CH 6 BAHASA INGGRIS - En.id

Bab 6
Yayasan Bisnis
Intelijen: Database dan
Manajemen informasi
TUJUAN PEMBELAJARAN GARIS BESAR BAB

6.1 MENGATUR DATA DALAM LINGKUNGAN FILE
Setelah membaca bab ini, Anda akan
TRADISIONAL
mampu menjawab pertanyaan-pertanyaan
Istilah dan Konsep Organisasi File
berikut:
Masalah dengan Lingkungan File Tradisional
1. Apa masalah dalam mengelola sumber daya data
dalam lingkungan file tradisional dan bagaimana 6.2 PENDEKATAN DATABASE UNTUK MANAJEMEN
mereka diselesaikan dengan sistem manajemen DATA
basis data? Sistem Manajemen Basis Data
Kemampuan Sistem Manajemen Basis Data Merancang
Basis Data
2. Apa saja kapabilitas utama dari sistem
manajemen basis data 6.3 MENGGUNAKAN DATABASES UNTUK MENINGKATKAN KINERJA
(DBMS) dan mengapa DBMS relasional
BISNIS DAN PENGAMBILAN KEPUTUSAN
begitu kuat?
Tantangan Big Data
3. Apa sajakah prinsip penting dari desain Infrastruktur Intelijen Bisnis
database? Alat Analisis: Hubungan, Pola, Basis Data Tren, dan Web
4. Apa alat dan teknologi utama untuk
mengakses informasi dari database untuk
meningkatkan kinerja bisnis dan
6.4 MENGELOLA SUMBER DATA
Menetapkan Kebijakan Informasi
pengambilan keputusan?
Menjamin Kualitas Data
5. Mengapa kebijakan informasi, administrasi MODUL LACAK BELAJAR

data, dan jaminan kualitas data penting Desain Basis Data, Normalisasi, dan Pembuatan
untuk mengelola sumber daya data Diagram Hubungan-Entitas
perusahaan? Pengantar SQL
Model Data Hierarki dan Jaringan
Sesi Interaktif:
Data Besar, Imbalan Besar
Kontroversi Berputar
Produk Konsumen
Database Keamanan
SISTEM BAE
B dari organisasi kedirgantaraan dan pertahanan komersial terbesar di Eropa. Teknologi tinggi, produk dan layanan
yang digerakkan oleh informasi berkisar dari salah satu dunia
AE Systems (BAE) adalah salah satu perusahaan manufaktur terbesar di Inggris Raya
pesawat tempur multi-peran yang paling mampu, Eurofighter Typhoon, hingga Jetstream
keluarga pesawat komersial, untuk penyediaan teknologi informasi dan sistem informasi untuk e-bisnis untuk
mengembangkan dan mengimplementasikan layanan logistik, TI, dan e-kapabilitas. Dengan situs penjualan, manufaktur,
dan dukungan di seluruh dunia, termasuk Inggris, Eropa, Amerika Serikat, dan Australia, BAE mempekerjakan 88.000 orang
dan menghasilkan pendapatan tahunan lebih dari US $ 30 miliar.
Meskipun BAE telah mengkonsolidasikan posisi kompetitifnya di pasar yang sudah mapan, dan terus berekspansi ke
pasar baru di Timur Tengah dan Asia, kinerjanya di bagian bisnis pesawat terhalang oleh sistem informasi lama yang
mendukung desain berbantuan komputer (CAD ) dan manufaktur berbantuan komputer (CAM) dari pesawatnya. Sifat
terdistribusi dari desain dan lokasi manufaktur BAE berarti bahwa penyimpanan dan analisis set data operasional yang
akurat yang menggambarkan komponen kompleks dari berbagai jenis pesawat untuk menghasilkan laporan perakitan
pesawat untuk jalur produksi menjadi semakin menantang dan menghabiskan sumber daya. Data yang menjelaskan bagian
komponen pesawat yang sama mungkin memerlukan resolusi, seperti dalam kasus berbagai konvensi dan kode penamaan
bagian.
Mengakses data dari banyak sistem adalah tugas kompleks yang melibatkan banyak tantangan teknis. Seiring dengan
pertumbuhan bisnis pesawat BAE, begitu pula kemungkinan penundaan dalam pembuatan laporan perakitan pesawat dan
kumpulan data operasi lainnya yang diperlukan untuk pengambilan keputusan manajemen produksi pesawat. Dalam kasus
terburuk, produksi pesawat di jalur perakitan akan berhenti sampai informasi yang akurat tersedia, dengan konsekuensi
jadwal dan implikasi biaya. Staf CAD / CAM BAE menyimpan dan menganalisis kumpulan data yang bersumber dari 5 lokasi
desain dan manufaktur pesawat utama yang tersebar di seluruh Inggris, masing-masing menampung hingga ribuan staf yang
terlibat dalam proses desain dan manufaktur, sehingga laporan perakitan dan data operasi lainnya dapat dihasilkan. .
desain ponent dan informasi manufaktur

digunakan untuk mendamaikan
ambiguitas dan inkonsistensi dalam
laporan perakitan. Ketika data ini
ambigu dan tidak konsisten,
terjadi, hal ini menimbulkan rasa

ketidakpastian dalam laporan perakitan
yang dihasilkan.
Yang dibutuhkan BAE adalah satu
repositori untuk data CAD / CAM yang
juga akan memfasilitasi integrasi data
yang disimpan dalam sistem lawasnya.
Perusahaan memutuskan untuk
mengganti sistem lawasnya dengan
orang berpengetahuan luas perusahaan-
sistem agement yang akan membawa

© Kristoffer Tripplaar / Alamy
desain dan pabrikan
239
240 Bagian Dua Infrastruktur Teknologi Informasi
memfaktorkan data ke dalam database tunggal yang dapat diakses secara bersamaan oleh insinyur desain dan manufaktur. BAE
mengimplementasikan perangkat lunak manajemen siklus hidup produk Teamcenter dari Siemens dan perangkat lunak CATIA
CAD / CAM Dassault Systemes. Teamcenter juga dapat dikonfigurasi untuk memanfaatkan perkembangan terkini dalam
komputasi awan menggunakan Microsoft Azure, IBM SmartCloud Enterprise +, dan Amazon Web Services.
Menyatukan Pusat Tim dari Siemens dan CATIA Dassault Systemes telah memberikan alat manajemen data terintegrasi
yang kuat bagi BAE Systems. Database Teamcenter menyertakan alat untuk markup komponen dan kapabilitas rollup yang
memungkinkan pengguna untuk memvisualisasikan efek perubahan desain komponen dan pilihan konfigurasi secara real-time.
Solusi baru ini telah menghasilkan penghematan biaya yang signifikan di BAE dalam hal desain, manajemen, dan
penyimpanan data manufaktur, sekaligus meningkatkan kinerja. Dengan lebih sedikit sistem warisan dan file data yang
harus dikelola, BAE telah mampu memenuhi persyaratan kualitas, waktu dan biaya dengan mampu menghasilkan definisi
dan konfigurasi komponen pesawat yang lengkap dan akurat. Desain baru BAE dan teknologi database manufaktur telah
meningkatkan kecepatan ke pasar dengan menyinkronkan definisi komponen CAD hulu dan CAM hilir, sehingga
memungkinkan koordinasi lintas disiplin yang lebih baik. Dengan penghematan ini, perusahaan dapat menggunakan lebih
banyak sumber daya untuk meningkatkan manajemen data di seluruh perusahaan.
Sumber: “BAE Systems Half-Yearly Report and Presentation 2012” www.baesystems.com, diakses November
8, 2012; “Teamcenter mendukung pesawat melalui siklus 50 tahun: BAE Systems Military Air Solutions” www.
plm.automation.siemens.com, diakses 8 November 2012; “CATIA V5 Fact Sheet” www.3ds.com, diakses 8 November 2012.
Kasus disumbangkan oleh Robert Manderson, Universitas Roehampton
T Pengalaman BAE Systems

kinerja tergantung menggambarkan
pada keakuratan pentingnya
dan keandalan pengelolaan
datanya. data.memiliki
Perusahaan Bisnis
mengembangkan bisnisnya, tetapi, efisiensi operasional CAD / CAM dan pengambilan keputusan manajemen produksi
terhalang oleh data yang disimpan dalam sistem lama yang sulit diakses. Bagaimana bisnis menyimpan, mengatur, dan
mengelola data mereka berdampak besar pada keefektifan organisasi.
Diagram bab-pembukaan meminta perhatian pada poin-poin penting yang diangkat oleh kasus ini dan bab ini.
Manajemen BAE Systems memutuskan bahwa perusahaan perlu meningkatkan pengelolaan datanya. Potongan data
tentang komponen desain, komponen yang diproduksi, dan perakitan akhir mereka telah disimpan di banyak sistem lama
yang besar yang membuatnya sangat sulit untuk mengambil data, disatukan dengan benar sehingga dapat digunakan dalam
perakitan jalur produksi komponen pesawat. . Data tersebut sering kali berlebihan dan tidak konsisten, sehingga membatasi
kegunaannya. Manajemen tidak dapat memperoleh tampilan perusahaan dari perusahaan.
Di masa lalu, BAE Systems telah menggunakan proses kertas manual untuk merekonsiliasi data yang tidak konsisten dan
berlebihan dan untuk mengumpulkan data untuk pelaporan manajemen. Solusi ini sangat memakan waktu dan biaya serta
menghalangi departemen teknologi informasi perusahaan untuk melakukan pekerjaan yang bernilai lebih tinggi. Solusi yang lebih
tepat adalah memasang perangkat keras dan perangkat lunak baru untuk membuat tempat penyimpanan seluruh perusahaan untuk
informasi bisnis yang akan mendukung serangkaian aplikasi bisnis yang lebih efisien. Perangkat lunak baru termasuk perangkat
lunak perusahaan yang terintegrasi dengan sistem manajemen basis data terkini yang dapat memasok data untuk pelaporan skala
perusahaan. Perusahaan harus mengatur ulang datanya menjadi format standar seluruh perusahaan, menghilangkan redundansi,
dan menetapkan aturan, tanggung jawab, dan prosedur untuk memperbarui dan menggunakan data.
Perangkat lunak sistem manajemen basis data yang canggih membantu BAE Systems meningkatkan efisiensi dengan
membuatnya lebih mudah untuk menemukan dan mengumpulkan data untuk pelaporan manajemen dan untuk memproses
transaksi CAD / CAM sehari-hari untuk perakitan komponen akhir pesawat. Datanya lebih akurat dan andal, dan biaya untuk
mengelola dan menyimpan data telah jauh berkurang.
Berikut adalah beberapa pertanyaan untuk dipikirkan: Jenis masalah manajemen data apa yang dialami BAE Systems di
lingkungan basis data lama? Pekerjaan apa yang harus dilakukan sebelum perusahaan dapat secara efektif memanfaatkan
teknologi manajemen data yang baru?
Bab 6 Dasar-dasar Business Intelligence: Database dan Manajemen Informasi 241
6.1 HAI MENGATUR D ATA DI A T RADISIONAL F ILE
„sistem informasi yang efektif memberi pengguna informasi yang akurat, tepat waktu, dan
SEBUAH
relevan. Informasi yang akurat bebas dari kesalahan. Informasi tepat waktu jika tersedia bagi
pengambil keputusan saat dibutuhkan. Informasi menjadi relevan bila berguna dan sesuai
E NVIRONMENT
untuk jenis pekerjaan dan keputusan yang membutuhkannya.
Anda mungkin terkejut mengetahui bahwa banyak bisnis tidak memiliki informasi yang tepat waktu,
akurat, atau relevan karena data dalam sistem informasi mereka tidak diatur dan dipelihara dengan baik.
Itulah mengapa manajemen data sangat penting. Untuk memahami masalahnya, mari kita lihat
bagaimana sistem informasi mengatur data dalam file komputer dan metode tradisional manajemen file.
KONSEP DAN KONSEP ORGANISASI FILE

Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit dan byte dan berlanjut ke bidang,
catatan, file, dan database (lihat Gambar 6.1). SEBUAH sedikit mewakili unit data terkecil yang dapat
ditangani komputer. Sekelompok bit, disebut a byte, mewakili satu karakter, yang bisa berupa huruf,
angka, atau simbol lainnya. Pengelompokan karakter menjadi sebuah kata, sekelompok kata, atau angka
lengkap (seperti nama atau umur seseorang) disebut
bidang. Sekelompok bidang terkait, seperti nama siswa, kursus yang diambil, tanggal, dan nilainya, terdiri
dari a merekam; sekelompok record dengan tipe yang sama disebut a mengajukan.
Misalnya, catatan pada Gambar 6.1 dapat merupakan file kursus siswa. Sekelompok file terkait
membuat database. File kursus siswa yang diilustrasikan pada Gambar 6.1 dapat dikelompokkan dengan
file tentang sejarah pribadi siswa dan latar belakang keuangan untuk membuat database siswa.
Rekaman menggambarkan entitas. Sebuah kesatuan adalah orang, tempat, benda, atau peristiwa
tempat kami menyimpan dan memelihara informasi. Setiap karakteristik atau kualitas yang
menggambarkan entitas tertentu disebut atribut. Misalnya, Student_ID, Course, Date, dan Grade adalah
atribut dari entitas KURSUS. Nilai spesifik yang dapat dimiliki atribut ini ditemukan di bidang catatan yang
menjelaskan KURSUS entitas.
GAMBAR 6.1 HIRARKI DATA
Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit, yang mewakili 0 atau 1. Bit dapat dikelompokkan untuk
membentuk byte untuk mewakili satu karakter, angka, atau simbol. Byte dapat dikelompokkan untuk membentuk sebuah field, dan field
terkait dapat dikelompokkan untuk membentuk sebuah record. Catatan terkait bisa dikumpulkan untuk membentuk file, dan file terkait bisa
diatur ke dalam database.
MASALAH DENGAN FILE TRADISIONAL

LINGKUNGAN HIDUP
Di sebagian besar organisasi, sistem cenderung tumbuh secara mandiri tanpa rencana seluruh perusahaan.
Akuntansi, keuangan, manufaktur, sumber daya manusia, serta penjualan dan pemasaran semuanya
mengembangkan sistem dan file data mereka sendiri. Gambar 6.2 mengilustrasikan pendekatan tradisional
untuk pemrosesan informasi.
Setiap aplikasi, tentunya membutuhkan file dan program komputernya sendiri untuk beroperasi.
Misalnya, area fungsional sumber daya manusia mungkin memiliki file induk personalia, file penggajian,
file asuransi kesehatan, file pensiun, file milis, dan sebagainya hingga puluhan, mungkin ratusan, file dan
program ada. Di perusahaan secara keseluruhan, proses ini menyebabkan beberapa file induk dibuat,
dipelihara, dan dioperasikan oleh divisi atau departemen terpisah. Karena proses ini berlangsung selama
5 atau 10 tahun, organisasi dibebani dengan ratusan program dan aplikasi yang sangat sulit untuk
dipelihara dan dikelola. Masalah yang ditimbulkan adalah redundansi dan inkonsistensi data,
GAMBAR 6.2 PENGOLAHAN FILE TRADISIONAL
Penggunaan pendekatan tradisional untuk pemrosesan file mendorong setiap area fungsional dalam perusahaan untuk mengembangkan
aplikasi khusus. Setiap aplikasi membutuhkan file data unik yang kemungkinan besar merupakan bagian dari file master. Himpunan
bagian dari file master ini menyebabkan redundansi dan inkonsistensi data, pemrosesan yang tidak fleksibel, dan sumber daya
penyimpanan yang terbuang percuma.
ketergantungan program-data, ketidakfleksibelan, keamanan data yang buruk, dan ketidakmampuan untuk berbagi data
antar aplikasi.
Redundansi dan Inkonsistensi Data adalah ketegangan

