Definisi Data Mart

Data mart adalah suatu bagian pada data warehouse yang mendukung
pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi
pada suatu perusahaan. Dalam beberapa implementasi data warehouse,
data mart adalah miniature data warehouse. Data mart sering digunakan
untuk memberikan informasi kepada segmen fungsional organisasi.
Contoh umum data mart adalah untuk departemen penjualan,
departemen persediaan dan pengiriman, departemen keuangan,
manajemen tingkat atas, dan seterusnya. Data mart juga dapat digunakan
untuk gudang data segmen data untuk mencerminkan bisnis secara
geografis terletak di mana masing-masing daerah relatif otonom. Sebagai
contoh, sebuah organisasi layanan yang besar mungkin memperlakukan
pusat operasi regional sebagai unit usaha perorangan, masing-masing
dengan data mart sendiri yang memberikan kontribusi untuk gudang data
master.

Pengertian dan Contoh Arsitektur Data Warehouse Terbaik - Penerapan

awal dari arsitektur data warehouse dibuat berdasarkan konsep bahwa data
warehouse mengambil data dari berbagai sumber dan memindahkannya ke
dalam pusat pengumpulan data yang besar. Konsep ini sebenarnya lebih
cenderung kepada sebuah lingkungan mainframe yang terpusat.

Keunggulan teknologi Client Server memungkinkan data warehouse diterapkan

dalam berbagai macam cara untuk menampung kebutuhan pemakai sistem
secara lebih proposional. Dalam suatu kasus, misalkan saja pemakai tertentu
perlu menggabungkan data dari sebuah sistem pengumpulan data yang statis
dengan data dari sistem operasional yang dinamis hanya dengan sebuah query
saja.

image source: zenoss.com

baca juga: Pengertian Data Warehouse dan Data Mining Menurut Para Ahli
Berikut ini adalah tiga jenis dasar sistem Data Warehouse :

1. Functional Data Warehouse (Data Warehouse Fungsional)

Kata operasional disini merupakan database yang diperoleh dari kegiatan sehari-
hari. Data warehouse dibuat lebih dari satu dan dikelompokkan berdasar fungsi-
fungsi yang ada di dalam perusahaan seperti fungsi
keuangan(financial),marketing,personalia dan lain-lain.

Keuntungan dari bentuk data warehouse seperti ini adalah, sistem mudah
dibangun dengan biaya relatif murah sedangkan kerugiannya adalah resiko
kehilangan konsistensi data dan terbatasnya kemampuan dalam pengumpulan
data bagi pengguna.
Artikel terkait : Pengertian dan Contoh Arsitektur Data Warehouse
Terbaik

Pengertian Data Warehouse dan Data Mining Menurut Para

AhliPengertian Data Warehouse dan Data Mining Menurut ...

Memahami Transformasi Data dalam Data WarehouseMemahami

Transformasi Data dalam Data Warehouse - ...

Gambar 1. Data Warehouse Fungsional

2. Datawarehouse (Data Warehouse Terpusat)

Bentuk ini terlihat seperti bentuk data warehouse fungsional, namun terlebih
dahulu sumber data dikumpulkan dalam satu tempat terpusat, kemudian data
disebar ke dalam fungsinya masing-masing, sesuai kebutuhan persuhaan. Data
warehouse terpusat ini, biasa digunakan oleh perusahaan yang belum memiliki
jaringan eksternal.

Keuntungan dari bentuk ini adalah data benar-benar terpadu karena

konsistensinya yang tinggi sedang kerugiannya adalah biaya yang mahal serta
memerlukan waktu yang cukup lama untuk membangunnya.

Gambar 2. Data Warehouse Terpusat

3. Distributed Data Warehouse (Data Warehouse terdistribusi)

Pada data warehouse terdistribusi ini, digunakan gateway yang berfungsi

sebagai jembatan penghubung antara data warehouse dengan workstation yang
menggunakan sistem beraneka ragam. Dengan sistem terdistribusi seperti ini
memungkinkan perusahaan dapat mengakses sumber data yang berada diluar
lokasi perusahaan(eksternal).

Keuntungannya adalah data tetap konsisten karena sebelum data digunakan

data terlebih dahulu di sesuaikan atau mengalami proses sinkronisasi.
Sedangkan kerugiannya adalah lebih kompleks untuk diterapkan karena sistem
operasi dikelola secara terpisah juga biaya nya yang paling mahal dibandingkan
dengan dua bentuk data warehouse lainnya.

Gambar 3. Data Warehouse terdistribusi

Arsitektur dan Infrastruktur Data

Warehouse
Arsitekur Data Warehouse
Menurut Poe, arsitektur adalah sekumpulan atau struktur yang memberikan
kerangka untuk keseluruhan rancangan suatu sistem atau produk. Ada arsitektur
client-server,arsitektur networking dan masih banyak arsitektur lainnya.
Arsitektur data menyediakan kerangka dengan mengidentifikasikan dan
memahami bagaimana data akan pindah melalui sistem dan digunakan dalam
perusahaan. Arsitektur data untuk data warehouse mempunyai komponen utama
yaitu read-only database.

Karakterisitik arsitektur data warehouse (Poe) :

1. Data diambil dari sistem asal (sistem informasi yang ada), database dan
file.

2. Data dari sistem asal diintegrasikan dan ditransformasi sebelum disimpan

ke dalam Database Management System (DBMS) seperti Oracle,Ms SQL
Server, Sybase dan masih banyak yang lainnya.
 3. Data warehouse merupakan sebuah database terpisah bersifat hanya
dapat dibaca yang dibuat khusus untuk mendukung pengambilan
keputusan

4. Pemakai mengakses data warehouse melalui aplikasi front end tool

Arsitektur dan komponen utama dari data warehouse dapat dilihat pada
gambar berikut ini :

Gambar 4. Arsitektur Data Warehouse

Sumber : Conolly,T.M.,Begg

a. Operational Data

Sumber data dari data warehouse dapat diambil langsung dari mainframe, basis
data relasional seperti Oracle, Ms SQL server dan sebagainya. Selain itu dapat
melaluo Operational Data Source(ODS). ODS menampung data yang diekstrak
dari sistem utama atau sumber-sumber data yang ada dan kemudian data hasil
ekstrasi tersebut dibersihkan.

b. Load manager

Load manager juga disebut sebagai komponen front-end yang bertugas

melakukan seluruh operasi yang berhubungan dengan ekstrasi dan me-load data
ke warehouse.

c. Warehouse Manager

Warehouse manager melakukan seluruh operasi-operasi yang berhubungan

dengan kegiatan manajemen data di dalam warehouse. Operasi-operasi tersebut
meliputi :

Analisis terhadap data untuk memastikan konsistensi

Transformasi dan penggabungan sumber data dari tempat penyimpanan

sementara menjadi tabel-tabel data warehouse.

Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar

Melakukan denormalisasi dan agregasi jika diperlukan

Backing-Up dan mengarsipkan data

d. Query manager

Query manager juga disebut komponen back-end, melakukan operasi-operasi

yang berhubungan dengan manajemen user queries. Operasi-operasi yang
dilakukan oleh komponen ini termasuk mengarahkan query kepada tabel-tabel
yang tepat dan menjadwalkan eksekusi dari query tersebut.

e. End-user Access Tools

Prinsip atau tujuan utama dari dibangunnya data warehouse adalah untuk
menyediakan informasi bisnis kepada user-user untuk dapat melakukan
pengambilan keputusan secara cepat dan tepat.User ini berinteraksi dengan
warehouse melalui end-user access tools. Data warehouse harus secara efisien
mendukung secara khusus kebutuhan user serta secara rutin melakukan analisis.
Performa yang baik dapat dicapai dengan merencanakan dahulu keperluan-
keperluan untuk melakukan joins,summations dan laporan-laporan per periode
dengan end-users.

Berdasarkan kategori yang dikemukakan oleh Berson dan Smith terdapat lima
grup utama dari tools tersebut, antara lain :

1. Reporting and query tools

 2. Application development tools

3. Executive information System (EIS) tools

4. Online Analytical Processing (OLAP) tools

5. Data mining tools

Arsitektur dan infrastruktur dari data warehouse sangat erat hubungannya dan
satu dengan lainnya saling berkaitan.

Infrastruktur Data Warehouse

Infrastruktur data warehouse adalah software, hardware, pelatihan dan
komponen-komponen lainnya yang memberikan dukungan yang dibutuhkan
untuk mengimplementasikan data warehouse(Poe).

Salah satu instrumen yang mempengaruhi keberhasilan pengembangan data

warehouse adalah pengidentifikasian arsitektur mana yang terbaik dan
infrasruktur apa yang dibutuhkan. Arsitektur yang sama, mungkin memerlukan
infrastruktur yang berbeda, tergantung pada lingkunan perusahaan ataupun
organisasi.

Struktur Data Warehouse

Seperti yang kita lihat sebelumnya pada arsitektur data warehouse, ada
beberapa struktur yang spesifik terdapat pada bagian warehouse manager.
Bagian tersebut merupakan struktur data warehouse.

Menurut Poe, Vidette, data warehouse memiliki struktur yang spesifik dan
mempunyai perbedaan dalam tingkatan detail data dan umur data.
 Gambar 5. Struktur Data Warehouse

Sekian artikel Modul Makalah tentang Pengertian dan Contoh Arsitektur

Data Warehouse Terbaik. Semoga bermanfaat.

Daftar Pustaka

Connoly, T., & Begg, c. (2005). database system; a practical approach to

design, implementation and management (4th ed.). Harlow :Addison
wesley

Indrajani. (2011). Perancangan Basis Data Dalam All In 1, ISBN 978-979-

27-9980-4, Jakarta: Elex Media Computindo

Indrajani. (2011). Bedah Kilat 1 Jam Pengantar dan Sistem Basis Data,
ISBN 978-979-27-9695-7, Jakarta: Elex Media Computindo

Inmon, W.H. (2005). Building The Data Warehouse. Third edition. John
Wiley & Sons. New York

O'Brien, J. (2003). Introduction To Information Systems (11th ed.). New

York: Mc Graw Hill

DATA WAREHOUSE Data warehouse biasanya digunakan oleh perusahaan-

perusahaan besar yang memliki banyak cabang, data yang banyak dan struktur
organisasi yang kompleks. Ada beberapa pendapat tentang data warehouse : 1. Ralph
Kimball, data warehouse adalah suatu sistem yang mengekstrak, membersihkan,
menyesuaikan diri, dan mengirim sumber data ke dalam suatu data penyimpanan
dimensional dan kemudian mendukung implementasi query dan analisis untuk tujuan
pengambilan keputusan. 2. Menurut W.H. Inmon dan Richard D.H., data warehouse
adalah koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-
variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan
keputusan management. 3. Menurut Bill Inmon, data warehouse adalah kumpulan
data yang berorientasi subjek, terintegrasi, bervariasi waktu, dan non-volatile, yang
mendukung proses pengambilan keputusan oleh manajemen. 4. Menurut Vidette Poe,
data warehouse merupakan database yang bersifat analisis dan read only yang
digunakan sebagai fondasi dari sistem penunjang keputusan jadi, dari beberapa
pendapat tersebut bisa ditarik kesimpulan bahwa data warehouse adalah kumpulan
data dari berbagai sumber internal maupun eksternal yang dikumpulkan menjadi satu
dalam tempat penyimpanan yang berukuran besar yang bisa digunakan untuk
pengambilan keputusan, dan bersifat berorientasi subjek,terintegrasi,time-variant, dan
non-volatine. Karakteristik Data Warehouse : 1. Berorientasi Subject Data di dalam
Datawarehouse diperoleh berdasarkan enterprise subject seperti daricustomers,
products dan sales. dandidesain bukan pada proses atau aplikasi tertentu melainkan
untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi. 2.
Terintegrasi integrasi itu sendiri adalah penggabungan data dari beberapa sumber. jadi
data warehouse terintegrasi karena data warehouse memiliki data yang diambil dari
berbagai sistem operasional dan data eksternal maupun data internal 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 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 continue menyerap data baru ini, kemudian
secara incremental disatukan dengan data sebelumnya Arsitektur Data Warehouse
Arsitektur, dalam konteks data organisasi usaha pergudangan, adalah konseptualisasi
tentang bagaimana data warehouse dibangun. Tidak ada arsitektur yang benar atau
salah, melainkan ada beberapa arsitektur yang ada untuk mendukung berbagai
lingkungan dan situasi. Kelayakan arsitektur dapat dinilai dari bagaimana bantuan
konseptualisasi di gedung, pemeliharaan, dan penggunaan data warehouse. Satu
konsep sederhana yang mungkin dari sebuah arsitektur data warehouse terdiri dari
lapisan-lapisan saling berikut : I. Operasional lapisan database Sumber data untuk
data warehouse Sebuah organisasi sistem Enterprise Resource Planning jatuh ke
dalam lapisan ini. II. Lapisan akses data Antarmuka antara lapisan akses operasional
dan informasi Tools untuk mengekstrak, mengubah, data beban ke gudang jatuh ke
dalam lapisan ini. III. Metadata lapisan Direktori data Ini biasanya lebih rinci dari
suatu direktori data sistem operasional.Ada kamus untuk seluruh gudang dan kadang-
kadang kamus untuk data yang dapat diakses oleh sebuah laporan tertentu dan alat
analisis. IV. Lapisan akses informasi Data diakses untuk melaporkan dan menganalisis
dan alat untuk pelaporan dan analisa data Bisnis intelijen alat jatuh ke dalam lapisan
 ini. Dan perbedaan Inmon-Kimball tentang metodologi desain, dibahas kemudian
dalam artikel ini, ada hubungannya dengan lapisan ini

