat tugas yang bisa dilakukan dengan adanya data warehouse
1. Pembuatan laporan
Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling
umum dilakukan. Dengan menggunakan query sederhana didapatkan laporan
perhari, perbulan, pertahun atau jangka waktu kapanpun yang diinginkan.
2. On-Line Analytical Processing (OLAP)
OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para
pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun perintah
SQL. Hal ini dimungkinkan karena pada konsep multi dimensi, maka data yang
berupa fakta yang sama bisa dilihat dengan menggunakan fungsi yang berbeda.
Fasilitas lain yang ada pada sofware OLAP adalah fasilitas rool-up dan drilldown. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi
dan roll-up adalah kebalikannya.
3. Data mining
Data mining merupakan proses untuk menggali pengetahuan dan informasi baru
dari data yang berjumlah banyak pada data warehouse, dengan menggunakan
kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining
merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara
data dan pemakainya.
Beberapa solusi yang diberikan data mining antara lain :
Data Warehouse
tertentu(utama)
Focusnya pada desain database dan proses Focusnya pada pemodelan data dan desain
data
Berisi rincian atau detail data
Relasi
antar
terkini(selalu
table
berdasar
mengikuti
rule(aturan)tabel-tabel
terbaru)
2. Integrated (Terintegrasi)
Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber
yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu
dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang
ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data
warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten
dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam
struktur pengkodean dan konsisten dalam atribut fisik dari data.
Contoh pada lingkungan operasional terdapat berbagai macam aplikasi yang
mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin
dalam aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang sama
tetapi nama dan format nya berbeda. Variable tersebut harus dikonversi menjadi
nama yang sama dan format yang disepakati bersama. Dengan demikian tidak ada
lagi kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data
tersebut
bisa
dikategorikan
sebagai
data
yang
terintegrasi
karena
kekonsistenannya.
3. Time-variant (Rentang Waktu)
Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang
waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur
keakuratan suatu data warehouse, kita dapat menggunakan cara antara lain :
Cara yang paling sederhana adalah menyajikan data warehouse pada rentang
waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.
Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan
dalam data warehouse baik implicit maupun explicit secara explicit dengan unsur
waktu dalam hari, minggu, bulan dsb. Secara implicit misalnya pada saat data
tersebut diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu akan
tetap ada secara implisit didalam data tersebut.
Cara yang ketiga,variasi waktu yang disajikan data warehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian
data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat
read-only.
4. Non-Volatile
Karakteristik keempat dari data warehouse adalah non-volatile,maksudnya data
pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem
operasional secara reguler. Data yang baru selalu ditambahkan sebagai suplemen
bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut
secara kontinyu menyerap data baru ini, kemudian secara incremental disatukan
dengan data sebelumnya.
mengelola,
mengumpulkan,
menyimpan,
memproses
serta
Sebuah sistem OLTP yang umum memiliki karakteristik seperti jumlah user yang
sangat banyak yang secara serentak mengolah dan menambah data. Dalam hal ini,
apabila banyak user yang melakukan pengolahan dan penambahan data akan
membebani program, saat database berkembang semakin banyak dan kompleks,
waktu respon akan semakin berkurang disebabkan bertumpuknya pemakaian
sumber daya yang tersedia, sehingga untuk membuat suatu keputusan sangatlah
susah dan membutuhkan waktu yang lama dan untuk membuat query satu persatu
pada sumber data tidak praktis dan efisien, apalagi sumber data yang ada
menyimpan current (arus data), sedangkan data yang dibutuhkan oleh para
pembuat keputusan adalah data-data historis. Sebagai contoh data histori
dibutuhkan pada pembuatan informasi mengenai transaksi setoran/tarikan dengan
nominal tertentu per bulan per cabang, besaran rata-rata transaki per cabang per
bulan, transaksi yang di-reverse, dan lain-lain. Dengan adanya masalah diatas
maka data warehouse mempunyai solusi dalam mengolah data historis dari
berbagai sumber data tersebut.
Data warehouse menyediakan sebuah interface gabungan terhadap data, sehingga
query-query pendukung keputusan mudah ditulis. Data warehouse juga dapat
menyimpan sumber data yang heterogen (data yang tersebar pada database Online
Transactional Processing) dipindahkan ke data yang homogen, sehinggga dengan
kemampuan akses data warehouse maka upaya untuk pendukung keputusan dapat
diakses dengan cepat, efisien dan akurat. Hal penting untuk menjaga Data
Warehouse adalah dengan selalu memantau kekinian data yang tersimpan, dengan
membuat katalog data dan disimpan secara terpisah dalam suatu sistem repositori
meta data yang menyimpan informasi sumber data terkini.
OLAP (OnLine Analytical Processing)
OLAP (OnLine Analytical Processing) adalah jenis perangkat lunak yang
digunakan untuk melakukan permintaan terhadap data dalam bentuk yang
kompleks dan bersifat sementara serta sewaktu-waktu. OLAP memanipulasi dan
menganalisis data bervolume besar dari berbagai perspektif (multidimensi). Oleh
karena itu OLAP seringkali disebut analisis data multidimensi.
OLAP bekerja dengan data dalam bentuk multidimensi. Yang umum, bentuk tiga
dimensi diwujudkan ke dalam bentuk kubus data.