Redundansi data adalah adanya data duplikat di beberapa file data sehingga data yang sama disimpan di lebih
dari satu tempat atau lokasi. Redundansi data terjadi ketika berbagai kelompok dalam organisasi secara
independen mengumpulkan bagian data yang sama dan menyimpannya secara independen satu sama lain.
Redundansi data memboroskan sumber daya penyimpanan dan juga mengarah ke ketidakkonsistenan data, dimana
atribut yang sama mungkin memiliki nilai yang berbeda. Misalnya, dalam contoh KURSUS entitas yang
diilustrasikan pada Gambar 6.1, Tanggal dapat diperbarui di beberapa sistem tetapi tidak di sistem lain. Atribut
yang sama, Student_ID, mungkin juga memiliki nama yang berbeda di sistem yang berbeda di seluruh
organisasi. Beberapa sistem mungkin menggunakan Student_ID dan yang lainnya mungkin menggunakan ID,
misalnya.
Kebingungan tambahan mungkin terjadi akibat penggunaan sistem pengkodean yang berbeda untuk
merepresentasikan nilai untuk suatu atribut. Misalnya, sistem penjualan, inventaris, dan manufaktur dari pengecer
pakaian mungkin menggunakan kode yang berbeda untuk mewakili ukuran pakaian. Satu sistem mungkin
merepresentasikan ukuran pakaian sebagai "ekstra besar", sedangkan yang lain mungkin menggunakan kode
"XL" untuk tujuan yang sama. Kebingungan yang dihasilkan akan menyulitkan perusahaan untuk membuat
manajemen hubungan pelanggan, manajemen rantai pasokan, atau sistem perusahaan yang mengintegrasikan
data dari sumber yang berbeda.
Ketergantungan Data-Program
Ketergantungan program-data mengacu pada kopling data yang disimpan dalam file dan program khusus
yang diperlukan untuk memperbarui dan memelihara file tersebut sehingga perubahan dalam program
memerlukan perubahan pada data. Setiap program komputer tradisional harus menggambarkan lokasi dan
sifat data yang digunakannya. Dalam lingkungan file tradisional, setiap perubahan dalam program perangkat
lunak mungkin memerlukan perubahan data yang diakses oleh program itu. Satu program dapat dimodifikasi
dari kode pos lima digit menjadi sembilan digit. Jika file data asli diubah dari kode pos lima digit menjadi
sembilan digit, maka program lain yang membutuhkan kode pos lima digit tidak akan berfungsi dengan baik.
Perubahan semacam itu dapat menghabiskan jutaan dolar untuk diterapkan dengan benar.
Kurangnya Fl ex ibi li ty
Sistem file tradisional dapat memberikan laporan terjadwal rutin setelah upaya pemrograman yang ekstensif, tetapi
tidak dapat memberikan laporan ad hoc atau menanggapi persyaratan informasi yang tidak terduga secara tepat
waktu. Informasi yang diperlukan oleh permintaan ad hoc ada di suatu tempat di sistem tetapi mungkin terlalu
mahal untuk diambil. Beberapa programmer mungkin harus bekerja selama berminggu-minggu untuk
mengumpulkan item data yang diperlukan dalam file baru.
Keamanan Miskin
Karena hanya ada sedikit kontrol atau pengelolaan data, akses ke dan penyebaran informasi mungkin di
luar kendali. Manajemen mungkin tidak memiliki cara untuk mengetahui siapa yang mengakses atau bahkan
membuat perubahan pada data organisasi.
Kurangnya Pembagian Data dan Ava il abi li ty

Karena potongan informasi dalam file yang berbeda dan bagian organisasi yang berbeda tidak dapat
dikaitkan satu sama lain, hampir tidak mungkin informasi dibagikan atau diakses pada waktu yang tepat.
Informasi tidak dapat mengalir dengan bebas melintasi area fungsional yang berbeda atau bagian organisasi
yang berbeda. Jika pengguna menemukan nilai yang berbeda dari bagian informasi yang sama dalam dua
sistem yang berbeda, mereka mungkin tidak ingin menggunakan sistem ini karena mereka tidak dapat
mempercayai keakuratan datanya.
6.2 T DIA D ATABASE SEBUAH PPROACH KE D ATA

M ANAGEMENT
Teknologi database mengatasi banyak masalah organisasi file tradisional. Definisi yang lebih ketat dari a database
adalah kumpulan data yang diatur untuk melayani banyak aplikasi secara efisien dengan memusatkan
data dan mengontrol data yang berlebihan. Daripada menyimpan data dalam file terpisah untuk setiap
aplikasi, bagi pengguna tampaknya data disimpan hanya di satu lokasi. Sebuah database tunggal
melayani banyak aplikasi. Misalnya, alih-alih perusahaan menyimpan data karyawan dalam sistem
informasi terpisah dan file terpisah untuk personel, penggajian, dan tunjangan, perusahaan dapat
membuat database sumber daya manusia tunggal yang umum.
SISTEM MANAJEMEN DATABASE

SEBUAH sistem manajemen basis data (DBMS) adalah perangkat lunak yang memungkinkan organisasi untuk
memusatkan data, mengelolanya secara efisien, dan menyediakan akses
ke data yang disimpan oleh program aplikasi. DBMS bertindak sebagai antarmuka antara program
aplikasi dan file data fisik. Ketika program aplikasi memanggil item data, seperti gaji kotor, DBMS
menemukan item ini dalam database dan menyajikannya ke program aplikasi. Menggunakan file data
tradisional, programmer harus menentukan ukuran dan format dari setiap elemen data yang digunakan
dalam program dan kemudian memberitahu komputer di mana mereka berada.
DBMS membebaskan programmer atau pengguna akhir dari tugas untuk memahami di mana dan
bagaimana data sebenarnya disimpan dengan memisahkan pandangan logis dan fisik dari data. Itu pandangan
logis menyajikan data sebagaimana mereka akan dianggap oleh pengguna akhir atau pakar bisnis, sedangkan
pandangan fisik menunjukkan bagaimana data sebenarnya diatur dan disusun pada media penyimpanan fisik.
Perangkat lunak manajemen basis data membuat basis data fisik tersedia untuk tampilan logis
berbeda yang dibutuhkan oleh pengguna. Misalnya, untuk database sumber daya manusia yang
diilustrasikan pada Gambar 6.3, spesialis tunjangan mungkin memerlukan tampilan yang terdiri dari nama
karyawan, nomor jaminan sosial, dan cakupan asuransi kesehatan. Seorang anggota departemen
penggajian mungkin memerlukan data seperti nama karyawan, nomor jaminan sosial, gaji kotor, dan gaji
bersih. Data untuk semua tampilan ini disimpan dalam satu database, yang dapat lebih mudah dikelola
oleh organisasi.
Bagaimana DBMS Memecahkan Masalah di Lingkungan Tradisiona l Fi le
DBMS mengurangi redundansi dan inkonsistensi data dengan meminimalkan file terisolasi di mana data
yang sama diulang. DBMS mungkin tidak memungkinkan organisasi untuk menghilangkan redundansi data
sepenuhnya, tetapi dapat membantu mengontrol redundansi. Bahkan jika organisasi memelihara beberapa
data yang berlebihan, menggunakan DBMS menghilangkan ketidakkonsistenan data karena DBMS dapat
membantu organisasi memastikan bahwa setiap kejadian data yang berlebihan memiliki nilai yang sama.
DBMS melepaskan program dan data, memungkinkan data untuk berdiri
GAMBAR 6.3 PANDANGAN GANDA DATABASEWITH SUMBER DAYA MANUSIA
Database sumber daya manusia tunggal memberikan banyak tampilan data yang berbeda, tergantung pada kebutuhan informasi
pengguna. Diilustrasikan di sini adalah dua kemungkinan pandangan, satu menarik bagi spesialis tunjangan dan satu lagi menarik
bagi anggota departemen penggajian perusahaan.

sendiri. Akses dan ketersediaan informasi akan ditingkatkan dan biaya pengembangan dan pemeliharaan
program berkurang karena pengguna dan pemrogram dapat melakukan kueri ad hoc data dalam
database. DBMS memungkinkan organisasi untuk mengelola data, penggunaan, dan keamanannya
secara terpusat.
Re l di iona l DBMS
DBMS kontemporer menggunakan model database yang berbeda untuk melacak entitas, atribut, dan
hubungan. Jenis DBMS yang paling populer saat ini untuk PC serta untuk komputer yang lebih besar dan
mainframe adalah DBMS relasional.
Database relasional merepresentasikan data sebagai tabel dua dimensi (disebut relasi). Tabel bisa disebut
sebagai file. Setiap tabel berisi data tentang suatu entitas dan atributnya. Microsoft Access adalah DBMS
relasional untuk sistem desktop, sedangkan DB2, Oracle Database, dan Microsoft SQL Server adalah DBMS
relasional untuk komputer mainframe besar dan komputer kelas menengah. MySQL adalah DBMS open source
yang populer, dan Oracle Database Lite adalah DBMS untuk perangkat komputasi seluler.
Mari kita lihat bagaimana database relasional mengatur data tentang pemasok dan suku cadang (lihat
Gambar 6.4). Database memiliki tabel terpisah untuk entitas SUPPLIER dan tabel untuk entitas PART.
Setiap tabel terdiri dari kisi kolom dan
GAMBAR 6.4 TABEL RELASIONAL DATABASE
Database relasional mengatur data dalam bentuk tabel dua dimensi. Diilustrasikan di sini adalah tabel untuk entitas SUPPLIER dan BAGIAN yang menunjukkan bagaimana mereka
mewakili setiap entitas dan atributnya. Supplier_Number adalah kunci utama untuk tabel SUPPLIER dan kunci asing untuk tabel BAGIAN.
baris data. Setiap elemen data individu untuk setiap entitas disimpan sebagai bidang terpisah, dan setiap
bidang mewakili atribut untuk entitas itu. Bidang dalam database relasional juga disebut kolom. Untuk
entitas SUPPLIER, nomor identifikasi pemasok, nama, jalan, kota, negara bagian, dan kode pos
disimpan sebagai kolom terpisah dalam tabel SUPPLIER dan setiap kolom mewakili atribut untuk entitas
SUPPLIER.
Informasi aktual tentang pemasok tunggal yang berada dalam tabel disebut baris. Baris biasanya
disebut sebagai catatan, atau dalam istilah yang sangat teknis, sebagai
tupel. Data untuk entitas PART memiliki tabel terpisahnya sendiri.
Bidang untuk Supplier_Number dalam tabel SUPPLIER secara unik mengidentifikasi setiap rekaman
sehingga rekaman dapat diambil, diperbarui, atau disortir. Ini disebut a
bidang kunci. Setiap tabel dalam database relasional memiliki satu bidang yang ditetapkan sebagai
miliknya kunci utama. Bidang kunci ini adalah pengenal unik untuk semua informasi di setiap baris tabel
dan kunci utama ini tidak dapat diduplikasi. Supplier_ Number adalah kunci utama untuk tabel SUPPLIER
dan Part_Number adalah kunci utama untuk tabel PART. Perhatikan bahwa Supplier_Number muncul di
tabel SUPPLIER dan PART. Dalam tabel SUPPLIER, Supplier_Number adalah kunci utama. Saat bidang
Supplier_Number muncul di tabel BAGIAN, ini disebut a kunci asing dan pada dasarnya adalah bidang
pencarian untuk mencari data tentang pemasok bagian tertentu.
Operasikan ion-ion dari sebuah Rel pada iona l DBMS

Tabel database relasional dapat digabungkan dengan mudah untuk mengirimkan data yang dibutuhkan
oleh pengguna, asalkan dua tabel memiliki elemen data yang sama. Misalkan kita ingin mencari dalam
database ini nama-nama pemasok yang dapat memberi kita nomor bagian 137 atau nomor bagian 150.
Kita membutuhkan informasi dari dua tabel: tabel SUPPLIER dan tabel BAGIAN. Perhatikan bahwa kedua
file ini memiliki elemen data bersama: Supplier_Number.
Dalam database relasional, tiga operasi dasar, seperti yang ditunjukkan pada Gambar 6.5, digunakan untuk
mengembangkan kumpulan data yang berguna: pilih, gabung, dan proyek. Itu Pilih Operasi membuat subset yang
terdiri dari semua rekaman di file yang memenuhi kriteria yang disebutkan. Pilih membuat, dengan kata lain, subset
baris yang memenuhi kriteria tertentu. Dalam contoh kita, kita ingin memilih record (baris) dari tabel PART dimana
Part_Number sama dengan 137 atau 150. The Ikuti operasi menggabungkan tabel relasional untuk menyediakan
pengguna dengan lebih banyak informasi daripada yang tersedia di tabel individual. Dalam contoh kita, kita ingin
menggabungkan tabel PART yang sekarang telah dipersingkat (hanya bagian 137 atau 150 yang akan disajikan) dan
tabel SUPPLIER menjadi satu tabel baru.
Itu proyek Operasi membuat subset yang terdiri dari kolom dalam tabel, memungkinkan pengguna
untuk membuat tabel baru yang hanya berisi informasi yang diperlukan. Dalam contoh kami, kami ingin
mengekstrak dari tabel baru hanya kolom berikut: Part_Number, Part_Name, Supplier_Number, dan
Supplier_Name.
Basis Data dan Basis Data Non-Terikat di Awan