Selengkapnya : http://www.kompasiana.com/abduldice/data-
warehouse_5520c1428133112f7419fb4a
KARAKTERISTIK DATA WAREHOUSE

1. Berorientasi Subjek.

Data warehouse terorganisasi di seputar subjek kunci (atau entitas-entitas peringkat tinggi)
dalam perusahaan, Data warehouse adalah tempat penyimpanan berdasakan subyek bukan
berdasakan aplikasi. Subyek merupakan bagian dari suatu perusahaan. Contoh subyek pada
perusahaan manufaktur adalah penjualan, konsumen, inventori, daln lain sebagainya.

Contoh lain misalnya di bank, aplikasi kredit mengotomasi fungsi-fungsi: verifikasi

lamaran dan credit checking, pemeriksaan kolateral, approval, pendanaan, tagihan, dan
seterusnya. Didalam data warehouse data-data yang dihasilkan dari proses kredit ini, diatur
kembali (dikelompokkan) dan diintegrasikan (digabung) dengan data-data dari fungsi-fungsi
lain, agar berorientasi pada misalnya nasabah dan produk.

Gambar dibawah ini merupakan perbedaan mengenai data warehouse dan database
operasional.

2. Terintegrasi

Data yang tersimpan dalam data warehouse didefinisikan menggunakan konversi penamaan
yang konsisten, format-format, struktur terkodekan, serta karakteristik-karakteristik yang
berhubungan, Sumber data yang ada dalam data warehouse tidak hanya berasal dari database
operasional (internal source) tetapi juga berasal dari data diluar sistem (external source). Data
pada sumber berbeda dapat di-encode dengan cara yang berbeda. Sebagai contoh, data jenis
kelamin dapat di-enkode sebagai 0 dan 1 di satu tempat dan m dan f di tempat lain.

Contoh lain misalnya : Data dari macam-macam aplikasi transaksi (untuk bank misalnya:
tabungan, kredit, rekening koran) semua mengandung data nasabah, ada yang sama ada yang
spesifik (yang sama misalnya: nama dan alamat, yang spesifik misalnya: untuk kredit ada
kolateral, untuk rekening koran ada overdraft) didalam data warehouse data-data yang sama
harus diintegrasikan disatu database, termasuk misalnya diseragamkan formatnya (sederhana
tetapi paling sering terjadi aplikasi-aplikasi sering dibeli vendor berbeda, dibuat
dengan/dijalankan di teknologi berbeda-beda)

3. Memiliki dimensi waktu (Time variant)

Data yang tersimpan dalam data warehouse mengandung dimensi waktu yang mungkin
digunakan sebagai rekaman bisnis untuk tiap waktu tertentu, Data warehouse menyimpan
sejarah (historical data). Bandingkan dengan kebutuhan sistem operasional yang hampir
semuanya adalah data mutakhir! Waktu merupakan tipe atau bagian data yang sangat penting
didalam data warehouse.

Didalam data warehouse sering disimpan macam-macam waktu, seperti waktu suatu transaksi
terjadi/dirubah/dibatalkan, kapan efektifnya, kapan masuk ke komputer, kapan masuk ke data
warehouse; juga hampir selalu disimpan versinya, misalnya terjadi perubahan definisi
kode pos, maka yang lama dan yang baru ada semua didalam data warehouse kita.
Sekali lagi, data warehouse yang bagus adalah yang menyimpan sejarah.

4. Non-volatile

Data yang tersimpan dalam data warehouse diambil dari system operasional yang sedang
berjalan, tetapi tidak dapat diperbaharui (di-update) oleh pengguna (bersifat hanya-baca),
Sekali masuk kedalam data warehouse, data-data, terutama data tipe transaksi, tidak akan
pernah di update atau dihapus (delete) Terlihat, bahwa keempat karakteristik ini saling terkait
kesemuanya harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data
untuk mendukung pengambilan-keputusan. Dan, implementasi keempat karakteristik ini
membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem
operasional.

Data dalam database operasional akan secara berkala atau periodik dipindahkan kedalam data
warehouse sesuai dengan jadwal yang sudah ditentukan. Misal perhari, perminggu, perbulan,
dan lain sebagainya. Sekali masuk ke dalam data warehouse, data adalah read-only . Pada
gambar 2 dibawah ini bisa dilihat bahwa database OLTP bisa dibaca, diupdate, dan dihapus.
Tetapi pada database data warehouse hanya bisa dibaca.

5. Ringkas

Jika diperlukan, data operasional dikumpulkan ke dalam ringkasan-ringkasan

6. Granularity
Pada sistem operasional data dibuat secara real-time sehingga untuk mendapatkan informasi
langsung dilakukan proses query. Pada data warehouse pada menganalisis harus
memperhatikan level-of-detail misalkan perhari, ringkasan perbulan, ringkasan per-tiga-
bulan.

7. Tidak ternormalisasi

Data di dalam sebuah data warehouse biasanya tidak ternormalisasi dan sangat redundan.
Dasar dari suatu data warehouse adalah suatu data yang besar yang mengandung informasi
bisnis. Data-data yang ada di dalam data warehouse bisa berasal dari banyak sumber,
misalkan dari database operasional atau transaksional dan sumber dari luar misalkan dari
web, penyedia jasa informasi, dari perusahaan lain, dan lain sebagainya.

1. Berorientasi Subjek.

Data warehouse terorganisasi di seputar subjek kunci (atau entitas-entitas peringkat tinggi)
dalam perusahaan, Data warehouse adalah tempat penyimpanan berdasakan subyek bukan
berdasakan aplikasi. Subyek merupakan bagian dari suatu perusahaan. Contoh subyek pada
perusahaan manufaktur adalah penjualan, konsumen, inventori, daln lain sebagainya.

Contoh lain misalnya di bank, aplikasi kredit mengotomasi fungsi-fungsi: verifikasi

lamaran dan credit checking, pemeriksaan kolateral, approval, pendanaan, tagihan, dan
seterusnya. Didalam data warehouse data-data yang dihasilkan dari proses kredit ini, diatur
kembali (dikelompokkan) dan diintegrasikan (digabung) dengan data-data dari fungsi-fungsi
lain, agar berorientasi pada misalnya nasabah dan produk.