Tujuan OLAP adalah menggunakan informasi dalam sebuah basis data (data
warehouse) untuk memandu keputusan-keputusan yang strategic. Beberapa
contoh permintaan yang ditangani oleh OLAP:
Berapa jumlah penjualan dalam kuartal pertama?
Berapa jumlah penjualan per kuartal untuk masing-masing kota?
Tampilkan 5 produk dengan total penjualan tertinggi pada kuartal pertama.
Kadangkala permintaan yang ditangani OLAP bisa diselesaikan dengan
pernyataan SQL sederhana, tetapi dalam banyak kasus tidak dapat diekspresikan
dengan SQL. OLAP dapat digunakan untuk melakukan konsolidasi, drill-down,
dan slicing and dicing. Di bawah ini adalah kegunaan dari konsolidasi, drill-down,
dan slicing and dicing yaitu:
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
Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang
memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail.
Sebagai contoh, mula-mula data yang tersaji didasarkan pada kuartal pertama.
Jika dikehendaki, data masing-masing bulan pada kuartal pertama tersebut bisa
diperoleh, sehingga akan tersaji data bulan Januari, Februari, Maret, dan April.
Slicing and dicing (atau dikenal dengan istilah pivoting)
Untuk menjabarkan pada kemampuan untuk melihat data dari berbagai sudut
pandang. Data dapat diiris-iris atau dipotong-potong berdasarkan kebutuhan.
Sebagai contoh, dapat diperoleh data penjualan berdasarkan semua lokasi atau
hanya pada lokasi-lokasi tertentu.
Adapun karakterisik aplikasi-aplikasi OLAP:
permintaan data sangat kompleks,
jarang ada pemutakhiran, dan
transaksi mengakses banyak bagian dalam basis data.
Contoh perangkat lunak OLAP:
Express Server (Oracle)
PowerPlay (Cognos Software)
Metacube (Informix/Stanford Technology Group)
HighGate Project (Sybase
Sistem OLAP pada masa awal menggunakan larik multidimensi di dalam memori
untuk
menyimpan
data
kubus.
Sistem
seperti
ini
disebut
MOLAP
Perbedaan diantara struktur data yang heterogen pada beberapa sumber yang
terpisah dapat diatasi.
Aturan
untuk
transformasi
data
diterapkan
untuk
memvalidasi
dan
karena tidak jarang hasil data mining pada awalnya tidak sesuai dengan harapan
analisnya sehingga perlu dilakukan desain ulang prosesnya.
Metodologi Data Warehouse
1. Metode NCR (Non Conform report)
3NF dan model perusahaan (penekanan pada normalisasi dan DBMS standar)
Penekanan pada arsitektur
Digunakan dalam beberapa sistem yang sangat besar
2. Metode SAS
Datawarehouse cepat
Keterkaitan selama 3 bulan
Kembali lagi
Integrasi
Perulangan
5. Metode Ives
Kelebihan :
Teknik untuk perumusan keperluan
Integrasi
Teknik representasi berganda
Kelemahan :
Kekompleksan dan potensi berbiaya tinggi
Waktu penyelesaian
Kemampuan beradaptasi (bagaimana bila strategi bisnis berubah?, Feedback
pengguna?)
6. Metode Kimball
Kelebihan :
Pemodelan berdimensi
Mudah dimengerti
Kelemahan :
Integrasi
Mapping dari pemodelan berdimensi ke sistem yang sudah ada
7. Metode McFadden
Kelebihan :
Partisipasi pengguna
Fokus pada pencarian sumber data
Kelemahan :
Membagi data warehouse yang besar
Software
Back end:
Data quality
Meta-data manajemen
Front end:
OLAP
ROLAP
Spreadsheet
Pembuat laporan
Analisa Statistik
b)
Hardware
tunggal.
tertentu.
Knowledge Discovery In Database (KDD)
KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi
dan visualisasi dari pola-pola sejumlah kumpulan data. Knowledge discovery in
databases (KDD) adalah keseluruhan proses non-trivial untuk mencari dan
mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat
sah, baru, dapat bermanfaat dan dapat dimengerti.
Tahapan Proses KDD
1. Data Selection
Menciptakan himpunan data target ,
dilakukan
data
yang
menjadi
fokus
KDD.
Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data
yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi). Dilakukan proses enrichment, yaitu proses memperkaya data yang
sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk
KDD, seperti data atau informasi eksternal.
3. Transformation
Pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung
kepada goal yang ingin dicapai. Merupakan proses transformasi pada data yang
telah dipilih, sehingga data tersebut sesuai untuk prosesdata mining. Proses ini
merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi
yang akan dicari dalam basis data
4. Data mining
Proses Data mining yaitu proses mencari pola atau informasi menarik dalam data
terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau
algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma
yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
Pemilihan algoritma data mining untuk pencarian (searching)
5. Interpretation/ Evaluation
Penerjemahan pola-pola yang dihasilkan dari data mining. Pola informasi yang
dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah
dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari
proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang
ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya
PENUTUP
Data warehouse merupakan suatu cara/metode dari suatu database yang
berorientasi kepada subjek, non-volatile, time-variance dan terintegrasi yang