Selama lebih dari 30 tahun, teknologi database relasional telah menjadi standar emas. Komputasi awan,
volume data yang belum pernah terjadi sebelumnya, beban kerja yang sangat besar untuk layanan Web,
dan kebutuhan untuk menyimpan jenis data baru memerlukan alternatif database untuk model relasional
tradisional dalam mengatur data dalam bentuk tabel, kolom, dan baris. Perusahaan beralih ke " NoSQL "Teknologi
database non-relasional untuk tujuan ini. Sistem manajemen database non-relasional
menggunakan model data yang lebih fleksibel dan dirancang untuk mengelola kumpulan data besar di banyak mesin
terdistribusi dan untuk meningkatkan atau menurunkan skala dengan mudah. Mereka berguna untuk mempercepat kueri
sederhana terhadap volume besar terstruktur dan
F S OF A RELATIONAL DBMS
Operasi pilih, gabung, dan proyek memungkinkan data dari dua tabel berbeda untuk digabungkan dan hanya atribut yang dipilih yang akan ditampilkan.
data tidak terstruktur, termasuk Web, media sosial, grafik, dan bentuk data lain yang sulit dianalisis
dengan alat tradisional berbasis SQL.
Ada beberapa jenis database NoSQL, masing-masing dengan fitur dan perilaku teknisnya sendiri. Oracle
NoSQL Database adalah salah satu contohnya, seperti Amazon's SimpleDB, salah satu Amazon Web Services
yang berjalan di cloud. SimpleDB menyediakan antarmuka layanan Web sederhana untuk membuat dan
menyimpan beberapa kumpulan data, membuat kueri data dengan mudah, dan mengembalikan hasilnya. Tidak
perlu untuk mendefinisikan struktur database formal atau mengubah definisi tersebut jika data baru ditambahkan
kemudian.
Amazon dan vendor komputasi awan lainnya juga menyediakan layanan database relasional. Amazon
Relational Database Service (Amazon RDS) menawarkan MySQL, SQL Server, atau Oracle Database sebagai
mesin database. Penetapan harga didasarkan pada penggunaan. Oracle memiliki Layanan Cloud Basis Data
sendiri yang menggunakan Oracle Database 11g relasionalnya, dan Basis Data Microsoft SQL Azure adalah
layanan basis data relasional berbasis awan berdasarkan DBMS SQL Server Microsoft. Layanan manajemen data
berbasis cloud memiliki daya tarik khusus untuk start-up yang berfokus pada Web atau bisnis kecil hingga
menengah yang mencari kemampuan database dengan harga lebih rendah daripada produk database in-house.
TicketDirect, yang menjual tiket konser, acara olahraga, pertunjukan teater, dan film di Australia dan
NewZealand, mengadopsi platform cloud SQLAzure Database untuk meningkatkan manajemen beban
sistem puncak selama penjualan tiket besar. Ini memigrasikan datanya ke database SQL Azure. Dengan
beralih ke solusi cloud, TicketDirect mampu menskalakan sumber daya komputasi sebagai respons
terhadap permintaan real-time sambil menjaga biaya tetap rendah.
Selain layanan manajemen data berbasis cloud publik, perusahaan sekarang memiliki opsi untuk
menggunakan database di cloud pribadi. Misalnya, Sabre Holdings, penyedia perangkat lunak sebagai
layanan (SaaS) terbesar di dunia untuk industri penerbangan, memiliki cloud database pribadi yang
mendukung lebih dari 100 proyek dan 700 pengguna. Database terkonsolidasi yang mencakup kumpulan
server standar yang menjalankan Oracle Database 11g menyediakan layanan database untuk beberapa
aplikasi. Alat manajemen beban kerja memastikan sumber daya yang cukup tersedia untuk memenuhi
kebutuhan aplikasi bahkan ketika beban kerja berubah. Platform perangkat keras dan perangkat lunak
bersama mengurangi jumlah server, DBMS, dan perangkat penyimpanan yang diperlukan untuk
proyek-proyek ini, yang terdiri dari aplikasi perjalanan maskapai penerbangan khusus bersama dengan
kereta api, hotel, dan aplikasi industri perjalanan lainnya (Baum, 2011).
Awan pribadi menggabungkan server, penyimpanan, sistem operasi, basis data, dan beban kerja campuran ke
dalam infrastruktur perangkat keras dan perangkat lunak bersama. Menerapkan database pada cloud pribadi yang
terkonsolidasi memungkinkan departemen TI meningkatkan kualitas tingkat layanan dan mengurangi biaya modal
dan pengoperasian. Semakin tinggi kepadatan konsolidasi yang dicapai, semakin besar laba atas investasi.
KEMAMPUAN SISTEM MANAJEMEN DATABASE

DBMS mencakup kemampuan dan alat untuk mengatur, mengelola, dan mengakses data dalam
database. Yang terpenting adalah bahasa definisi datanya, kamus data, dan bahasa manipulasi datanya.
DBMS memiliki file definisi data kemampuan untuk menentukan struktur konten database. Ini akan
digunakan untuk membuat tabel database dan untuk menentukan karakteristik bidang di setiap tabel.
Informasi tentang database ini akan didokumentasikan dalam kamus data. SEBUAH kamus data adalah
file otomatis atau manual yang menyimpan definisi elemen data dan karakteristiknya.
Microsoft Access memiliki kapabilitas kamus data dasar yang menampilkan informasi tentang nama,
deskripsi, ukuran, tipe, format, dan properti lain dari setiap bidang dalam tabel (lihat Gambar 6.6). Kamus
data untuk database perusahaan besar dapat menangkap informasi tambahan, seperti penggunaan,
kepemilikan (siapa dalam organisasi yang bertanggung jawab untuk memelihara data), otorisasi,
keamanan, dan individu, fungsi bisnis, program, dan laporan yang menggunakan setiap elemen data.
Menanyakan dan Melaporkan

DBMS mencakup alat untuk mengakses dan memanipulasi informasi dalam database. Kebanyakan DBMS
memiliki bahasa khusus yang disebut a bahasa manipulasi data
yang digunakan untuk menambah, mengubah, menghapus, dan mengambil data dalam database. Bahasa ini
berisi perintah yang mengizinkan pengguna akhir dan spesialis pemrograman untuk mengekstrak data dari
database untuk memenuhi permintaan informasi dan mengembangkan aplikasi. Bahasa manipulasi data yang
paling menonjol saat ini adalah Bahasa Kueri Terstruktur, atau SQL. Gambar 6.7 mengilustrasikan query SQL
yang akan menghasilkan tabel resultan baru pada Gambar 6.5. Anda dapat mengetahui lebih lanjut tentang
bagaimana melakukan kueri SQL di Trek Pembelajaran kami untuk bab ini.
Pengguna DBMS untuk komputer besar dan menengah, seperti DB2, Oracle, atau SQL Server, akan
menggunakan SQL untuk mengambil informasi yang mereka butuhkan dari database. Microsoft Access juga
menggunakan SQL, tetapi menyediakan seperangkat alat yang ramah pengguna sendiri untuk membuat kueri
database dan untuk mengatur data dari database menjadi laporan yang lebih halus.
Di Microsoft Access, Anda akan menemukan fitur yang memungkinkan pengguna membuat kueri
dengan mengidentifikasi tabel dan bidang yang diinginkan serta hasilnya, lalu memilih baris dari database
yang memenuhi kriteria tertentu. Tindakan ini pada gilirannya diterjemahkan ke dalam perintah SQL.
Gambar 6.8 mengilustrasikan bagaimana kueri yang sama seperti kueri SQL untuk memilih bagian dan
pemasok akan dibuat menggunakan alat pembuat kueri Microsoft.
GAMBAR 6.6 FITUR KAMUS AKSES DATA
Microsoft Access memiliki kapabilitas kamus data dasar yang menampilkan informasi tentang ukuran, format, dan
karakteristik lain dari setiap bidang dalam database. Yang ditampilkan di sini adalah informasi yang disimpan dalam tabel
SUPPLIER. Ikon kunci kecil di sebelah kiri Supplier_Number menunjukkan bahwa itu adalah bidang kunci.
GAMBAR 6.7 CONTOH KUERI SQL
Diilustrasikan di sini adalah pernyataan SQL untuk query untuk memilih pemasok untuk bagian 137 atau 150. Mereka
menghasilkan daftar dengan hasil yang sama seperti Gambar 6.5.
Microsoft Access dan DBMS lainnya menyertakan kapabilitas untuk pembuatan laporan sehingga data yang
diinginkan dapat ditampilkan dalam format yang lebih terstruktur dan halus daripada yang dimungkinkan hanya
dengan membuat kueri. Crystal Reports adalah generator laporan populer untuk DBMS perusahaan besar,
meskipun juga dapat digunakan dengan Access. Access juga memiliki kemampuan untuk mengembangkan
aplikasi sistem desktop. Ini termasuk alat untuk membuat layar entri data, laporan, dan mengembangkan logika
untuk memproses transaksi.
MERANCANG DATABASES
Untuk membuat database, Anda harus memahami hubungan antar data, jenis data yang akan disimpan
dalam database, bagaimana data akan digunakan, dan bagaimana organisasi perlu mengubah untuk
mengelola data dari perspektif seluruh perusahaan. . Basis data membutuhkan desain konseptual dan
desain fisik. Desain database konseptual, atau logis, adalah model abstrak database dari perspektif
bisnis, sedangkan desain fisik menunjukkan bagaimana database sebenarnya diatur pada perangkat
penyimpanan akses langsung.
GAMBAR 6.8 KUERI AKSES
Diilustrasikan di sini adalah bagaimana kueri pada Gambar 6.7 akan dibangun menggunakan alat pembuat kueri Microsoft
Access. Ini memperlihatkan tabel, bidang, dan kriteria pemilihan yang digunakan untuk kueri.
GAMBAR 6.9 HUBUNGAN YANG TIDAK NORMAL UNTUK ORDER
Relasi yang tidak dinormalisasi berisi grup yang berulang. Misalnya, ada banyak suku cadang dan pemasok untuk setiap pesanan. Hanya ada korespondensi
satu-ke-satu antara Order_Number dan Order_Date.
Norma liasi dan Entitas-Re l at ionisasi Di agrams

Desain basis data konseptual menjelaskan bagaimana elemen data dalam basis data akan
dikelompokkan. Proses desain mengidentifikasi hubungan di antara elemen data dan cara paling efisien
untuk mengelompokkan elemen data bersama-sama untuk memenuhi persyaratan informasi bisnis.
Proses ini juga mengidentifikasi elemen data yang berlebihan dan pengelompokan elemen data yang
diperlukan untuk program aplikasi tertentu. Grup data diatur, disempurnakan, dan disederhanakan hingga
tampilan logis keseluruhan dari hubungan di antara semua data dalam database muncul.
Untuk menggunakan model database relasional secara efektif, pengelompokan data yang kompleks harus
disederhanakan untuk meminimalkan elemen data yang berlebihan dan hubungan banyak-ke-banyak yang
canggung. Proses pembuatan struktur data yang kecil, stabil, namun fleksibel dan adaptif dari kelompok data
yang kompleks disebut
normalisasi. Gambar 6.9 dan 6.10 mengilustrasikan proses ini.
Dalam model bisnis tertentu yang dimodelkan di sini, pesanan dapat memiliki lebih dari satu bagian tetapi
setiap bagian disediakan oleh hanya satu pemasok. Jika kita membangun relasi yang disebut ORDER dengan
semua bidang yang disertakan di sini, kita harus mengulangi nama dan alamat pemasok untuk setiap bagian
dalam pesanan, meskipun pesanan untuk suku cadang dari pemasok tunggal. Hubungan ini berisi apa yang
disebut grup data berulang karena dapat terdapat banyak bagian dalam satu pesanan ke pemasok tertentu. Cara
yang lebih efisien untuk menyusun data adalah dengan memecah ORDER menjadi relasi yang lebih kecil, yang
masing-masing mendeskripsikan entitas tunggal. Jika kita pergi selangkah demi selangkah dan menormalkan
relasi ORDER, kita muncul dengan relasi yang diilustrasikan pada Gambar 6.10. Anda dapat mengetahui lebih
lanjut tentang normalisasi,
GAMBAR 6.10 TABEL NORMAL DIBUAT DARI ORDER
Setelah normalisasi, relasi asli ORDER telah dipecah menjadi empat relasi yang lebih kecil. Relasi ORDER hanya memiliki dua atribut dan relasi LINE_ITEM memiliki
kunci gabungan, atau gabungan, yang terdiri dari Order_Number dan Part_Number.
diagram relasi entitas, dan desain basis data dalam Trek Pembelajaran untuk bab ini.
Sistem database relasional mencoba untuk menegakkannya integritas referensial aturan untuk
memastikan bahwa hubungan antara tabel yang digabungkan tetap konsisten. Ketika satu tabel memiliki
kunci asing yang menunjuk ke tabel lain, Anda tidak dapat menambahkan catatan ke tabel dengan kunci
asing kecuali ada catatan terkait dalam tabel tertaut. Dalam database yang kita periksa sebelumnya pada
bab ini, kunci asing Supplier_Number menghubungkan tabel PART ke tabel SUPPLIER. Kami tidak dapat
menambahkan rekaman baru ke tabel PART untuk bagian dengan Supplier_ Number 8266 kecuali ada
rekaman yang sesuai di tabel SUPPLIER untuk Supplier_Number 8266. Kami juga harus menghapus
rekaman terkait di tabel PART jika kami menghapus rekaman di Tabel SUPPLIER untuk Pemasok_
Nomor 8266. Dengan kata lain, kita tidak boleh memiliki suku cadang dari pemasok yang tidak ada!
Desainer database mendokumentasikan model data mereka dengan diagram hubungan entitas, diilustrasikan
pada Gambar 6.11. Diagram ini menggambarkan hubungan antara entitas SUPPLIER, PART, LINE_ITEM, dan
ORDER. Kotak mewakili entitas. Garis yang menghubungkan kotak mewakili hubungan. Garis yang
menghubungkan dua entitas yang diakhiri dengan dua tanda pendek menunjukkan hubungan satu-ke-satu.
Garis yang menghubungkan dua entitas yang diakhiri dengan kaki gagak yang di atasnya diberi tanda pendek
menunjukkan hubungan satu ke banyak. Gambar 6.11 menunjukkan bahwa satu ORDER dapat berisi banyak
LINE_ITEM. (SEBUAH BAGIAN dapat dipesan berkali-kali dan muncul berkali-kali sebagai item baris dalam
satu pesanan.) Setiap BAGIAN hanya dapat memiliki satu PEMASOK, tetapi banyak BAGIAN dapat disediakan
oleh PEMASOK yang sama.
Tidak dapat cukup ditekankan: Jika bisnis tidak mendapatkan model data yang benar, sistem tidak
akan dapat melayani bisnis dengan baik. Sistem perusahaan tidak akan seefektif mungkin karena
mereka harus bekerja dengan data yang mungkin tidak akurat, tidak lengkap, atau sulit diambil.
Memahami data organisasi dan bagaimana mereka harus direpresentasikan dalam database mungkin
merupakan pelajaran terpenting yang dapat Anda pelajari dari kursus ini.
Misalnya, Famous Footwear, jaringan toko sepatu dengan lebih dari 800 lokasi di 49 negara bagian, tidak
dapat mencapai tujuannya untuk memiliki "gaya sepatu yang tepat di toko yang tepat untuk dijual dengan
harga yang tepat" karena database-nya tidak dirancang dengan benar untuk menyesuaikan inventaris toko
dengan cepat. Perusahaan memiliki database relasional Oracle yang berjalan pada komputer kelas
menengah, tetapi database tersebut dirancang terutama untuk menghasilkan laporan standar untuk
manajemen daripada bereaksi terhadap perubahan pasar. Manajemen tidak dapat memperoleh data yang
tepat tentang item tertentu dalam persediaan di setiap tokonya. Perusahaan harus mengatasi masalah ini
dengan membangun database baru di mana data penjualan dan inventaris dapat diatur dengan lebih baik
untuk analisis dan manajemen inventaris.
GAMBAR 6.11 DIAGRAM HUBUNGAN ENTITAS
Diagram ini menunjukkan hubungan antara entitas SUPPLIER, PART, LINE_ITEM, dan ORDER yang mungkin digunakan untuk memodelkan database pada Gambar 6.10.
6.3 U BERNYANYI D ATABASES TO saya MPROVE B KEGUNAAN