Gambar dibawah ini merupakan perbedaan mengenai data warehouse dan database
operasional.

2. Terintegrasi

Data yang tersimpan dalam data warehouse didefinisikan menggunakan konversi penamaan
yang konsisten, format-format, struktur terkodekan, serta karakteristik-karakteristik yang
berhubungan, Sumber data yang ada dalam data warehouse tidak hanya berasal dari database
operasional (internal source) tetapi juga berasal dari data diluar sistem (external source). Data
pada sumber berbeda dapat di-encode dengan cara yang berbeda. Sebagai contoh, data jenis
kelamin dapat di-enkode sebagai 0 dan 1 di satu tempat dan m dan f di tempat lain.
Contoh lain misalnya : Data dari macam-macam aplikasi transaksi (untuk bank misalnya:
tabungan, kredit, rekening koran) semua mengandung data nasabah, ada yang sama ada yang
spesifik (yang sama misalnya: nama dan alamat, yang spesifik misalnya: untuk kredit ada
kolateral, untuk rekening koran ada overdraft) didalam data warehouse data-data yang sama
harus diintegrasikan disatu database, termasuk misalnya diseragamkan formatnya (sederhana
tetapi paling sering terjadi aplikasi-aplikasi sering dibeli vendor berbeda, dibuat
dengan/dijalankan di teknologi berbeda-beda)

3. Memiliki dimensi waktu (Time variant)

Data yang tersimpan dalam data warehouse mengandung dimensi waktu yang mungkin
digunakan sebagai rekaman bisnis untuk tiap waktu tertentu, Data warehouse menyimpan
sejarah (historical data). Bandingkan dengan kebutuhan sistem operasional yang hampir
semuanya adalah data mutakhir! Waktu merupakan tipe atau bagian data yang sangat penting
didalam data warehouse.

Didalam data warehouse sering disimpan macam-macam waktu, seperti waktu suatu transaksi
terjadi/dirubah/dibatalkan, kapan efektifnya, kapan masuk ke komputer, kapan masuk ke data
warehouse; juga hampir selalu disimpan versinya, misalnya terjadi perubahan definisi
kode pos, maka yang lama dan yang baru ada semua didalam data warehouse kita.
Sekali lagi, data warehouse yang bagus adalah yang menyimpan sejarah.

4. Non-volatile

Data yang tersimpan dalam data warehouse diambil dari system operasional yang sedang
berjalan, tetapi tidak dapat diperbaharui (di-update) oleh pengguna (bersifat hanya-baca),
Sekali masuk kedalam data warehouse, data-data, terutama data tipe transaksi, tidak akan
pernah di update atau dihapus (delete) Terlihat, bahwa keempat karakteristik ini saling terkait
kesemuanya harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data
untuk mendukung pengambilan-keputusan. Dan, implementasi keempat karakteristik ini
membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem
operasional.

Data dalam database operasional akan secara berkala atau periodik dipindahkan kedalam data
warehouse sesuai dengan jadwal yang sudah ditentukan. Misal perhari, perminggu, perbulan,
dan lain sebagainya. Sekali masuk ke dalam data warehouse, data adalah read-only . Pada
gambar 2 dibawah ini bisa dilihat bahwa database OLTP bisa dibaca, diupdate, dan dihapus.
Tetapi pada database data warehouse hanya bisa dibaca.
5. Ringkas

Jika diperlukan, data operasional dikumpulkan ke dalam ringkasan-ringkasan

6. Granularity

Pada sistem operasional data dibuat secara real-time sehingga untuk mendapatkan informasi
langsung dilakukan proses query. Pada data warehouse pada menganalisis harus
memperhatikan level-of-detail misalkan perhari, ringkasan perbulan, ringkasan per-tiga-
bulan.

7. Tidak ternormalisasi

Data di dalam sebuah data warehouse biasanya tidak ternormalisasi dan sangat redundan.
Dasar dari suatu data warehouse adalah suatu data yang besar yang mengandung informasi
bisnis. Data-data yang ada di dalam data warehouse bisa berasal dari banyak sumber,
misalkan dari database operasional atau transaksional dan sumber dari luar misalkan dari
web, penyedia jasa informasi, dari perusahaan lain, dan lain sebagainya.

Membuat Star Schema untuk Data Warehouse

Ditulis oleh tras rustamaji pada Sab, 05/07/2016 - 00:21

Salah satu tantangan dalam membangun Data Warehouse dan Business Intelligence adalah
membuat Star Schema yang tepat. Dengan Star Schema yang tepat, maka pembuatan BI
report/analysis akan jauh lebih mudah.

Apa itu Star Schema? Sesuai namanya Star Schema adalah schema database di mana diagram
ERD nya berbentuk seperti bintang (star) seperti pada gambar di atas.

Dalam star schema, satu table yang di tengah (lihat gambar di atas) disebut table fakta (fact
table) dan table-table di kelilingnya adalah tabel dimensi (Dimension table).

Apa beda table fakta dan dimensi?

Table dimensi berisi atribut yang menjelaskan table fakta. Sedangkan table fakta adalah table
yang berisi measure, yaitu suatu yang bisa dihitung atau diukur dalam suatu angka.

Contoh measure misalnya "jumlah penduduk", "luas wilayah", "jumlah penjualan", "jumlah
belanja", dll. Sedangkan contoh table dimensi adalah "dimensi wilayah", misalnya dalam
contoh measure "jumlah penduduk", maka dimensi wilayah bisa berisi atribut provinsi,
kabupaten/kota, kecamatan atau kelurahan. Sehingga kita bisa menampilkan jumlah
penduduk per provinsi misalnya.

Contoh lain dimensi misalnya dimensi waktu. Bila dimensi ini digunakan dalam measure
"jumlah penjualan", dimensi waktu dapat berupa tanggal, bulan, kwartal, semester atau tahun.
Sehingga kita bisa menampilkan data penjualan ini dalam rentang (dimensi) waktu yang kita
inginkan, misalnya harian atau bulanan.

Dengan adanya measure dan dimensi, penyusunan suatu laporan business intelligence sangat
mudah dilakukan, karena kita hanya perlu meletakkan dimensi ke dalam baris atau kolom
yang kita inginkan.

