TUGAS MANDIRI

“Pengertian Komponen-komponen dalam Data Warehouse”

MATA KULIAH: DATA WAREHOUSE

DOSEN PENGAMPU MATA KULIAH: VIVI P. RANTUNG, ST, MISD

OLEH:
MEGA JAYANTI MEDEA
NIM. 17210062
SEMESTER 4

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS NEGERI MANADO
T.A 2018/2019
Soal!
Carilah pengertian dari:
1. Data Warehouse
2. Data Mart
3. MDDB (Multidimensional Database)
4. OLAP (Online Analytic Processing)
5. OLTP (Online Transaction Processing)
6. ROLAP (Relational OLAP)
7. MOLAP (Multidimensional OLAP)
8. HOLAP (Hybrid OLAP)
Jawaban:
1. Data Warehouse
Definisi Data Warehouse menurut William H Inmon (2005) adalah koleksi data yang
berorientasi subyek (subject-oriented), terintegrasi (integrated), tidak dapat diubah
(nonupdateable), memiliki periode waktu tertentu (time variant), untuk informasi yang
bersifat historis dan dapat mendukung pengambilan keputusan. Sedangkan menurut Sean
Kelly (1996), Data Warehouse adalah kumpulan data yang memiliki beberapa
karakteristik, yaitu separate, available, integrated, time-stamped, subject-oriented, non-
volatile, dan accessible.

Menurut Vincent Rainardi (2008), Data warehouse adalah sistem yang mengambil dan
mengkonsolidasikan data secara periodik dari sistem sumber ke dalam table dimensi
atau data penyimpanan yang sudah dinormalisasi. Data yang terkandung di dalamnya
biasanya diperbarui dalam kurun waktu tertentu, tidak setiap kali transaksi terjadi dalam
sistem sumber.

Data warehouse dibangun untuk mengatasi masalah teknis dan bisnis yang berkaitan
dengan penggunaan data dan informasi untuk mengambil keputusan (Han dan Kamber,
2006). Data warehouse bukan suatu produk tetapi suatu lingkungan dimana user dapat
menemukan informasi strategik. Data warehouse adalah kumpulan data-data logik yang
terpisah dengan database operasional dan merupakan suatu ringkasan (Ponniah, 2001, h.14).

2. Data Mart
Menurut Connolly (2002, p1067), “Data mart is a subset of a data warehouse that
supports the requirements of a particular depatment or business function”.

W.H.Inmon (2002. P17) berpendapat bahwa data mart adalah struktur data yang
cakupannya lebih kecil dari data warehouse dimana data dibagi berdasarkan kebutuhan
informasi setiap departemen.

Kenapa harus membangun data mart? Alasan-alasan untuk membangun data mart
dikemukakan oleh Bambang Haryanto, antara lain :
1. Memberi pemakai akses data yang mereka butuhkan untuk dianalisis.
2. Menyediakan data dalam bentuk yang sesuai dengan berbagai macam pandangan
dari data oleh sekelompok user di sebuah departemen.
3. Meningkatkan response time pada end-user karena reduksi data yang akan diakses.
 4. Menyediakan data yang terstruktur sesuai dengan yang ada pada ketentuan dari alat
akses end-user yang mungkin membutuhkan struktur basisdata internal sendiri.
5. Data mart biasanya menggunakan lebih sedikit data, sehingga pekerjaan seperti
pembersihan, transformasi, dan integrasi data menjadi jauh lebih mudah.
6. Biaya implementasi untuk data mart lebih kecil dibandingkan dengan data
warehouse.
7. Pemakai potensial dari data mart terdefinisi dengan lebih jelas dan dapat
ditargetkan dengan lebih mudah.

3. MDDB (Multidimensional Database)

Multidimensional database biasanya digunakan untuk analitiks dan aplikasi data mining.
Multidimensional database merupakan bentuk database dimana data disimpan dalam cells
dan posisi dari tiap cell didefinisikan oleh banyaknya hirarki yang disebut dimensi. Setiap
cell merepresentasian business event dan nilai dimensi menunjukkan kapan dan dimana event
ini terjadi.

Multidimensional database biasanya digunakan untuk business intelligence (BI), terutama

untuk online analytical processing (OLAP) dan data mining (DM). Keuntungan
menggunakan multidimensional database untuk OLAP dan DM dibandingkan relational
database seperti dimensional data store (DDS) adalah mereka menggunakan ruang disk yang
sedikit dan juga memiliki performa yang lebih baik.

Multidimensional database berjalan lebih baik pada operasi OLAP karena agregasi di
kalkulasi ulang dan karena cara data secara fisik disimpan meminimalisasi banyaknya operasi
IO (membaca disk), dibandingkan menyimpan tabel dalam sebuah RDBMS.

4. OLAP (Online Analytic Processing)

OLAP diperkenalkan oleh E. F. Codd yang merupakan bapak relational databases. Secara
mendasar OLAP adalah suatau metode khusus untuk melakukan analisis terhadap data yang
terdapat dalam media penyimpanan data (database) dan kemudian membuat laporannya
sesuai dengan permintaan user (Hermawan,2005).

OLAP adalah sebuah pendekatan secara cepat menyediakan jawaban-jawaban terhadap kueri
analitik yang multidimensi di dalam database. OLAP merupakan bagian dari kategori yang
lebih global dari pemikiran bisnis, yang juga merangkum hubungan antara pelaporan dan
penggalian data. Aplikasi khusus dari OLAP adalah pelaporan bisnis untuk penjualan,
pemasaran, manajemen pelaporan, manajemen proses, penganggaran dan peramalan, laporan
keuangan dan bidang-bidang yang serupa.