P. KESALAHAN DAN D ECISION M AKING
Bisnis menggunakan database mereka untuk melacak transaksi dasar, seperti membayar pemasok, memproses
pesanan, melacak pelanggan, dan membayar karyawan. Tetapi mereka juga membutuhkan database untuk
memberikan informasi yang akan membantu perusahaan menjalankan bisnis dengan lebih efisien, dan membantu
manajer dan karyawan membuat keputusan yang lebih baik. Jika sebuah perusahaan ingin mengetahui produk mana
yang paling populer atau pelanggan yang paling menguntungkan, jawabannya ada pada datanya.
TANTANGAN DATA BESAR

Hingga sekitar lima tahun yang lalu, sebagian besar data yang dikumpulkan oleh organisasi terdiri dari
data transaksi yang dapat dengan mudah masuk ke dalam baris dan kolom sistem manajemen basis data
relasional. Sejak itu, telah terjadi ledakan data dari lalu lintas web, pesan email, dan konten media sosial
(tweet, pesan status), serta data yang dihasilkan mesin dari sensor (digunakan dalam pengukur pintar,
sensor pabrikan, dan meter) atau dari sistem perdagangan elektronik. Data ini mungkin tidak terstruktur
atau semi-terstruktur sehingga tidak cocok untuk produk database relasional yang mengatur data dalam
bentuk kolom dan baris. Kami sekarang menggunakan istilah tersebut data besar untuk mendeskripsikan
kumpulan data ini dengan volume yang sangat besar sehingga melebihi kemampuan DBMS biasa untuk
menangkap, menyimpan, dan menganalisis.
Big data tidak mengacu pada kuantitas tertentu, tetapi biasanya mengacu pada data dalam kisaran
petabyte dan exabyte — dengan kata lain, miliaran hingga triliunan record, semuanya dari sumber yang
berbeda. Data besar diproduksi dalam jumlah yang jauh lebih besar dan jauh lebih cepat daripada data
tradisional. Misalnya, satu mesin jet mampu menghasilkan 10 terabyte data hanya dalam 30 menit, dan
ada lebih dari 25.000 penerbangan maskapai setiap hari. Meskipun "tweet" dibatasi masing-masing 140
karakter, Twitter menghasilkan lebih dari 8 terabyte data setiap hari. Menurut firma riset teknologi
International Data Center (IDC), data bertambah lebih dari dua kali lipat setiap dua tahun, sehingga
jumlah data yang tersedia untuk organisasi meroket.
Bisnis tertarik pada data besar karena mereka dapat mengungkapkan lebih banyak pola dan anomali
yang menarik daripada kumpulan data yang lebih kecil, dengan potensi untuk memberikan wawasan baru
tentang perilaku pelanggan, pola cuaca, aktivitas pasar keuangan, atau fenomena lainnya. Namun, untuk
memperoleh nilai bisnis dari data ini, organisasi memerlukan teknologi dan alat baru yang mampu mengelola
dan menganalisis data non-tradisional bersama dengan data perusahaan tradisional mereka.
INFRASTRUKTUR KECERDASAN BISNIS

Misalkan Anda menginginkan informasi yang ringkas dan andal tentang operasi saat ini, tren, dan
perubahan di seluruh perusahaan. Jika Anda bekerja di perusahaan besar, data yang Anda butuhkan
mungkin harus disatukan dari sistem terpisah, seperti penjualan, manufaktur, dan akuntansi, dan bahkan
dari sumber eksternal, seperti data demografis atau pesaing. Anda mungkin semakin perlu menggunakan
data besar. Infrastruktur kontemporer untuk intelijen bisnis memiliki serangkaian alat untuk memperoleh
informasi yang berguna dari semua jenis data yang berbeda yang digunakan oleh bisnis saat ini,
termasuk data besar semi-terstruktur dan tidak terstruktur dalam jumlah besar. Kemampuan ini
mencakup gudang data dan data mart, Hadoop, komputasi dalam memori, dan platform analitik.
Gudang Data dan Data Mar ts

Alat tradisional untuk menganalisis data perusahaan selama dua dekade terakhir adalah gudang data.
SEBUAH gudang data adalah database yang menyimpan data terkini dan data historis yang berpotensi
menarik bagi para pengambil keputusan di seluruh perusahaan. Data tersebut berasal dari banyak sistem
transaksi operasional inti, seperti sistem untuk penjualan, akun pelanggan, dan manufaktur, dan dapat
mencakup data dari transaksi situs Web. Gudang data mengekstrak data terkini dan historis dari
beberapa sistem operasional di dalam organisasi. Data ini digabungkan dengan data dari sumber
eksternal dan diubah dengan mengoreksi data yang tidak akurat dan tidak lengkap serta
merestrukturisasi data untuk pelaporan dan analisis manajemen sebelum dimuat ke dalam gudang data.
Gudang data membuat data tersedia untuk diakses siapa saja sesuai kebutuhan, tetapi tidak dapat
diubah. Sistem gudang data juga menyediakan berbagai alat kueri standar dan ad hoc, alat analitik, dan
fasilitas pelaporan grafis.
Perusahaan sering membangun gudang data skala perusahaan, di mana gudang data pusat melayani
seluruh organisasi, atau mereka membuat gudang yang lebih kecil dan terdesentralisasi yang disebut data
mart. SEBUAH data mart adalah bagian dari gudang data di mana bagian data organisasi yang diringkas atau
sangat terfokus ditempatkan dalam database terpisah untuk populasi pengguna tertentu. Misalnya, perusahaan
mungkin mengembangkan data mart pemasaran dan penjualan untuk menangani informasi pelanggan. Penjual
Buku Barnes & Noble biasa mengelola serangkaian data mart — satu untuk data titik penjualan di toko ritel,
satu lagi untuk penjualan toko buku perguruan tinggi, dan yang ketiga untuk penjualan online.
Hadoop
Produk DBMS relasional dan data warehouse tidak cocok untuk mengatur dan menganalisis big data atau
data yang tidak mudah masuk ke dalam kolom dan baris yang digunakan dalam model datanya. Untuk
menangani data tidak terstruktur dan semi-terstruktur dalam jumlah besar, serta data terstruktur,
digunakan organisasi Hadoop.
Hadoop adalah kerangka perangkat lunak sumber terbuka yang dikelola oleh Apache Software Foundation yang
memungkinkan pemrosesan paralel terdistribusi dari sejumlah besar data di komputer murah. Ini memecah
masalah big data menjadi sub-masalah, mendistribusikannya di antara hingga ribuan node pemrosesan komputer
yang tidak mahal, dan kemudian menggabungkan hasilnya menjadi kumpulan data yang lebih kecil yang lebih
mudah dianalisis. Anda mungkin pernah menggunakan Hadoop untuk mencari tiket pesawat terbaik di Internet,
mendapatkan petunjuk arah ke restoran, melakukan pencarian di Google, atau terhubung dengan teman di
Facebook.
Hadoop terdiri dari beberapa layanan utama: Hadoop Distributed File System (HDFS) untuk
penyimpanan data dan MapReduce untuk pemrosesan data paralel berkinerja tinggi. HDFS
menghubungkan sistem file pada banyak node dalam cluster Hadoop untuk mengubahnya menjadi satu
sistem file besar. MapReduce milik Hadoop terinspirasi oleh sistem MapReduce Google untuk memecah
pemrosesan kumpulan data besar dan menugaskan pekerjaan ke berbagai node dalam sebuah cluster.
HBase, database non-relasional Hadoop, menyediakan akses cepat ke data yang disimpan di HDFS dan
platform transaksional untuk menjalankan aplikasi real-time skala tinggi.
Hadoop dapat memproses segala jenis data dalam jumlah besar, termasuk data transaksional terstruktur, data
yang terstruktur secara longgar seperti feed Facebook dan Twitter, data kompleks seperti file log server Web, dan
data audio dan video yang tidak terstruktur. Hadoop berjalan pada sekelompok server yang tidak mahal, dan
prosesor dapat ditambahkan atau dihapus sesuai kebutuhan. Perusahaan menggunakan Hadoop untuk menganalisis
sangat besar
volume data serta untuk area pementasan untuk data tidak terstruktur dan semi-terstruktur sebelum dimuat ke dalam
gudang data. Facebook menyimpan sebagian besar datanya di cluster Hadoop yang sangat besar, yang menampung
sekitar 100 petabyte, sekitar 10.000 kali lebih banyak informasi daripada Library of Congress. Yahoo menggunakan
Hadoop untuk melacak perilaku pengguna sehingga dapat memodifikasi beranda agar sesuai dengan minat mereka.
Firma penelitian ilmu hayati NextBio menggunakan Hadoop dan HBase untuk memproses data bagi perusahaan
farmasi yang melakukan penelitian genomik. Vendor database teratas seperti IBM, Hewlett-Packard, Oracle, dan
Microsoft memiliki distribusi perangkat lunak Hadoop mereka sendiri. Vendor lain menawarkan alat untuk
memindahkan data masuk dan keluar dari Hadoop atau untuk menganalisis data dalam Hadoop.
Komputasi Dalam Memori

Cara lain untuk memfasilitasi analisis data besar adalah dengan menggunakan komputasi dalam memori,
yang terutama mengandalkan memori utama (RAM) komputer untuk penyimpanan data. (DBMS konvensional
menggunakan sistem penyimpanan disk.) Pengguna mengakses data yang disimpan dalam memori primer
sistem, sehingga menghilangkan kemacetan dari pengambilan dan pembacaan data dalam database tradisional
berbasis disk dan secara dramatis mempersingkat waktu respons kueri. Pemrosesan dalam memori
memungkinkan kumpulan data yang sangat besar, sebesar ukuran data mart atau gudang data kecil, untuk
disimpan seluruhnya dalam memori. Perhitungan bisnis yang rumit yang biasanya memakan waktu berjam-jam
atau berhari-hari dapat diselesaikan dalam hitungan detik, dan ini bahkan dapat diselesaikan pada perangkat
genggam.
Bab sebelumnya menjelaskan beberapa kemajuan dalam teknologi perangkat keras komputer
kontemporer yang memungkinkan pemrosesan dalam memori, seperti prosesor berkecepatan tinggi yang
andal, pemrosesan multi inti, dan jatuhnya harga memori komputer. Teknologi ini membantu perusahaan
mengoptimalkan penggunaan memori dan mempercepat kinerja pemrosesan sekaligus menurunkan biaya.
Produk komersial terkemuka untuk komputasi dalam memori termasuk SAP's High Performance Analytics Appliance
(HANA) dan Oracle Exalytics. Masing-masing menyediakan satu set komponen perangkat lunak terintegrasi, termasuk
perangkat lunak basis data dalam memori dan perangkat lunak analitik khusus, yang berjalan pada perangkat keras yang
dioptimalkan untuk pekerjaan komputasi dalam memori.
Centrica, utilitas gas dan listrik, menggunakan HANA untuk dengan cepat menangkap dan menganalisis data dalam jumlah
besar yang dihasilkan oleh smart meter. Perusahaan dapat menganalisis penggunaan setiap 15 menit, memberikan gambaran
yang lebih jelas tentang penggunaan menurut lingkungan, ukuran rumah, jenis bisnis yang dilayani, atau jenis bangunan.
HANA juga membantu Centrica menunjukkan kepada pelanggannya pola penggunaan energi mereka secara real-time
menggunakan perangkat online dan seluler.
Ana l yt ic Pl at formulir
Vendor database komersial telah mengembangkan kecepatan tinggi khusus platform analitik menggunakan
teknologi relasional dan non-relasional yang dioptimalkan untuk menganalisis kumpulan data besar. Platform
analitik ini, seperti IBM Netezza dan Oracle Exadata, menampilkan sistem perangkat keras-perangkat lunak
yang telah dikonfigurasi sebelumnya yang secara khusus dirancang untuk pemrosesan kueri dan analitik.
Misalnya, IBM Netezza memiliki fitur database, server, dan komponen penyimpanan yang terintegrasi erat
yang menangani kueri analitik kompleks 10 hingga 100 kali lebih cepat daripada sistem tradisional. Platform
analitik juga mencakup sistem dalam memori dan sistem manajemen basis data non-relasional NoSQL.
Gambar 6.12 mengilustrasikan infrastruktur intelijen bisnis kontemporer menggunakan teknologi yang
baru saja kami jelaskan. Data terkini dan historis diekstrak dari beberapa sistem operasional bersama
dengan data Web, data yang dibuat oleh mesin, data audio / visual tidak terstruktur, dan data dari sumber
eksternal
GAMBAR 6.12 KOMPONEN DATAWAREHOUSE
Infrastruktur intelijen bisnis kontemporer menampilkan kapabilitas dan alat untuk mengelola dan menganalisis jumlah besar dan jenis
data yang berbeda dari berbagai sumber. Alat kueri dan pelaporan yang mudah digunakan untuk pengguna bisnis biasa dan perangkat
analitik yang lebih canggih untuk pengguna yang mahir juga disertakan.
yang telah direstrukturisasi dan diatur ulang untuk pelaporan dan analisis. Cluster Hadoop melakukan
pra-proses data besar untuk digunakan di gudang data, data mart, atau platform analitik, atau untuk kueri
langsung oleh pengguna yang mahir. Keluarannya mencakup laporan dan dasbor serta hasil kueri. Bab 12
membahas berbagai jenis pengguna BI dan pelaporan BI secara lebih rinci.
ALAT ANALITIS: HUBUNGAN, POLA, TREN
Setelah data diambil dan diatur menggunakan teknologi intelijen bisnis yang baru saja kami jelaskan,
data tersebut tersedia untuk analisis lebih lanjut menggunakan perangkat lunak untuk kueri dan
pelaporan database, analisis data multidimensi (OLAP), dan penambangan data. Bagian ini akan
memperkenalkan Anda pada alat-alat ini, dengan detail lebih lanjut tentang analitik dan aplikasi
kecerdasan bisnis di Bab 12.
Onl ine Ana l yt i ca l Process ing (OLAP)

Misalkan perusahaan Anda menjual empat produk berbeda — mur, baut, ring, dan sekrup — di wilayah Timur, Barat, dan
Tengah. Jika Anda ingin mengajukan pertanyaan yang cukup lugas, seperti berapa banyak mesin cuci yang terjual
selama kuartal terakhir, Anda dapat dengan mudah menemukan jawabannya dengan menanyakan database penjualan
Anda. Tetapi bagaimana jika Anda ingin mengetahui berapa banyak mesin cuci yang terjual di setiap wilayah penjualan
Anda dan membandingkan hasil aktual dengan penjualan yang diproyeksikan?
Untuk mendapatkan jawabannya, Anda membutuhkannya pemrosesan analitik online (OLAP).