Table dimensi sering kali berbentuk hirarki, misalnya dimensi geografi akan memiliki hirarki
dari Negara -> Provinsi -> Kabuptan -> Kecamatan -> Kelurahan dst. Dan saat ini table
dimensi biasanya dilengkapi dengan kordinat posisi (latitude dan longitude) maupun poligon
batas wilayah. Data peta ini digunakan untuk menampilkan data tsb dalam overlay peta
seperti contoh di bawah

Untuk lebih mendalami star schema, mari kita lihat study kasus di bawah ini.
Sebagai contoh kasus, kita akan mencoba membuat suatu star schema dari data
http://dibi.bnpb.go.id/data-bencana

Kalau lihat data di atas, maka hanya ada satu measure yaitu "jumlah korban". Ada berapa
dimensi? Paling tidak ada 4 dimensi, yaitu:

1. Dimensi waktu (waktu kejadian (tgl/bln/tahun)

2. Dimensi geografi (provinsi, kabupaten)

3. Dimensi bencana (banjir, puting beliung, dll)

4. Dimensi jenis korban (meninggal, hilang, dll)

Dimensi waktu adalah dimensi yang hampir selalu ada dalam setiap Business Intelligence,
sehingga semua solusi BI biasanya memiliki pre-defined tabel dimensi ini. Di Tableau
misalnya, begitu suatu kolom type nya adalah tanggal, maka otomatis dikenali sebagai
dimensi waktu lengkap dengan atribut lainnya seperti bulan, kwartal, semester, tahun, dll.
Dengan dimensi waktu yang predefined ini kita hampir tidak perlu membuat table dimensi
sendiri, namun untuk kasus ini kita akan membuat table dimensi waktu sendiri.

Dengan dimensi dan measure di atas, maka star schema nya menjadi sbb
Selanjutnya, setelah kita mendapatkan Star Schema yang sesuai adalah memasukkan data
yang ada ke masing-masing table ini.

Untuk table dimensi korban hanya ada 4 baris, yaitu:

1 Meninggal

2 Hilang

3 Terluka

4 Mengungsi
Untuk table dimensi bencana berisi

1 Banjir

2 Angin Puting Beliung

3 Tanah Longsor

4 Kebakaran Hutan

5 Gempa Bumi

Untuk dimensi geografi

kode_negar kode_pro kd_kabupate kabupate

id negara Provinsi
a v n n

Aceh
1 ID Indonesia 11 Aceh 1112
Singkil

2 ID Indonesia 11 Aceh

3 ID Indonesia 11 Aceh

Sumatera
4 ID Indonesia 12
Barat

Sumatera
5 ID Indonesia 12
Barat

Sumatera
6 ID Indonesia 12
Barat

Sumatera
7 ID Indonesia 13
Utara

Sumatera
8 ID Indonesia 13
Utara

Sumatera
9 ID Indonesia 13
Utara

Kita bisa saja membuat listnya secara manual seperti di atas, atau kita bisa gunakan ETL
untuk memasukkan data ini secara program. Kita akan bahas ETL di tulisan berikut.

Untuk table facta disusun dari kolom-kolom dimensi dan measure tablenya menjadi sbb.

geo_i jenis_bencan jenis_korba jumlah_korba

id tanggal
d a n n

1 1 12-01-2016 1 1 2
 geo_i jenis_bencan jenis_korba jumlah_korba
id tanggal
d a n n

2 1 12-01-2016 1 2 1

3 1 12-01-2016 1 3 2

4 1 12-01-2016 1 4 300

Perhatikan bahwa kolom-kolum jenis korban di transpose (pivot)

Star Schema, SnowFlake Schema, dan StarFlake Schema

Dimensional modeling merupakan suatu desain logic yang merepresentasikan data dalam
bentuk standar, dan mudah dipahami , sehingga mendukung untuk akses terhadap data
dengan cepat.

Tabel Fakta adalah tabel utama dalam konsep pemodelan dimensional dimana hasil
perhitungan bisnis disimpan.

Tabel Dimensi berisi penjelasan deskriptif dari sebuah bisnis dan memiliki banyak
kolom atau atribut.

Star schema merupakan struktuk logikal yang memiliki tabel fakta yang terdiri atas data
faktual ditengahnya, dan dikelilingi oleh tabel-tabel dimensi yang berisi referensi data.
Karateristik Star Schema

1. Pusat dari star disebut fact table

2. Fact table mempunyai sebuah nilai aggregate dari data-data yang berasal dari tabel
dimensi

3. Setiap tabel dimensi berelasi langsung dengan fact table

4. Tabel dimensi beisikan data tentang informasi atau waktu

5. Relasi antara fact table dengan dimensi-dimensinya adalah 1 N (one to many)

6. Primary key pada tabel dimensi akan menjadi key pada fact table atau dapat
diakatakan bahwa fact table memiliki kombinasi key dari tabel dimensi tersebut

Keuntungan :

Lebih simple
 Mudah dipahami.

Hasil dari proses query juga relatif lebih cepat.

Kerugian :

Boros dalam space.

Snowflake Schema Merupakan pengembangan dari star schema, ia juga mempunyai satu
atau lebih dimensi. Hanya saja pada snowflake, tabel yang berelasi pada fact table hanya
tabel dimensi utama, sedangkan tabel yang lain dihubungkan pada tabel dimensi utama.

Keuntungan & Kerugian Snowflake Schema

Keuntungan :

Pemakain space yang lebih sedikit

Update dan maintenance yang lebih mudah

Kerugian :

Model lebih komplek dan rumit

Proses query lebih lambat

Performance yang kurang bagus

Starflake schema adalah skema yang menggabungkan star schema dan snowflake schemas
Keduanya merupakan model-model dimensional, perbedaannya terletak pada implementasi
fisikal. Skema snowflake memberi kemudahan pada perawatan dimensi, dikarenakan
strukturnya yang lebih normalisasi. Sedangkan skema bintang lebih efisien serta sederhana
dalam membuat query dan mudah diakses secara langsung oleh pengguna.