Model yang digunakan dalam OLAP adalah model kubus. Model kubus akan
mengelompokkan data dan parameter-parameter sehingga kita dapat merelasikan antara data
yang satu dengan data yang lain sehingga membentuk suatu pengertian khusus.

5. OLTP (Online Transaction Processing)

OLTP (Online Transaction Processing) adalah system yang berorientasi proses yang
memproses suatu transaksi secara langsung melalui komputer yang terhubung dalam
jaringan. Seperti misalanya kasir pada sebuah super market yang menggunakan mesin dalam
proses transaksinya. OLTP sering kita jumpai di sekitar kita seperti toko atau swalayan
contohnya database pada sistem informasi penjualan. Berbeda dengan OLAP, OLAP adalah
On Line Analytical Processing yang maksudnya adalah database yang menyimpan data
sekarang dan masa lalu yang berasal dari OLTP.

6. ROLAP (Relational OLAP)

ROLAP adalah tipe OLAP yang bergantung kepada database relasional atau RDBMS
(Relational Database Management System) sebagai media penyimpanan (storage) data yang
akan diolah. Dengan strategi tersebut maka OLAP Server terhindar dari masalah pengelolaan
data storage dan hanya menerjemahkan proses query analysis (MDX) ke relational query
(SQL). Otomatis proses optimasi ROLAP akan sangat ditentukan di sisi produk RDBMS
yang digunakan misalkan dari sisi penanganan jumlah data dan strategi indexing.

Cara kerja ROLAP secara umum adalah sebagai berikut :

 OLAP client mengirimkan query analisis ke OLAP Server.
 OLAP server akan melakukan pemeriksaan di cache apakah sudah bisa melayani
permintaan query dari client tersebut, jika sudah akan dikirimkan.
 Jika pada cache belum terdapat data diminta, akan dilakukan query SQL ke data mart
dan hasil eksekusinya disimpan di cache dan dikirimkan kepada client. Demikian
seterusnya.
 Cache akan disimpan selama periode waktu tertentu dan akan dibersihkan total jika
server dimatikan

7. MOLAP (Multidimensional OLAP)

MOLAP adalah tipe OLAP yang memiliki storage sendiri, yang isinya merupakan
precomputed agregasi data – sum, count, min, max, dan sebagainya – yang terlibat pada
berbagai level detil. Storage ini berupa format yang hanya dikenali oleh MOLAP server
tersebut dan telah khusus dioptimalkan untuk penggunaan oleh aplikasi tersebut.

Cara kerja MOLAP secara umum dibagi ke dalam dua tahap sebagai berikut :
 Tahap konstruksi dan populasi data, pada tahap ini sumber data akan dibaca,
dilakukan perhitungan agegrasi (summary group) pada berbagai level dimensi, dan
hasilnya akan disimpan di storage MOLAP. Jika objek data diperumpamakan
dengantable, maka untuk satu cube akan banyak fragmen table yang isinya adalah
detil agregasi dari level tertentu.
 Tahap query atau layanan permintaan data analisis, pada tahap ini OLAP Server akan
melayani permintaan query dari client dan membaca data dari storage MOLAP. Table
yang akan dibaca adalah suatu fragmen yang akan disesuaikan dengan permintaan
dari client. Pada fase query ini, jika OLAP Server terputus dengan data source tidak
apa-apa karena sudah tidak ada kaitannya.

8. HOLAP (Hybrid OLAP)

Hybrid OLAP, menggabungkan kedua teknologi diatas (ROLAP & MOLAP). HOLAP
menggunakan Relational Database untuk menyimpan Detail data dan menggunakan
Multidimensional Database untuk menyimpan Aggregate-nya. HOLAP services dapat
menggunakan data MOLAP dan ROLAP secara simultan untuk memecahkan suatu query.

HOLAP hadir untuk mengatasi kelemahan dari ROLAP dan MOLAP, kelemahan tersebut
adalah :
 Performa ROLAP tidak begitu baik karena agregasi selalu dilakukan ulang apabila
cache sudah expired.
 Keterbatasan storage dari MOLAP jika digunakan untuk menyimpan kombinasi
agregasi pada semua level.

Jadi HOLAP merupakan kombinasi atau "jalan tengah" antara keduanya dimana HOLAP
akan menyimpan data precomputed aggregate pada media penyimpanan (storage) HOLAP
sendiri.
Sumber:
Dahlan, A., Utami, E., & Luthfi, E. T. (2013). Dipetik 2019, dari jti.respati.ac.id:
http://jti.respati.ac.id/index.php/jurnaljti/article/view/67/59

Diyastama, I. P. (2015). Dipetik 2019, dari diyastama.wordpress.com:

https://diyastama.wordpress.com/2015/09/13/pengertian-olap-dan-oltp/

Mandala, E. P. (2016). Dipetik 2019, dari ejournal.itp.ac.id:

https://ejournal.itp.ac.id/index.php/tinformatika/article/viewFile/594/430

Rahayu, S. (2014). Dipetik 2019, dari blog.umy.ac.id:

http://blog.umy.ac.id/santirahayu/2014/11/11/multidimensional-database/

Rahmawati. (2012). Dipetik 2019, dari blog.stikom.edu:

http://blog.stikom.edu/rahmawati/files/2012/11/Pert_8_olap_example.ppt.

Santosa, B. (2013). Dipetik 2019, dari jurnal.upnyk.ac.id:

http://jurnal.upnyk.ac.id/index.php/telematika/article/view/387/348

Shobri, M. Diambil kembali dari www.academia.edu:

https://www.academia.edu/36316604/4._ROLAP_dan_MOLAP.pdf