OLAP mendukung analisis data multidimensi, memungkinkan pengguna untuk melihat hal yang sama
data dengan cara yang berbeda menggunakan berbagai dimensi. Setiap aspek informasi — produk, harga, biaya,
wilayah, atau periode waktu — mewakili dimensi yang berbeda. Jadi, seorang manajer produk dapat menggunakan alat
analisis data multidimensi untuk mempelajari berapa banyak washer yang terjual di Timur pada bulan Juni, bagaimana
membandingkannya dengan bulan sebelumnya dan bulan Juni sebelumnya, dan bagaimana membandingkannya
dengan perkiraan penjualan. OLAP memungkinkan pengguna mendapatkan jawaban online untuk pertanyaan ad hoc
seperti ini dalam waktu yang cukup cepat, bahkan ketika data disimpan dalam database yang sangat besar, seperti
angka penjualan selama beberapa tahun.
Gambar 6.13 menunjukkan model multidimensi yang dapat dibuat untuk mewakili produk, wilayah, penjualan
aktual, dan proyeksi penjualan. Matriks penjualan aktual dapat ditumpuk di atas matriks penjualan yang
diproyeksikan untuk membentuk kubus dengan enam sisi. Jika Anda memutar kubus 90 derajat ke satu arah,
tampilan wajah akan menjadi produk versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar kubus 90
derajat lagi, Anda akan melihat wilayah versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar 180
derajat dari tampilan asli, Anda akan melihat proyeksi penjualan dan produk versus wilayah. Kubus dapat
disarangkan di dalam kubus untuk membangun tampilan data yang kompleks. Perusahaan akan menggunakan
database multidimensi khusus atau alat yang membuat tampilan multidimensi data dalam database relasional.
Penambangan Data
Kueri database tradisional menjawab pertanyaan seperti, "Berapa banyak unit nomor produk 403 yang
dikirim pada Februari 2013?" OLAP, atau analisis multidimensi, mendukung permintaan informasi yang
jauh lebih kompleks, seperti, "Bandingkan penjualan produk 403 relatif terhadap rencana menurut kuartal
dan wilayah penjualan selama dua tahun terakhir". Dengan OLAP dan analisis data berorientasi kueri,
pengguna harus memiliki ide bagus tentang informasi yang mereka cari.
Penambangan data lebih didorong oleh penemuan. Penambangan data memberikan wawasan ke dalam data
perusahaan yang tidak dapat diperoleh dengan OLAP dengan menemukan pola dan hubungan tersembunyi dalam database
besar dan menyimpulkan aturan darinya untuk memprediksi perilaku masa depan. Pola dan aturan digunakan untuk memandu
pengambilan keputusan dan ramalan
GAMBAR 6.13 MODEL DATA MULTIDIMENSI
Tampilan ini menunjukkan produk versus wilayah. Jika Anda memutar kubus 90 derajat, wajah yang akan melakukannya
pertunjukan adalah produk versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar kubus 90 derajat lagi, Anda akan
melihat wilayah versus penjualan aktual dan yang diproyeksikan. Pandangan lain dimungkinkan.
efek dari keputusan tersebut. Jenis informasi yang dapat diperoleh dari data mining meliputi asosiasi,
urutan, klasifikasi, cluster, dan prakiraan.
• Asosiasi adalah kejadian yang terkait dengan satu peristiwa. Misalnya, sebuah studi tentang pola
pembelian supermarket mungkin mengungkapkan bahwa, ketika keripik jagung dibeli, minuman cola
dibeli 65 persen dari waktu itu, tetapi ketika ada promosi, minuman kola dibeli 85 persen dari waktu itu.
Informasi ini membantu manajer membuat keputusan yang lebih baik karena mereka telah mempelajari
keuntungan dari promosi.
• Di urutan, acara ditautkan dari waktu ke waktu. Kita mungkin menemukan, misalnya, bahwa jika
rumah dibeli, lemari es baru akan dibeli dalam waktu dua minggu 65 persen dari waktu, dan oven
akan dibeli dalam satu bulan setelah pembelian rumah 45 persen dari waktu.
• Klasifikasi Mengenali pola yang mendeskripsikan grup yang memiliki item dengan memeriksa item yang
sudah ada yang telah diklasifikasikan dan dengan menyimpulkan seperangkat aturan. Misalnya, bisnis seperti
perusahaan kartu kredit atau telepon khawatir kehilangan pelanggan tetap. Klasifikasi membantu menemukan
karakteristik pelanggan yang kemungkinan akan keluar dan dapat memberikan model untuk membantu
manajer memprediksi siapa pelanggan tersebut sehingga manajer dapat merancang kampanye khusus untuk
mempertahankan pelanggan tersebut.
• Kekelompokan bekerja dengan cara yang mirip dengan klasifikasi ketika belum ada kelompok yang
ditentukan. Alat penambangan data dapat menemukan pengelompokan yang berbeda dalam data, seperti
menemukan grup afinitas untuk kartu bank atau mempartisi database ke dalam grup pelanggan berdasarkan
demografi dan jenis investasi pribadi.
• Meskipun aplikasi ini melibatkan prediksi, peramalan menggunakan prediksi dengan cara yang berbeda. Ini
menggunakan serangkaian nilai yang ada untuk meramalkan apa yang akan menjadi nilai lain. Misalnya,
peramalan mungkin menemukan pola dalam data untuk membantu manajer memperkirakan nilai variabel kontinu
di masa depan, seperti angka penjualan.
Sistem ini melakukan analisis pola atau tren tingkat tinggi, tetapi juga dapat menelusuri untuk
memberikan detail lebih lanjut bila diperlukan. Ada aplikasi data mining untuk semua area fungsional bisnis,
dan untuk pemerintahan dan karya ilmiah. Salah satu penggunaan populer untuk data mining adalah untuk
memberikan analisis rinci pola dalam data pelanggan untuk kampanye pemasaran satu-ke-satu atau untuk
mengidentifikasi pelanggan yang menguntungkan.
Caesars Entertainment, sebelumnya dikenal sebagai Harrah's Entertainment, adalah perusahaan

game terbesar di dunia. Itu terus menganalisis data tentang pelanggannya yang dikumpulkan ketika
orang memainkan mesin slotnya atau menggunakan kasino dan hotelnya. Departemen pemasaran
perusahaan menggunakan informasi ini untuk membuat profil perjudian terperinci, berdasarkan nilai
berkelanjutan pelanggan tertentu bagi perusahaan. Misalnya, data mining memungkinkan Caesars
mengetahui pengalaman bermain game favorit pelanggan tetap di salah satu kasino perahu sungai,
bersama dengan preferensi orang tersebut untuk akomodasi kamar, restoran, dan hiburan. Informasi ini
memandu keputusan manajemen tentang cara membina pelanggan yang paling menguntungkan,
mendorong pelanggan tersebut untuk membelanjakan lebih banyak, dan menarik lebih banyak pelanggan
dengan potensi menghasilkan pendapatan yang tinggi.
Penambangan Teks dan Penambangan Web

Namun, data tidak terstruktur, sebagian besar dalam bentuk file teks, diyakini mencakup lebih dari 80
persen informasi organisasi yang berguna dan merupakan satu
260 Bagian Kedua Infrastruktur Teknologi Informasi
sumber utama data besar yang ingin dianalisis perusahaan. E-mail, memo, transkrip call center,
tanggapan survei, kasus hukum, deskripsi paten, dan laporan layanan semuanya berharga untuk
menemukan pola dan tren yang akan membantu karyawan membuat keputusan bisnis yang lebih baik. Penambangan
teks alat sekarang tersedia untuk membantu bisnis menganalisis data ini. Alat ini dapat mengekstrak
elemen kunci dari kumpulan data besar yang tidak terstruktur, menemukan pola dan hubungan, dan
meringkas informasi.
Bisnis mungkin beralih ke penambangan teks untuk menganalisis transkrip panggilan ke pusat layanan
pelanggan untuk mengidentifikasi masalah layanan dan perbaikan utama atau untuk mengukur sentimen
pelanggan tentang perusahaan mereka. Analisis sentimen
perangkat lunak dapat mengumpulkan komentar teks dalam pesan email, blog, percakapan media sosial, atau formulir
survei untuk mendeteksi opini yang menguntungkan dan tidak menyenangkan tentang subjek tertentu.
Misalnya, broker diskon Charles Schwab menggunakan perangkat lunak Attensity Analyze untuk
menganalisis ratusan ribu interaksi pelanggannya setiap bulan. Perangkat lunak tersebut menganalisis
catatan layanan pelanggan, email, tanggapan survei, dan diskusi online Schwab untuk menemukan
tanda-tanda ketidakpuasan yang mungkin menyebabkan pelanggan berhenti menggunakan layanan
perusahaan. Perhatian dapat secara otomatis mengidentifikasi berbagai "suara" yang digunakan pelanggan
untuk mengungkapkan umpan balik mereka (seperti suara positif, negatif, atau bersyarat) untuk menunjukkan
dengan tepat niat seseorang untuk membeli, berniat untuk pergi, atau reaksi terhadap produk atau pesan
pemasaran tertentu . Schwab menggunakan informasi ini untuk mengambil tindakan korektif seperti
meningkatkan komunikasi broker langsung dengan pelanggan dan mencoba dengan cepat menyelesaikan
masalah yang membuat pelanggan tidak senang.
Web adalah sumber kaya lain dari data besar tidak terstruktur untuk mengungkap pola, tren, dan
wawasan tentang perilaku pelanggan. Penemuan dan analisis pola dan informasi yang berguna dari
World Wide Web disebut Penambangan web. Bisnis mungkin beralih ke penambangan Web untuk
membantu mereka memahami perilaku pelanggan, mengevaluasi keefektifan situs Web tertentu, atau
mengukur keberhasilan kampanye pemasaran. Misalnya, pemasar menggunakan layanan Google
Trends dan Google Insights untuk Penelusuran, yang melacak popularitas berbagai kata dan frasa yang
digunakan dalam kueri penelusuran Google, untuk mempelajari apa yang diminati orang dan apa yang
ingin mereka beli.
Penambangan web mencari pola dalam data melalui penambangan konten, penambangan struktur,
dan penambangan penggunaan. Penambangan konten web adalah proses mengekstraksi pengetahuan
dari konten halaman web, yang dapat mencakup data teks, gambar, audio, dan video. Penambangan
struktur web memeriksa data yang terkait dengan struktur situs Web tertentu. Misalnya, link yang
mengarah ke dokumen menunjukkan popularitas dokumen, sedangkan link yang keluar dari dokumen
menunjukkan kekayaan atau mungkin variasi topik yang dibahas dalam dokumen. Penambangan
penggunaan web memeriksa data interaksi pengguna yang direkam oleh server Web setiap kali
permintaan untuk sumber daya situs Web diterima. Data penggunaan mencatat perilaku pengguna saat
pengguna menelusuri atau membuat transaksi di situs Web dan mengumpulkan data di log server.
Sesi Interaktif tentang Teknologi menjelaskan pengalaman organisasi saat mereka menggunakan alat
analisis dan teknologi intelijen bisnis yang telah kami jelaskan untuk mengatasi tantangan "data besar".
INTERACT IVE SESS ION: TECHNOLOGY

DATA BESAR, HADIAH BESAR
Perusahaan saat ini menghadapi longsoran data dari media sosial, catatan, dan 33 miliar catatan publik. Kemampuan pencarian sistem
pencarian, dan sensor serta dari sumber tradisional. Pada tahun memungkinkan NYPD dengan cepat mendapatkan data dari salah satu
2012, jumlah informasi digital yang dihasilkan diperkirakan sumber data ini. Informasi tentang penjahat, seperti foto tersangka dengan
mencapai 988 exabyte, yang setara dengan tumpukan buku dari detail pelanggaran masa lalu atau alamat dengan peta, dapat divisualisasikan
matahari hingga planet Pluto dan sebaliknya. Memahami "data dalam hitungan detik di dinding video atau langsung diteruskan ke petugas di
besar" telah menjadi salah satu tantangan utama bagi perusahaan tempat kejadian perkara.
dari segala bentuk dan ukuran, tetapi juga mewakili peluang baru.
Bagaimana perusahaan saat ini memanfaatkan peluang data Organisasi lain menggunakan data untuk go green, atau, dalam kasus
besar? Vestas, untuk go green. Berkantor pusat di Denmark, Vestas adalah
perusahaan energi angin terbesar di dunia, dengan lebih dari 43.000 turbin
Perpustakaan Inggris harus beradaptasi untuk menangani data besar. Setiap angin di 66 negara. Data lokasi penting bagi Vestas agar dapat
tahun pengunjung situs web British Library melakukan lebih dari 6 miliar menempatkan turbinnya secara akurat untuk pembangkit tenaga angin
pencarian, dan perpustakaan juga bertanggung jawab untuk melestarikan yang optimal. Area tanpa angin yang cukup tidak akan menghasilkan daya
situs-situs Web Inggris yang tidak lagi ada tetapi perlu dilestarikan untuk tujuan yang diperlukan, tetapi area dengan terlalu banyak angin dapat merusak
sejarah, seperti situs Web untuk politisi masa lalu. Metode manajemen data turbin. Vestas mengandalkan data berbasis lokasi untuk menentukan
tradisional terbukti tidak memadai untuk mengarsipkan jutaan halaman Web ini, tempat terbaik untuk memasang turbin mereka.
dan alat analitik lama tidak dapat mengekstrak pengetahuan yang berguna dari
data dalam jumlah seperti itu. Jadi Perpustakaan Inggris bermitra dengan IBM
untuk mengimplementasikan solusi data besar untuk tantangan ini. IBM Untuk mengumpulkan data tentang lokasi turbin prospektif,
BigSheets adalah mesin wawasan yang membantu mengekstrak, membuat perpustakaan angin Vestas menggabungkan data dari sistem cuaca
anotasi, dan menganalisis secara visual data Web yang tidak terstruktur dalam global bersama dengan data dari turbin yang ada. Perpustakaan
jumlah besar, memberikan hasil melalui browser Web. Misalnya, pengguna dapat angin perusahaan sebelumnya memberikan informasi dalam pola
melihat hasil penelusuran dalam diagram lingkaran. IBM BigSheets kisi, dengan setiap kisi berukuran 27 x 27 kilometer (17 x 17 mil).
Insinyur Vestas mampu menurunkan resolusi menjadi sekitar 10 x 10
meter (32 x 32 kaki) untuk menetapkan pola aliran angin yang tepat
di lokasi tertentu. Untuk lebih meningkatkan akurasi model
dibuat di atas kerangka kerja Hadoop, sehingga dapat memproses data dalam penempatan turbinnya, Vestas perlu mengecilkan area jaringan lebih
jumlah besar dengan cepat dan efisien. jauh, dan ini membutuhkan data 10 kali lebih banyak dari sistem
Badan penegak hukum negara bagian dan federal menganalisis data sebelumnya dan platform manajemen data yang lebih kuat.
besar untuk menemukan pola tersembunyi dalam aktivitas kriminal seperti
korelasi antara waktu, peluang, dan organisasi, atau hubungan yang tidak
jelas (lihat Bab 4) antara individu dan organisasi kriminal yang akan sulit
untuk diungkap. kumpulan data yang lebih kecil. Penjahat dan organisasi Perusahaan menerapkan solusi yang terdiri dari perangkat lunak IBM
kriminal semakin banyak menggunakan Internet untuk mengoordinasikan InfoSphere BigInsights yang berjalan pada server IBM System x iDataPlex
dan melakukan kejahatan mereka. Alat baru memungkinkan agensi berkinerja tinggi. (InfoSphere BigInsights adalah seperangkat alat
menganalisis data dari beragam sumber dan menerapkan analitik untuk perangkat lunak untuk analisis dan visualisasi data besar, dan didukung
memprediksi pola kejahatan di masa depan. Artinya, penegak hukum bisa oleh Apache Hadoop.) Dengan menggunakan teknologi ini, Vestas
lebih proaktif dalam upaya memberantas kejahatan dan menghentikannya memperbesar ukuran perpustakaan anginnya dan mampu mengelola serta
sebelum kejahatan itu terjadi. menganalisis lokasi dan data cuaca dengan model yang jauh lebih kuat
dan tepat.
Perpustakaan angin Vestas saat ini menyimpan 2,8 petabyte