Keuntungan :

Efisien dalam hal mengakses data

Dapat beradaptasi terhadap kebutuhan-kebutuhan user

Bersifat fleksibel terhadap perubahan yang terjadi khususnya perubahan yang

mengarah pada perkembangan

Memiliki kemampuan dalam memodelkan situasi bisnis secara umum

Meskipun skema yang dihasilkan sangat kompleks, tetapi pemrosesan query dapat
diperkirakan, hal ini dikarenakan pada level terendah, setiap table fakta harus di query
secara independen.
 Referensi :
http://dundungismyblog.blogspot.com/2014/10/resume-pertemuan-5.html
http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2013100090SIBab2003/page37.html
https://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=8&ved=0CE0QFjAH&url=http%3A%2F
%2Fthesis.binus.ac.id%2Fdoc%2FBab2%2F2012-1-00579-SI%2520bab
%25202.pdf&ei=7qBHVJGDEZONuASU04HQAw&usg=AFQjCNEB_snFB_rNRiYBa4Gh
KGuFnzuFRw&sig2=v1BtUVjWS_UOGk5VKXwsTA&bvm=bv.77880786,d.c2E&cad=rja

Perbandingan Data Warehouse, Data Center, Data Mart serta jenis intelenjensi
bisnis dari beberapa vendor ternama

Perbedaan antara data warehouse dan data mart serta data ce nter adalah sebagai
berikut :
Data warehouse merupakan gabungan dari
beberapa data mart dan levelnya berada pada
perusahaan atau organisasi.
Data mart merupakan bagian dari
datawarehouse dan berada level departemen
pada perusahaan atau organisasi tersebut. Data
mart menangani sebuah business proses,
misalkan penjualan, maka hanya proses
penjualan saja yang ditangani pada data mart.
Data warehouse sendiri 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).
Kemudian yang dimaksud 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.
Untuk lebih jelasnya perbedaan data warehouse
dan data mart adalah sebagai berikut:

Untuk Data center atau dalam bahasa Indonesia disebut pusat data adalah suatu fasilitas tempat yang digunakan
untuk meletakkan system computer beserta komponen-komponennya, system ini meliputi system komunikasi dan penyimpanan data.

Keberadaan data center sangat diperlukan oleh sebuah perusahaan bisnis, karena memiliki banyak manfaat untuk kinerja sebuah

perusahaan yang profesional. Keberadaan data center akan sangat besar manfaatnya manakala ada hal tak terduga yang melanda

sebuah perusahaan.

Misalnya saja terjadi bencana alam yang

merusak perusahaan sehingga menyebabkan
semua arsip data perusahaan musnah, dengan
adanya data center, maka semuanya bisa diatasi
karena data perusahaan tetap utuh di lokasi data
center. Oleh karena itu, data center biasanya
lokasinya terpisah dari perusahaan, atau bahkan
berada di tempat yang dirahasiakan. Hal ini
untuk menjaga keamanan dari data center
perusahaan itu sendiri dari gangguan hal-hal
yang tidak diinginkan, misalnya saja ada pihak
yang iri dan ingin menghancurkan sebuah
perusahaan.
Untuk membangun sebuah data center, kini
banyak perusahaan yang membuat layanan jasa
penyediaan data center untuk perushaan-
perusahaan dengan jaminan keamanan yang
tinggi. Perkembangan penggunaan data center
oleh perusahaan yang ada di Indonesia hingga
tahun 2015 dijangkakan cukup tinggi, hal ini
dapat dilihat dari perkembangan pertumbungan
perusahaan penyedia data center yang
berkembang pesat. Perusahaan-perusahaan
menyadari betapa pentingnya menjaga
keamanan jangka panjang sebuah perusahaan.
Data center adalah solusi menjamin keamanan
sebuah perusahaan dari hal-hal yang tidak
diduga. Karenanya lokasi pembangunan data
center sendiri merupakan lokasi yang sangat
aman dari berbagai resiko seperti bencana alam,
gangguan geografis atau gangguang dari
manusia yang ingin merusak sebuah perusahaan.
Bagi Anda para pemilik perusahaan, sudah
saatnya menginvestasikan keamanan sebuah
perusahaan melalui pembangunan sebuah
fasilitas data center. Terlebih lagi jika perusahaan
Anda adalah perusahaan yang memiliki
keterkaitan erat dengan fasilitas internet, maka
memiliki data center adalah sebuah
keharusan. Data center harganya murah
dibandingkan jika Anda harus menanggung
resiko kehilangan data-data penting perusahaan
karena sesuatu dan lain hal.
http://datacenterindonesia.co.id/pengertian-data-
center/

Berikut i ni saya juga menampilkan jenis intelejensi

bisnis dari beberapa vendor ternama.

Oracle 11g

Interaktif Panel Kontrol. Titik awal untuk

analisis dan wawasan oleh kebanyakan
pengguna, OBIEE 11g solusi Interaktif
Dashboard memberikan sepenuhnya koleksi
 interaktif dashboard dan laporan dengan
beragam visualisasi. Pengguna dapat
menelusuri, poros, dan filter data mereka
langsung pada dashboard, sementara satu
set kaya petunjuknya dan klik kanan
kuat Interaksi membuka lebih kemampuan
analisis canggih. Pengguna melihat
informasi disaring dan personal berdasarkan
identitas mereka, fungsi, atau peran -
berdasarkan yang telah ditetapkan aturan
keamanan. Alert, dipandu link navigasi, dan
tindakan mempercepat berdasarkan
pengecualian- Penemuan wawasan.
Pengguna tidak lebih dari satu klik jauh dari
menavigasi ke lain interface di suite harus
mereka memutuskan untuk melakukannya -
seperti data ekspor mereka ke berbagai
Kantor format, atau membuka peta strategi,
atau menambahkan konten ke daftar favorit
untuk akses cepat - apakah pada browser
atau saat menggunakan produk Oracle BI
Ponsel misalnya. Kapan digunakan dengan
Oracle Exalytics, pertama di memori, sistem
rekayasa industri untuk ekstrim analisis,
pengguna dapat menganalisis sejumlah
besar data menggunakan visualisasi data
lanjutan dan eksplorasi di kecepatan pikiran.

Ad hoc Analisis dan Pelaporan

Interaktif. Menyediakan pengguna bisnis
dengan penuh ad hoc query dan analisis
kemampuan, pengguna Oracle Business
Intelligence dapat membuat analisis
 baru dari awal atau memodifikasi analisis
yang ada di halaman dashboard. Untuk
membebaskan pengguna bisnis dari struktur
data kompleksitas, lapisan metadata dari
Oracle Business Intelligence menawarkan
logis pandangan metrik, hirarki, dan
perhitungan dinyatakan dalam konsep
dimengerti. Pengguna bisnis tidak perlu
memahami fisik penyimpanan data untuk
menggabungkan data dari berbagai sumber
informasi perusahaan.

Ponsel Analytics. OBIEE 11g menyediakan

platform teknologi untuk memungkinkan
ponsel analisis. Pengguna dapat
menggunakan aplikasi Oracle BI Mobile pada
smartphone dan tablet mereka
untuk berinteraksi dengan dan menganalisa
informasi yang disampaikan oleh OBIEE 11g,
termasuk dashboard, analisis, laporan,
Scorecard, peta, peringatan, dan banyak lagi,
semua dengan cara yang aman.