Di Kota New York, gudang data Pusat Kejahatan Waktu Nyata data dan mencakup sekitar 178 parameter, seperti tekanan
berisi jutaan titik data tentang kejahatan kota dan penjahat. IBM dan barometrik, kelembaban, arah angin, suhu, kecepatan angin, dan
Departemen Kepolisian Kota New York (NYPD) bekerja sama untuk data historis perusahaan lainnya. Vestas berencana menambahkan
membuat gudang, yang berisi data lebih dari 120 juta pengaduan metrik deforestasi global, citra satelit, data geospasial, dan data
pidana, 31 juta kejahatan nasional. fase bulan dan pasang surut.
Perusahaan tersebut sekarang dapat mengurangi resolusi jaringan data menyelidiki anomali ini, perusahaan dapat dengan cepat menyesuaikan
anginnya hampir 90 persen, menjadi area 3 x 3 kilometer (sekitar 1,8 x 1,8 tingkat kepegawaian di kantor Philadelphia selama masa puncak tersebut,
mil). Kemampuan ini memungkinkan Vestas memperkirakan penempatan memastikan seorang manajer hadir untuk menyelesaikan masalah apa pun.
turbin yang optimal dalam 15 menit, bukan tiga minggu, menghemat waktu Ini meningkatkan kinerja Hertz dan meningkatkan kepuasan pelanggan.
pengembangan selama satu bulan untuk lokasi turbin dan memungkinkan
pelanggan Vestas untuk mencapai laba atas investasi jauh lebih cepat. Ada batasan untuk menggunakan data besar. Berenang dalam angka
tidak selalu berarti bahwa informasi yang benar dikumpulkan atau bahwa
orang akan membuat keputusan yang lebih cerdas. Tahun lalu, laporan
Perusahaan juga menggunakan solusi data besar untuk menganalisis McKinsey Global Institute memperingatkan bahwa ada kekurangan
sentimen konsumen. Misalnya, raksasa persewaan mobil Hertz spesialis yang dapat memahami semua informasi yang dihasilkan. Namun
mengumpulkan data dari survei Web, email, pesan teks, pola lalu lintas situs demikian, tren menuju big data tidak menunjukkan tanda-tanda melambat;
Web, dan data yang dihasilkan di semua 8.300 lokasi Hertz di 146 negara. faktanya, data besar kemungkinan besar hanya akan menjadi lebih besar.
Perusahaan sekarang menyimpan semua data itu secara terpusat, bukan di
setiap cabang, mengurangi waktu yang dihabiskan untuk memproses data
dan meningkatkan waktu respons perusahaan terhadap umpan balik
pelanggan dan perubahan sentimen. Misalnya, dengan menganalisis data Sumber: Samuel Greengard, ”Big Data Membuka Nilai Bisnis,” Baseline, Januari 2012;
yang dihasilkan dari berbagai sumber, Hertz dapat menentukan bahwa Paul S. Barth, “Mengelola Data Besar: Yang Perlu Diketahui Setiap CIO,” CIO Insight, 12
Januari 2012; IBM Corporation, "Vestas: Mengubah Iklim menjadi Modal dengan Data
penundaan terjadi untuk pengembalian di Philadelphia selama waktu tertentu
Besar," 2011; IBM Corporation, "Memperluas dan meningkatkan kemampuan penegakan
dalam sehari. Setelah
hukum," "Bagaimana Big Data Memberi Keuntungan Besar bagi Hertz," dan "British Library
dan J Mulai Bekerja Sama untuk Mengarsipkan Web," 2010.
PERTANYAAN STUDI KASUS

1. Jelaskan jenis data besar yang dikumpulkan oleh 4. Identifikasi tiga keputusan yang diperbaiki oleh
organisasi yang dijelaskan dalam kasus ini. menggunakan data besar.
2. Buat daftar dan jelaskan intelijen bisnis 5. Jenis organisasi apa yang paling mungkin
teknologi yang dijelaskan dalam kasus ini. membutuhkan manajemen data besar dan alat analisis? Mengapa?
3. Mengapa perusahaan dijelaskan dalam kasus ini

perlu memelihara dan menganalisis data besar? Manfaat bisnis
apa yang mereka peroleh?
DATABASES DAN WEBSITE

Pernahkah Anda mencoba menggunakan Web untuk memesan atau melihat katalog produk? Jika demikian,
Anda mungkin menggunakan situs Web yang ditautkan ke database internal perusahaan. Banyak perusahaan
sekarang menggunakan Web untuk membuat beberapa informasi dalam database internal mereka tersedia untuk
pelanggan dan mitra bisnis.
Misalkan, misalnya, pelanggan dengan browser Web ingin mencari informasi harga di database
pengecer online. Gambar 6.14 mengilustrasikan bagaimana pelanggan tersebut dapat mengakses
database internal pengecer melalui Web. Pengguna mengakses situs Web pengecer melalui Internet
menggunakan perangkat lunak browser Web pada PC kliennya. Perangkat lunak browser Web pengguna
meminta data dari database organisasi, menggunakan perintah HTML untuk berkomunikasi dengan
server Web.
Karena banyak database back-end tidak dapat menafsirkan perintah yang ditulis dalam HTML, server
Web meneruskan permintaan data ini ke perangkat lunak yang menerjemahkan perintah HTML ke dalam
SQL sehingga perintah dapat diproses oleh DBMS yang bekerja dengan database. Dalam lingkungan
klien / server, file
GAMBAR 6.14 MENGHUBUNGKAN DATABASE INTERNAL KE Web
Pengguna mengakses database internal organisasi melalui Web menggunakan PC desktop dan perangkat lunak browser Web.
DBMS berada di komputer khusus yang disebut server database. DBMS menerima permintaan SQL dan
menyediakan data yang diperlukan. Middleware mentransfer informasi dari database internal organisasi
kembali ke server Web untuk dikirimkan dalam bentuk halaman Web kepada pengguna.
Gambar 6.14 menunjukkan bahwa middleware yang bekerja antara server Web dan DBMS adalah
server aplikasi yang berjalan pada komputer khusus miliknya (lihat Bab 5). Perangkat lunak server
aplikasi menangani semua operasi aplikasi, termasuk pemrosesan transaksi dan akses data, antara
komputer berbasis browser dan aplikasi bisnis back-end atau database perusahaan. Server aplikasi
menerima permintaan dari server Web, menjalankan logika bisnis untuk memproses transaksi
berdasarkan permintaan tersebut, dan menyediakan konektivitas ke sistem atau database back-end
organisasi. Alternatifnya, perangkat lunak untuk menangani operasi ini dapat berupa program kustom
atau skrip CGI. Skrip CGI adalah program kompak yang menggunakan ekstensi Common Gateway
Interface (CGI)
spesifikasi untuk memproses data di server Web.

Ada sejumlah keuntungan menggunakan Web untuk mengakses database internal organisasi. Pertama, perangkat
lunak browser web jauh lebih mudah digunakan daripada alat kueri berpemilik. Kedua, antarmuka Web memerlukan
sedikit atau tidak ada perubahan pada database internal. Biayanya jauh lebih murah untuk menambahkan antarmuka
Web di depan sistem lama daripada mendesain ulang dan membangun kembali sistem untuk meningkatkan akses
pengguna.
Mengakses database perusahaan melalui Web menciptakan efisiensi, peluang, dan model bisnis baru.
ThomasNet.com menyediakan direktori online terkini yang berisi lebih dari 650.000 pemasok produk
industri, seperti bahan kimia, logam, plastik, karet, dan peralatan otomotif. Sebelumnya bernama Thomas
Register, perusahaan biasanya mengirimkan katalog kertas berukuran besar dengan informasi ini.
Sekarang ini memberikan informasi ini kepada pengguna secara online melalui situs Web-nya dan telah
menjadi perusahaan yang lebih kecil dan lebih ramping.
Perusahaan lain telah menciptakan bisnis yang sama sekali baru berdasarkan akses ke database
besar melalui Web. Salah satunya adalah layanan jejaring sosial Facebook, yang membantu pengguna
tetap terhubung satu sama lain dan bertemu orang baru. Facebook menampilkan "profil" dengan
informasi lebih dari 950 juta pengguna aktif dengan informasi tentang diri mereka sendiri, termasuk minat,
teman, foto, dan grup yang berafiliasi dengan mereka. Facebook memiliki database yang sangat besar
untuk menampung dan mengelola semua konten ini.
Ada juga banyak database berkemampuan Web di sektor publik untuk membantu konsumen dan warga
negara mengakses informasi yang berguna. Sesi Interaktif tentang Organisasi menjelaskan salah satu database
ini, yang telah menimbulkan kontroversi mengenai metodenya untuk menyediakan data keamanan produk
konsumen.
ION SESI INTERAKSI IVE: ION ORGANISASI

KONTROVERSI DI SELURUH DATABASE KESELAMATAN PRODUK KONSUMEN
Michele Witte adalah satu dari lusinan orang tua yang kehilangan Basis data CPSC tidak mencakup masalah keamanan dengan produk
anak-anak mereka karena desain buaian tempat tidur samping yang ini.)
rusak. Pada tahun 1997, anak laki-laki Witte yang berusia 10 bulan, Tyler, CPSC mengumpulkan laporan tentang produk cacat dari konsumen,
tewas ketika rel samping tempat tidurnya terlepas, sebagian terlepas, dan penyedia layanan kesehatan, sertifikat kematian, akun media, dan sumber
kemudian menjepit lehernya di antara rel dan sandaran kepala tempat lainnya. Ia menggunakan informasi tersebut untuk membuat keputusan
tidur. Tempat tidur bayi sekarang dilarang. Witte berharap sumber tentang penarikan dan pelarangan produk, tetapi hingga saat ini, sangat
informasi publik untuk pengaduan konsumen telah tersedia sebelum sedikit dari informasi tersebut yang dapat diakses oleh publik.
kematian anaknya. Membaca cerita horor orang tua lain mungkin akan Undang-undang federal sebelumnya mengharuskan persetujuan produsen
membuatnya enggan membeli tempat tidur susun. untuk mempublikasikan informasi itu, dan produsen tidak ingin merilis
informasi tentang produk mereka yang salah. Tidak hanya itu, CPSC harus
bernegosiasi langsung dengan produsen untuk menentukan syarat
Pada bulan Maret 2011, Komisi Keamanan Produk Konsumen penarikan produk. Karena proses ini biasanya memakan waktu satu tahun
(CPSC) AS siap memenuhi kebutuhan orang tua seperti Witte atau lebih, konsumen terus membeli produk yang jelek dan mungkin
dengan meluncurkan database online, yang terletak di berbahaya seperti boks bayi untuk sementara.
www.saferproducts.gov. Basis data akan memberi publik akses ke
repositori lengkap keluhan keamanan produk yang telah
diterimanya. Pengguna dapat mengirimkan keluhan ini secara
online langsung ke database. Pengunjung database akan dapat Di bawah sistem baru, keluhan yang diajukan oleh konsumen akan
mencari produk, membaca keluhan lain, dan melihat peringatan diposting secara online dan tersedia untuk umum dalam waktu 15 hari.
keselamatan yang dikeluarkan oleh CPSC. Keluhan dalam Perusahaan akan diberi tahu dalam 5 hari ketika keluhan dibuat tentang
database akan mencakup deskripsi produk, bahaya atau risiko dari produk mereka, dan CPSC akan memberi mereka waktu 10 hari untuk
produk, nama produsen, informasi kontak, dan penegasan bahwa menanggapi secara terbuka dan komentar mereka dipublikasikan bersamaan
pengirim mengatakan yang sebenarnya. Nama pengirim tidak akan dengan keluhan dalam database. Pengguna akan memiliki opsi untuk
muncul di database, tetapi dapat diberikan kepada produsen jika komentar mereka untuk tetap dirahasiakan jika mereka mau. Produsen akan
pengirim setuju. dapat mengajukan banding ke CPSC untuk menghilangkan keluhan palsu
atau menyesatkan, dan keluhan akan dibatasi pada cacat yang dapat
menyebabkan cedera, bukan keandalan atau kualitas produk.
Pendukung konsumen seperti Federasi Konsumen Amerika memuji

database sebagai sumber daya revolusioner yang secara drastis akan
meningkatkan cara konsumen membeli produk. Namun, perusahaan Pada saat anggaran federal berada di bawah pengawasan yang meningkat,
manufaktur dan banyak anggota Kongres menentang. Mereka program seperti database CPSC telah menjadi target pemotongan biaya, dan
berpendapat bahwa karena setiap pengguna dapat mengajukan produsen telah mengambil kesempatan untuk menghentikan database di jalurnya.
keluhan, database akan diisi dengan informasi yang tidak akurat dan Undang-undang tersebut memberi CPSC kewenangan baru untuk mengatur produk
menyesatkan— "bantahan fiktif" terhadap produk. Ini juga akan terbuka yang tidak aman, tetapi bisnis mengatakan itu terlalu memberatkan. Sub-komite
untuk pelecehan dari pelanggan dengan kapak untuk menggiling, atau Energi dan Perdagangan Rumah sedang mempertimbangkan rancangan
pengacara pengadilan yang berusaha menodai reputasi produk atau undang-undang untuk membatasi siapa yang dapat mengirimkan laporan ke
pabrikan untuk keuntungan pribadi. database, untuk meningkatkan bagaimana produk diidentifikasi, dan untuk
menyelesaikan klaim bahwa laporan tidak akurat.
Basis data mewakili peningkatan visibilitas dan otoritas untuk Meskipun mendapat tentangan kuat dari produsen dan lainnya, pada
CPSC, yang dibentuk pada tahun 1972 oleh Undang-Undang Maret 2011, situs tersebut diluncurkan dengan ulasan yang umumnya
Keamanan Produk Konsumen. Peran CPSC adalah mengatur positif. CPSC menyediakan fitur tambahan, seperti kemampuan untuk
ribuan jenis produk yang berbeda, dengan fokus khusus pada melampirkan gambar ke komentar. Pemberi komentar harus memberikan
hal-hal yang belum diatur oleh bidang pemerintah lainnya, seperti nama, alamat surat, nomor telepon, dan alamat email mereka, yang
makanan, senjata api, dan mobil. (Itu diharapkan dapat membatasi jenis anonim
komentar yang ditakuti produsen. Meskipun demikian, menjaga database agar esisme dari komunitas bisnis. Waktu akan memberi tahu apakah
bebas dari laporan yang tidak akurat kemungkinan membutuhkan lebih banyak saferproducts.gov menjadi sumber daya konsumen yang sangat diperlukan.
waktu dan jam daripada yang dapat disediakan oleh staf CPSC.
Sumber: www.SaferProducts.gov, diakses 22 Mei 2012; Josh Cable, "Demokrat