Perusahaan Pelaporan. Disampaikan

melalui Oracle Business Intelligence
Publisher, ini fungsi memungkinkan
penciptaan sangat diformat template,
laporan, dan dokumen-dokumen
tersebut laporan flash, cek, dan banyak lagi.
Ini adalah yang paling efisien, solusi laporan
yang paling scalable tersedia untuk
lingkungan yang kompleks dan
didistribusikan, dan mendukung sejumlah
 besar data sumber, termasuk relasional,
multi-dimensi, layanan web, XML, data tidak
terstruktur (dari Oracle Endeca Server), dan
banyak lagi. Integrasi yang erat dengan
platform OBIEE 11g
memungkinkan pengguna untuk dengan
cepat dan mulus mentransfer data mereka,
tata letak, dan format dashboard
atau analisis BI publishe. BI Publisher juga
dapat digunakan sebagai terpisah, produk
mandiri.

Proaktif Deteksi dan Alarm. OBIEE 11g

fitur kuat, dekat-realtime, multi-
langkah mesin peringatan yang dapat
memicu alur kerja berdasarkan peristiwa
bisnis dan memberitahukan para pemangku
kepentingan melalui menengah disukai dan
saluran. Ini berarti perwakilan penjualan
lapangan dapat menerima layanan pesan
peringatan singkat pada ponsel mereka,
manajer gudang mendapatkan lampiran
PDF melalui e-mail, dan analis keuangan
mendapatkan laporan sebagai spreadsheet
Microsoft Excel disimpan ke sistem file
mereka bersama perusahaan.

ditindaklanjuti Intelijen. The OBIEE 11g

Kerangka Aksi berubah menjadi tindakan oleh
wawasan menyediakan kemampuan untuk
memanggil proses bisnis dari dalam intelijen
bisnis dashboard dan laporan. Hal ini
dimungkinkan oleh integrasi proses
 bisnis teknologi manajemen dalam platform
bisnis intelijen. Tindakan dipanggil
mungkin termasuk memulai proses bisnis,
layanan web, atau hanya memanggil
dashboard lain atau melaporkan.

Microsoft Office Integrasi. OBIEE

pengguna 11g dapat menggunakan alat
desktop seperti Microsoft Excel untuk
membuat ad hoc analisis, tepat di dalam
Excel, menggunakan model metadata
umum OBIEE 11g dan kekuatan Oracle BI
Server. Mereka dapat menggabungkan dan
menggunakan data ini dengan Cerdas View
provider lain seperti Oracle Hyperion
Planning, Oracle Hyperion
Keuangan Manajemen, manajemen
Pengungkapan Oracle Hyperion. Oracle
Cerdas View adalah Oracle tunggal, solusi
terpadu untuk memberikan informasi dari
Oracle Business Intelligence Enterprise
Edition, Oracle Essbase dan Oracle Hyperion
Manajemen Kinerja aplikasi dalam lingkungan
Microsoft Office.

Tata Ruang Visualisasi dan Analytics.

Setiap data yang memiliki atribut spasial,
seperti negara, negara, jalan raya, maskapai
rute, alamat pos, lokasi pabrik, dll ..., dapat
divisualisasikan pada visualisasi spasial
dikenal sebagai Peta. Peta ini sepenuhnya
interaktif dan data pada peta dapat
divisualisasikan menggunakan berbagai opsi
 format termasuk mengisi warna,
variablesized spidol, spidol gambar kustom,
Binning persentil, nilai Binning, dan
berkesinambungan Pilihan warna-fill.
Pengguna memiliki lengkap multi-touch dan
gestural interaksi sebagai juga manfaat dari
lokasi intelijen saat melihat tampilan peta ini
pada BI Oracle Ponsel app.

Scorecard dan Manajemen Strategi.

Scorecard dan Manajemen Strategi
meluas OBIEE 11g dengan kemampuan yang
bertujuan untuk berkomunikasi tujuan
strategis di seluruh organisasi dan memantau
kemajuan dari waktu ke waktu. Scorecard
dan Manajemen Strategi menyediakan
kemampuan untuk menetapkan tujuan yang
spesifik, menentukan bagaimana mengukur
keberhasilan, dan mengkomunikasikan
informasi ke seluruh organisasi.

Server berbasis permintaan,

pelaporan, dan analisis. Oracle Business
Intelligence Server dasar OBIEE 11g, dan
menghasilkan query dioptimalkan untuk
masing-masing sumber data, tepat agregat
mereka, dan menyajikan hasil untuk
pengguna dalam Web akrab Browser melalui
mudah digunakan dashboard dan laporan.
IBM

Pelaporan dipandu dan dashboarding

Dipandu intelijen bisnis mempercepat produktivitas dan
membantu orang menyelaraskan, kinerja melacak dan
tentu saja benar untuk kondisi pasar saat ini. Informasi
dalam konteks sangat penting - semua jenis laporan dari
daftar sederhana untuk dashboard berdampak tinggi
dapat ditulis sekali berdasarkan kombinasi dari sumber
data dan berbagi seluruh organisasi. Dengan akses
pribadi ke informasi yang Anda dapatkan jawaban yang
Anda butuhkan ketika Anda membutuhkan mereka, dari
desktop atau perangkat mobile, online atau offline dan
masih mudah berkolaborasi dengan orang lain.

Kelincahan analitik dengan dipandu self-service

Individu ingin informasi di ujung jari dan organisasi
mereka ingin memastikan keputusan penting
didasarkan pada data dan proses dipercaya. IBM Cognos
Analytics kemampuan self-service memungkinkan
organisasi untuk menjembatani kesenjangan antara
kebebasan pengguna bisnis dan kontrol TI. Fleksibel
dan mudah beradaptasi untuk memenuhi kebutuhan
Anda, memfasilitasi kolaborasi dan manajemen
perusahaan-tingkat dengan akses ke semua data yang
Anda butuhkan untuk membuat keputusan percaya diri.
Secara otomatis dan intuitif membawa data Anda untuk
hidup dengan visual menarik yang Anda dapat dengan
mudah berbagi.

Ke depan intelijen bisnis Tahu masa lalu, mengerti

sekarang, dan membentuk masa depan
Organisasi terkemuka mendorong pemikiran strategis
dengan menggunakan masa lalu, sekarang dan
pandangan masa depan bisnis mereka untuk
mengantisipasi hasil, meningkatkan efisiensi
operasional dan mencapai tujuan lebih cepat. Dengan
IBM Cognos IBM Analytics dan SPSS analisis prediktif
Anda dapat menyertakan driver penting dalam laporan
yang mengidentifikasi pola, tren dan prediksi skor. Dari
ritel untuk manufaktur, asuransi untuk telekomunikasi,
ke depan bisnis intelijen memberikan identifikasi awal
dari peluang baru.