Sejak database ditayangkan, ada ratusan ribu kunjungan ke situs Membela Basis Data Keamanan Produk Konsumen,"
dan jutaan pencarian produk yang dilakukan oleh pengunjung, menurut Minggu Industri, 7 Juli 2011; Don Mays, “Pengalaman Saya Dengan Basis Data
CPSC,” blogs.consumerreports.com, 16 Maret 2011; Andrew Martin, "Pembuat
komisi Keamanan Produk Konsumen. Meskipun popularitasnya
Produk Anak Berusaha Melunakkan Aturan Baru," The New York Times, 21 Februari
semakin meningkat, ia mungkin tidak dapat bertahan dari upaya 2011; Lyndsey Layton, “Komisi Keamanan Produk Konsumen untuk Meluncurkan
kongres untuk mengambil pendanaannya, sebagai tanggapan atas Database Keluhan Publik,” Washington Post, 10 Januari 2011; Jayne O'Donnell,
“Database Keamanan Produk dalam Berbagai Serangan,” USA Today,
tekanan untuk mengurangi anggaran federal serta kritik-
12 April 2011.
PERTANYAAN STUDI KASUS
1. Berapa nilai database CPSC 3. Sebutkan dua entitas dalam database CPSC dan
konsumen, bisnis, dan pemerintah AS? menjelaskan beberapa atribut mereka.
2. Masalah apa yang diangkat oleh database ini? Mengapa 4. Saat membeli tempat tidur bayi, atau produk konsumen lainnya
apakah itu sangat kontroversial? Mengapa kualitas data menjadi masalah? untuk keluarga Anda, apakah Anda akan menggunakan database ini? Mengapa atau
mengapa tidak?
6.4 M ANAGING D ATA R ESOURCES

Menyiapkan database hanyalah permulaan. Untuk memastikan bahwa data bisnis Anda tetap akurat,
andal, dan tersedia bagi mereka yang membutuhkannya, bisnis Anda memerlukan kebijakan dan
prosedur khusus untuk pengelolaan data.
MEMBANGUN KEBIJAKAN INFORMASI

Setiap bisnis, besar dan kecil, membutuhkan kebijakan informasi. Data perusahaan Anda adalah sumber daya yang
penting, dan Anda tidak ingin orang melakukan apa pun yang mereka inginkan dengan mereka. Anda perlu memiliki
aturan tentang bagaimana data akan diatur dan dipelihara, dan siapa yang diizinkan untuk melihat data atau
mengubahnya.
Sebuah kebijakan informasi menentukan aturan organisasi untuk berbagi, menyebarkan,
memperoleh, membakukan, mengklasifikasikan, dan menginventarisasi informasi. Kebijakan informasi
menjabarkan prosedur dan akuntabilitas khusus, mengidentifikasi pengguna dan unit organisasi mana
yang dapat berbagi informasi, di mana informasi dapat didistribusikan, dan siapa yang bertanggung
jawab untuk memperbarui dan memelihara informasi. Misalnya, kebijakan informasi tipikal akan
menentukan bahwa hanya anggota terpilih dari departemen penggajian dan sumber daya manusia yang
berhak mengubah dan melihat data karyawan yang sensitif, seperti gaji karyawan atau nomor jaminan
sosial, dan bahwa departemen ini bertanggung jawab untuk membuat memastikan bahwa data karyawan
tersebut akurat.
Jika Anda berada dalam bisnis kecil, kebijakan informasi akan dibuat dan diterapkan oleh pemilik atau
manajer. Dalam organisasi besar, pengelolaan dan perencanaan informasi sebagai sumber daya
perusahaan sering kali memerlukan fungsi administrasi data formal. Administrasi data bertanggung
jawab untuk
kebijakan dan prosedur khusus di mana data dapat dikelola sebagai sumber daya organisasi. Tanggung
jawab ini mencakup pengembangan kebijakan informasi, perencanaan data, pengawasan desain database
logis dan pengembangan kamus data, dan pemantauan bagaimana spesialis sistem informasi dan
kelompok pengguna akhir menggunakan data.
Anda mungkin mendengar istilah itu tata kelola data digunakan untuk menggambarkan banyak aktivitas
ini. Dipromosikan oleh IBM, tata kelola data berkaitan dengan kebijakan dan proses untuk mengelola
ketersediaan, kegunaan, integritas, dan keamanan data yang digunakan di perusahaan, dengan penekanan
khusus pada promosi privasi, keamanan, kualitas data, dan kepatuhan terhadap peraturan pemerintah.
Organisasi besar juga akan memiliki desain database dan grup manajemen di dalam divisi sistem
informasi perusahaan yang bertanggung jawab untuk menentukan dan mengatur struktur dan konten
database, serta memelihara database. Dalam kerjasama erat dengan pengguna, kelompok desain
menetapkan database fisik, hubungan logis antar elemen, dan aturan akses dan prosedur keamanan.
Fungsi yang dilakukannya disebut
administrasi database.
MEMASTIKAN KUALITAS DATA
Database dan kebijakan informasi yang dirancang dengan baik akan sangat membantu dalam memastikan
bahwa bisnis memiliki informasi yang dibutuhkannya. Namun, langkah tambahan harus diambil untuk
memastikan bahwa data dalam database organisasi akurat dan tetap dapat diandalkan.
Apa yang akan terjadi jika nomor telepon atau saldo akun pelanggan salah? Apa dampaknya jika
database memiliki harga yang salah untuk produk yang Anda jual atau sistem penjualan dan sistem
inventaris Anda menunjukkan harga yang berbeda untuk produk yang sama? Data yang tidak akurat, tidak
tepat waktu, atau tidak konsisten dengan sumber informasi lain dapat menyebabkan keputusan yang salah,
penarikan produk, dan kerugian finansial. Gartner Inc. melaporkan bahwa lebih dari 25 persen data penting
dalam database perusahaan besar Fortune 1000 tidak akurat atau tidak lengkap, termasuk kode produk dan
deskripsi produk yang buruk, deskripsi inventaris yang salah, data keuangan yang salah, informasi pemasok
yang salah, dan data karyawan yang salah. Studi Keputusan Sirius tentang "Dampak Data Buruk pada
Pembuatan Permintaan" menemukan bahwa 10 hingga 25 persen catatan pelanggan dan prospek
mengandung kesalahan data kritis. Memperbaiki kesalahan ini di sumbernya dan mengikuti praktik terbaik
untuk mempromosikan kualitas data meningkatkan produktivitas proses penjualan dan menghasilkan
peningkatan pendapatan sebesar 66 persen.
Beberapa dari masalah kualitas data ini disebabkan oleh data yang berlebihan dan tidak konsisten yang
dihasilkan oleh beberapa sistem yang memberi makan gudang data. Misalnya, sistem pemesanan penjualan
dan sistem manajemen inventaris dapat menyimpan data tentang produk organisasi. Namun, sistem
pemesanan penjualan mungkin menggunakan istilah tersebut Nomor barang dan sistem inventaris mungkin
memanggil atribut yang sama Nomor produk. Sistem penjualan, inventaris, atau manufaktur dari pengecer
pakaian mungkin menggunakan kode yang berbeda untuk mewakili nilai suatu atribut. Satu sistem mungkin
merepresentasikan ukuran pakaian sebagai "ekstra besar", sedangkan sistem lain mungkin menggunakan
kode "XL" untuk tujuan yang sama. Selama proses desain untuk database gudang, data yang mendeskripsikan
entitas, seperti pelanggan, produk, atau pesanan, harus diberi nama dan didefinisikan secara konsisten untuk
semua area bisnis menggunakan database.
Pikirkan semua saat Anda menerima beberapa iklan surat langsung yang sama pada hari yang sama.
Ini kemungkinan besar karena nama Anda
dipertahankan beberapa kali dalam database. Nama Anda mungkin salah eja atau Anda menggunakan inisial
tengah Anda pada satu kesempatan dan tidak pada yang lain atau informasi pada awalnya dimasukkan ke dalam
formulir kertas dan tidak dipindai dengan benar ke dalam sistem. Karena ketidakkonsistenan ini, database akan
memperlakukan Anda sebagai orang yang berbeda! Kami sering menerima surat berlebihan yang dialamatkan ke
Laudon, Lavdon, Lauden, atau Landon.
Jika database dirancang dengan benar dan standar data seluruh perusahaan ditetapkan, elemen data
duplikat atau tidak konsisten harus minimal. Namun, sebagian besar masalah kualitas data, seperti nama yang
salah eja, nomor yang dialihkan, atau kode yang salah atau hilang, berasal dari kesalahan selama input data.
Insiden kesalahan tersebut meningkat saat perusahaan memindahkan bisnis mereka ke Web dan
memungkinkan pelanggan dan pemasok memasukkan data ke situs Web mereka yang secara langsung
memperbarui sistem internal.
Sebelum database baru tersedia, organisasi perlu mengidentifikasi dan memperbaiki data mereka yang
salah dan menetapkan rutinitas yang lebih baik untuk mengedit data setelah database mereka beroperasi.
Analisis kualitas data sering kali dimulai dengan a audit kualitas data, yaitu survei terstruktur atas
keakuratan dan tingkat kelengkapan data dalam suatu sistem informasi. Audit kualitas data dapat dilakukan
dengan mensurvei seluruh file data, mensurvei sampel dari file data, atau mensurvei pengguna akhir untuk
persepsi mereka tentang kualitas data.
Pembersihan data, juga dikenal sebagai penggosokan data, terdiri dari aktivitas untuk mendeteksi dan
mengoreksi data dalam database yang salah, tidak lengkap, tidak diformat dengan benar, atau berlebihan.
Pembersihan data tidak hanya memperbaiki kesalahan tetapi juga menegakkan konsistensi di antara kumpulan
data berbeda yang berasal dari sistem informasi terpisah. Perangkat lunak pembersih data khusus tersedia untuk
secara otomatis mensurvei file data, mengoreksi kesalahan dalam data, dan mengintegrasikan data dalam format
seluruh perusahaan yang konsisten.
Masalah kualitas data bukan hanya masalah bisnis. Mereka juga menimbulkan masalah serius bagi individu,
mempengaruhi kondisi keuangan dan bahkan pekerjaan mereka. Misalnya, data yang tidak akurat atau
kadaluwarsa tentang riwayat kredit konsumen yang dikelola oleh biro kredit dapat mencegah individu yang layak
kredit mendapatkan pinjaman atau menurunkan peluang mereka untuk menemukan atau mempertahankan
pekerjaan.
L PENGHASILAN T RAK M ODULES S
Trek Pembelajaran berikut menyediakan konten yang relevan dengan topik yang dibahas dalam bab ini:
1. Perancangan Basis Data, Normalisasi, dan Pembuatan Diagram Relasi-Entitas
2. Pengantar SQL
3. Model Data Hierarki dan Jaringan
rangkuman ulasan
1. Apa masalah dalam mengelola sumber daya data dalam lingkungan file tradisional dan bagaimana mereka diselesaikan dengan sistem
manajemen basis data?
Teknik manajemen file tradisional mempersulit organisasi untuk melacak semua bagian data yang mereka gunakan secara
sistematis dan untuk mengatur data ini sehingga dapat diakses dengan mudah. Area dan grup fungsional yang berbeda diizinkan untuk
mengembangkan file mereka sendiri secara mandiri. Seiring waktu, lingkungan manajemen file tradisional ini menciptakan masalah
seperti redundansi dan inkonsistensi data, ketergantungan data program, ketidakfleksibelan, keamanan yang buruk, dan kurangnya
berbagi dan ketersediaan data. Sistem manajemen basis data (DBMS) memecahkan masalah ini dengan perangkat lunak yang
memungkinkan sentralisasi data dan manajemen data sehingga bisnis memiliki satu sumber yang konsisten untuk semua kebutuhan
datanya. Menggunakan DBMS meminimalkan file yang berlebihan dan tidak konsisten.
2. Apa saja kapabilitas utama DBMS dan mengapa DBMS relasional begitu kuat?
Kemampuan utama DBMS mencakup kemampuan definisi data, kemampuan kamus data, dan bahasa manipulasi data.
Kemampuan definisi data menentukan struktur dan konten database. Kamus data adalah file otomatis atau manual yang
menyimpan informasi tentang data dalam database, termasuk nama, definisi, format, dan deskripsi elemen data. Bahasa
manipulasi data, seperti SQL, adalah bahasa khusus untuk mengakses dan memanipulasi data dalam database.
Database relasional telah menjadi metode utama untuk mengatur dan memelihara data dalam sistem informasi karena sangat
fleksibel dan dapat diakses. Ini mengatur data dalam tabel dua dimensi yang disebut relasi dengan baris dan kolom. Setiap tabel berisi
data tentang suatu entitas dan atributnya. Setiap baris mewakili record dan setiap kolom mewakili atribut atau bidang. Setiap tabel juga
berisi bidang kunci untuk secara unik mengidentifikasi setiap rekaman untuk pengambilan atau manipulasi. Tabel database relasional
dapat digabungkan dengan mudah untuk mengirimkan data yang dibutuhkan oleh pengguna, asalkan dua tabel memiliki elemen data
yang sama. Database non-relasional menjadi populer untuk mengelola tipe data yang tidak dapat ditangani dengan mudah oleh model
data relasional. Produk database relasional dan non-relasional tersedia sebagai layanan komputasi awan.
3. Apa sajakah prinsip desain database yang penting?