Membuat sen data besar

Generasi berikutnya dari intelijen bisnis dan analisis
prediktif memberikan kesempatan bagi wawasan dan
inovasi ketika diterapkan pada data besar dan internet
hal. Analisis berbasis intelijen bisnis diambil dari aliran
data, baik data terstruktur dan tidak terstruktur cuaca,
data call center, data mesin, media sosial data dapat
mengekspos pola-pola baru dan meningkatkan
kesempatan. Organisasi dapat memperoleh diferensiasi
kompetitif, tidak hanya melalui wawasan real-time
tetapi melalui menanamkan analisis ke dalam proses
bisnis penting.

Sybase

Sybase Business Intelligence & Analytics

Business Intelligence adalah alat penting untuk
perusahaan di hampir setiap cabang industri. Dalam
rangka untuk memenuhi permintaan pelanggan, solusi
software Sybase Business Intelligence berikut telah
dibuat.

Sybase IQ

Ini adalah aplikasi Business Intelligence, yang

menyediakan platform analitik rinci, dan setiap paket
menawarkan keuntungan bisnis yang spesifik untuk
sektor-sektor tertentu dari pasar. Dengan cara itu,
pengguna dapat membuat identifikasi dan analisis data
penting, yang merupakan karakteristik dari sektor
industri tertentu dan karakter spesifik pasar. Sybase
adalah server analitis, yang telah dirancang untuk hasil
yang cepat pengiriman data analisis dan untuk
menggunakan data warehouse pada platform dasar dan
dengan sistem operasi. Hal ini memungkinkan operasi
dengan berbagai data, menggunakan berbagai sumber
data. Selanjutnya, Sybase IQ menyediakan tingkat tinggi
transformasi penyelidikan bersama dengan efisiensi
yang luar biasa.

PEMODELAN & PENGEMBANGAN

 Sybase Industri Gudang Studio (IWS) dan Power
Designer - alat untuk simulasi dan desain, yang
menggabungkan simulasi dalam bahasa UML, simulasi
proses bisnis, dan simulasi tradisional database. Semua
alat-alat yang erat terintegrasi dan mudah untuk
beroperasi di lingkungan grafis, yang bekerja atas dasar
repositori.

Sybase ETL

Tugas aplikasi ETL adalah untuk memuat data dari

sistem sumber, transformasi data untuk mengatur,
bentuk homogen, dan akhirnya memuat data
ditransformasikan tersebut ke tempat terakhir mereka
penyimpanan. Sybase solusi ETL ditandai dengan
kemudahan penggunaan dan tingkat tinggi skalabilitas,
yang telah diperoleh dengan arsitektur GRID unik,
berdasarkan pada satu platform.

DATA INTEGRASI SUITE

Ini adalah solusi scalable modular, yang membantu

perusahaan untuk mengintegrasikan sumber data yang
heterogen, yang memiliki pengaruh besar pada kualitas
dan kecepatan proses Business Intelligence. Platform ini
menggabungkan teknologi replikasi data, data federasi,
dan peristiwa real time. Hal ini juga menyediakan alat
untuk simulasi data dan desain, dan alat untuk
manajemen data dan administrasi.
Sybase DATA MANAJEMEN

Sebuah solusi untuk pengelolaan data. Data adalah nilai

strategis bagi banyak organisasi. Berkat penggunaan
yang tepat dari data, proses pembuatan keputusan-
upgrade. Pendekatan tradisional untuk manajemen data
pusat telah berubah dan Sybase Data Management
mencakup isu-isu seperti:

Sistem transaksi

Analisis kritis dan data warehouse

Akses mobile data

My sql

MySQL Business Intelligence Dashboard

Reporting
MySQL adalah sistem manajemen database
relasional yang paling banyak digunakan open
source di planet ini.

Dengan demikian, Anda mungkin mencari alat BI

yang dapat digunakan dengan database MySQL
yang ada. InetSoft ini BI suite, Gaya Intelijen,
sepenuhnya kompatibel dengan semua sumber
data MySQL yang ada.

Mudah data mashup

Kemudahan akses adalah inti dasar di balik
desain Style Intelijen. Selain MySQL, aplikasi ini
menawarkan cepat dan bervariasi akses data ke
sejumlah besar sumber data, termasuk, namun
tidak terbatas pada, XML, SOAP, EJB, dan POJO.

Pengguna akhir data yang didefinisikan Mashup

memungkinkan pengguna untuk
menggabungkan sumber data yang berbeda ke
dalam set data terpadu, melalui penggunaan
antarmuka drag-and-drop yang inovatif. Layanan
diri maksimum hanya pilar lain dari cita-cita
belakang Style Intelijen.

Untuk memastikan keamanan dan ketenangan

pikiran, Gaya Intelijen mendukung penggunaan
VPMs untuk memungkinkan administrator untuk
membatasi akses data-tingkat dengan pengguna,
peran, atau kelompok.

Overlay OLAP adalah fitur dari perangkat lunak

yang memungkinkan pengguna membuat hirarki
multi-dimensi di atas model logika.

MOLAP kubus sepenuhnya didukung juga,

termasuk Essbase, IBM BD2 OLAP Server, MS
Analisis Service, dan Oracle OLAP.
Antarmuka pengguna (UI)

GUI gaya Intelijen yang didukung oleh web 2.0

Flex dan AJAX, memberikan nol-klien,
pengalaman perusahaan-kualitas untuk
perangkat Web-enabled.

Gaya Intelijen memberdayakan pengguna bisnis

dari semua tingkatan, dari bilik ke TI, dengan
desain drag-and-drop kuat dan mudah
digunakan.

Portal pengguna sepenuhnya dapat disesuaikan

dan menyediakan akses data tunggal-titik untuk
semua dashboard dan laporan.

Dashboard yang dibangun menggunakan

teknologi Viewsheet eksklusif yang
memanfaatkan kekuatan penuh worksheet Data
untuk memvisualisasikan, menganalisis, dan
berinteraksi dengan data yang mendasarinya.

Komposer visual, alat utama untuk desain

dashboard, memungkinkan untuk penciptaan
dashboard dan laporan baru.

Ad Hoc Reporter adalah kuat, alat namun mudah

digunakan yang digunakan untuk menyusun,
menerbitkan, dan laporan siaran dengan cepat.
Sumber :
https://www.inetsoft.com/business/solutions/mysq
l_business_intelligence_dashboard_reporting/
http://www.bi-dw.info/sybase.htm
http://datacenterindonesia.co.id/pengertian-data-
center/
http://www.oracle.com/us/bi-enterprise-edition-
plus-ds-078848.pdf
http://www.ibm.com/analytics/us/en/technology/b
usiness-intelligence/index.html