Mendesain database membutuhkan desain logis dan desain fisik. Desain logis memodelkan database dari perspektif bisnis.
Model data organisasi harus mencerminkan proses bisnis utamanya dan persyaratan pengambilan keputusan. Proses
pembuatan struktur data yang kecil, stabil, fleksibel, dan adaptif dari kelompok data yang kompleks saat merancang database
relasional disebut normalisasi. Database relasional yang dirancang dengan baik tidak akan memiliki hubungan banyak ke
banyak, dan semua atribut untuk entitas tertentu hanya akan berlaku untuk entitas itu. Ini akan mencoba untuk menegakkan
aturan integritas referensial untuk memastikan bahwa hubungan antara tabel yang digabungkan tetap konsisten. Diagram
hubungan entitas secara grafis menggambarkan hubungan antara entitas (tabel) dalam database relasional.
4. Apa alat dan teknologi utama untuk mengakses informasi dari database untuk meningkatkan kinerja bisnis dan pengambilan
keputusan?
Teknologi manajemen data kontemporer memiliki serangkaian alat untuk memperoleh informasi yang berguna dari semua jenis data
yang berbeda yang digunakan oleh bisnis saat ini, termasuk data besar semi-terstruktur dan tidak terstruktur dalam jumlah besar.
Kemampuan ini mencakup gudang data dan data mart, Hadoop, komputasi dalam memori, dan platform analitik. OLAP merepresentasikan
hubungan antar data sebagai struktur multidimensi, yang dapat divisualisasikan sebagai kubus data dan kubus dalam kubus data,
memungkinkan analisis data yang lebih canggih. Data mining menganalisis kumpulan data yang besar, termasuk konten gudang data,
untuk menemukan pola dan aturan yang dapat digunakan untuk memprediksi perilaku di masa depan dan memandu pengambilan
keputusan. Alat penambangan teks membantu bisnis menganalisis kumpulan data tidak terstruktur yang besar yang terdiri dari teks. Alat
penambangan web fokus pada analisis pola dan informasi yang berguna dari World Wide Web, memeriksa struktur situs Web dan aktivitas
pengguna situs Web serta konten halaman Web. Database konvensional dapat dihubungkan melalui middleware ke Web atau antarmuka
Web untuk memfasilitasi akses pengguna ke data internal organisasi.
5. Mengapa kebijakan informasi, administrasi data, dan jaminan kualitas data penting untuk mengelola sumber daya data perusahaan?
Mengembangkan lingkungan basis data membutuhkan kebijakan dan prosedur untuk mengelola data organisasi serta model data dan
teknologi basis data yang baik. Kebijakan informasi formal mengatur pemeliharaan, distribusi, dan penggunaan informasi dalam organisasi.
Di perusahaan besar, fungsi administrasi data formal bertanggung jawab atas kebijakan informasi, serta perencanaan data, pengembangan
kamus data, dan pemantauan penggunaan data di perusahaan.
Data yang tidak akurat, tidak lengkap, atau tidak konsisten menciptakan masalah operasional dan keuangan yang serius bagi bisnis karena dapat menciptakan
ketidakakuratan dalam penetapan harga produk, akun pelanggan, dan data inventaris, dan menyebabkan keputusan yang tidak akurat tentang tindakan yang harus
diambil oleh perusahaan. Perusahaan harus mengambil langkah khusus untuk memastikan mereka memiliki kualitas data tingkat tinggi. Ini termasuk menggunakan
standar data di seluruh perusahaan, database yang dirancang untuk meminimalkan data yang tidak konsisten dan berlebihan, audit kualitas data, dan perangkat lunak
pembersihan data.
Istilah Kunci
Platform analitik, 256 Diagram hubungan entitas, 253
Atribut, 241 Lapangan, 241
Data besar, 254 File, 241
Bit, 241 Kunci asing, 247
Byte, 241 Hadoop, 255
Administrasi data, 265 Komputasi dalam memori, 256
Pembersihan data, 267 Kebijakan informasi, 265
Definisi data, 249 Bidang kunci, 247
Kamus data, 249 Sistem manajemen basis data non-relasional, 247 Normalisasi,
Tata kelola data, 266 252
Ketidakkonsistenan data, 243 Pemrosesan analitik online (OLAP), 257 Kunci
Bahasa manipulasi data, 250 Data mart, utama, 247
255 Ketergantungan data program, 244
Penambangan data, 258 Rekam, 241
Audit kualitas data, 267 Integritas referensial, 253
redundansi data, 243 DBMS Relasional, 246
Gudang data, 255 Analisis sentimen, 260
Basis data, 244 Structured Query Language (SQL), 250 Penambangan
Administrasi database, 266 teks, 260
Sistem manajemen basis data (DBMS), 244 Server basis Tuple, 247
data, 263 Penambangan web, 260
Entity, 241
Tinjau Pertanyaan
1. Apa masalah mengelola sumber data • Definisikan database dan sistem manajemen database dan
dalam lingkungan file tradisional dan bagaimana cara menyelesaikannya jelaskan cara memecahkan masalah lingkungan file
tradisional.
dengan sistem manajemen database?
• Buat daftar dan jelaskan setiap komponen dalam hierarki 2. Apa kapabilitas utama DBMS dan mengapa
data.
apakah DBMS relasional begitu kuat?
• Definisikan dan jelaskan pentingnya entitas, atribut, dan • Sebutkan dan jelaskan secara singkat kapabilitas DBMS.
bidang kunci.
• Buat daftar dan jelaskan masalah-masalah lingkungan file • Definisikan DBMS relasional dan jelaskan bagaimana DBMS mengatur
tradisional. data.
• Buat daftar dan jelaskan tiga operasi DBMS relasional. • Jelaskan kemampuan pemrosesan analitik online (OLAP).
• Jelaskan mengapa database non-relasional berguna. • Tentukan data mining, jelaskan perbedaannya dari OLAP
dan jenis informasi yang disediakannya.
3. Apa sajakah desain database yang penting
prinsip? • Jelaskan bagaimana penambangan teks dan penambangan Web berbeda
• Definisikan dan jelaskan normalisasi dan integritas referensial dan jelaskan dari penambangan data konvensional.
bagaimana mereka berkontribusi pada database relasional yang dirancang
• Jelaskan bagaimana pengguna dapat mengakses informasi
dengan baik.
dari database internal perusahaan melalui Web.
• Mendefinisikan dan mendeskripsikan diagram hubungan-entitas dan
menjelaskan perannya dalam desain database.
5. Mengapa kebijakan informasi, administrasi data,
4. Apa alat dan teknologi utama dan jaminan kualitas data penting untuk mengelola sumber daya
untuk mengakses informasi dari database untuk meningkatkan data perusahaan?
kinerja bisnis dan pengambilan keputusan?
• Menjelaskan peran kebijakan informasi dan administrasi data
dalam pengelolaan informasi.
• Tentukan big data dan jelaskan teknologi untuk mengelola dan
menganalisisnya.
• Jelaskan mengapa audit kualitas data dan pembersihan data
itu penting.
• Sebutkan dan jelaskan komponen infrastruktur intelijen bisnis
kontemporer.
Pertanyaan Diskusi
1. Dikatakan tidak ada data yang buruk, hanya buruk 3. Apa konsekuensi dari suatu organisasi
pengelolaan. Diskusikan implikasi dari pernyataan ini. tidak memiliki kebijakan informasi?
2. Sejauh mana pengguna akhir harus dilibatkan

pemilihan sistem manajemen database dan desain database?
Proyek MIS Hands-On

Proyek di bagian ini memberi Anda pengalaman langsung dalam menganalisis masalah kualitas data, menetapkan standar data di seluruh
perusahaan, membuat database untuk manajemen inventaris, dan menggunakan Web untuk mencari database online untuk sumber daya bisnis
di luar negeri.
Masalah Keputusan Manajemen
1. Emerson Process Management, pemasok global instrumen pengukuran, analitis, dan pemantauan
ments dan layanan yang berbasis di Austin, Texas, memiliki gudang data baru yang dirancang untuk menganalisis aktivitas pelanggan guna
meningkatkan layanan dan pemasaran. Namun, gudang data penuh dengan data yang tidak akurat dan berlebihan. Data di gudang berasal
dari berbagai sistem pemrosesan transaksi di Eropa, Asia, dan lokasi lain di seluruh dunia. Tim yang merancang gudang berasumsi bahwa
grup penjualan di semua area ini akan memasukkan nama dan alamat pelanggan dengan cara yang sama. Faktanya, perusahaan di
berbagai negara menggunakan berbagai cara untuk memasukkan kutipan, penagihan, pengiriman,
dan data lainnya. Menilai dampak bisnis potensial dari masalah kualitas data ini. Keputusan apa yang harus diambil dan langkah yang
diambil untuk mencapai solusi?
2. Perusahaan pemasok industri Anda ingin membuat gudang data di mana manajemen dapat memperoleh a
pandangan tunggal seluruh perusahaan tentang informasi penjualan penting untuk mengidentifikasi produk terlaris, pelanggan utama, dan tren
penjualan. Informasi penjualan dan produk Anda disimpan dalam beberapa sistem berbeda: sistem penjualan divisi yang berjalan pada server Unix
dan sistem penjualan perusahaan yang berjalan pada kerangka utama IBM. Anda ingin membuat format standar tunggal yang menggabungkan
data ini dari kedua sistem. Di MyMISLab, Anda dapat meninjau format yang diusulkan, bersama dengan file sampel dari dua sistem yang akan
memasok data untuk gudang data. Kemudian jawablah pertanyaan-pertanyaan berikut ini:
• Masalah bisnis apa yang diciptakan dengan tidak memiliki data ini dalam satu format standar?
• Seberapa mudah membuat database dengan format standar tunggal yang dapat menyimpan data dari kedua sistem? Identifikasi masalah
yang harus ditangani.
• Haruskah masalah diselesaikan oleh spesialis database atau manajer bisnis umum? Menjelaskan.
• Siapa yang seharusnya memiliki kewenangan untuk menyelesaikan satu format seluruh perusahaan untuk informasi ini di gudang data?
Mencapai Keunggulan Operasional: Membangun Database Relasional untuk Manajemen Inventaris
Keahlian perangkat lunak: Desain database, pembuatan kueri, dan pelaporan

Keterampilan bisnis: Manajemen inventaris
Dalam latihan ini, Anda akan menggunakan perangkat lunak database untuk merancang database guna mengelola inventaris untuk bisnis kecil.
Toko Sepeda Sylvester, yang terletak di San Francisco, California, menjual sepeda jalan raya, gunung, hibrida, rekreasi, dan anak-anak. Saat ini,
Sylvester membeli sepeda dari tiga pemasok, namun berencana menambah pemasok baru dalam waktu dekat. Menggunakan informasi yang
ditemukan dalam tabel di MyMISLab, buat database relasional sederhana untuk mengelola informasi tentang pemasok dan produk Sylvester.
Setelah Anda membuat database, lakukan aktivitas berikut.
• Siapkan laporan yang mengidentifikasi lima sepeda termahal. Laporan tersebut harus mencantumkan sepeda dalam urutan dari yang paling mahal ke
paling murah, jumlah yang tersedia untuk masing-masing, dan persentase markup untuk masing-masing.
• Siapkan laporan yang mencantumkan setiap pemasok, produknya, jumlah yang ada, dan tingkat pemesanan ulang terkait. Laporan harus diurutkan
menurut abjad berdasarkan pemasok. Untuk setiap pemasok, produk harus diurutkan menurut abjad.
• Siapkan laporan yang mencantumkan hanya sepeda yang stoknya rendah dan perlu dipesan ulang. Laporan tersebut harus memberikan informasi pemasok untuk
barang-barang yang diidentifikasi.
• Tulis deskripsi singkat tentang bagaimana database dapat ditingkatkan untuk lebih meningkatkan manajemen bisnis. Tabel atau bidang apa
yang harus ditambahkan? Laporan tambahan apa yang akan berguna?
Meningkatkan Pembuatan Keputusan: Mencari Database Khusus untuk Sumber Daya Bus Luar Laut
Keterampilan perangkat lunak: Database online
Keterampilan bisnis: Meneliti layanan untuk operasi di luar negeri
Proyek ini mengembangkan keterampilan dalam mencari database yang mendukung Web dengan informasi tentang produk dan layanan di lokasi yang
jauh.
Perusahaan Anda berlokasi di Greensboro, North Carolina, dan memproduksi perabot kantor dari berbagai jenis. Anda sedang
mempertimbangkan untuk membuka fasilitas untuk memproduksi dan menjual produk Anda di Australia. Anda ingin menghubungi organisasi
yang menawarkan banyak layanan yang diperlukan untuk membuka kantor Australia dan fasilitas manufaktur Anda, termasuk pengacara,
akuntan, pakar ekspor-impor, dan firma pendukung dan peralatan telekomunikasi. Akses database online berikut untuk menemukan
perusahaan yang ingin Anda temui selama perjalanan Anda yang akan datang: Australian Business Register (abr.gov.au), AustraliaTrade Now
(australiatradenow.com), dan Direktori Bisnis Nasional Australia (www.nationwide.com.au). Jika perlu, gunakan mesin pencari seperti Yahoo
dan Google.
• Buat daftar perusahaan yang akan Anda hubungi dalam perjalanan Anda untuk menentukan apakah mereka dapat membantu Anda dalam hal ini dan fungsi lain
yang menurut Anda penting untuk membangun kantor Anda.
• Beri nilai database yang Anda gunakan untuk akurasi nama, kelengkapan, kemudahan penggunaan, dan kegunaan umum.
Kasus Video
Kasus Video dan Video Instruksional yang mengilustrasikan beberapa konsep dalam bab ini tersedia. Hubungi instruktur Anda untuk mengakses
video ini.
Proyek Kolaborasi dan Kerja Sama Tim

Di MyMISLab, Anda akan menemukan Proyek Kolaborasi dan Kerja Tim yang berurusan dengan konsep-konsep di bab ini. Anda akan dapat
menggunakan Google Sites, Google Docs, dan alat kolaborasi sumber terbuka lainnya untuk menyelesaikan tugas.
Lego: Merangkul Perubahan dengan Menggabungkan BI dengan Fleksibel

Sistem Informasi
STUDI KASUS
T
perencanaan. Sebagai bagian dari solusi, Lego memilih untuk pindah ke
Billund, Denmark, adalah salah satu produsen mainan perangkat lunak suite bisnis SAP. SAP AG, sebuah perusahaan Jerman
terbesar di dunia. Lego utama yang mengkhususkan diri dalam solusi perangkat lunak perusahaan, adalah
Grup Lego,telah
yangmenjadi
berkantor pusat
produk batu batadidan angka salah satu perusahaan perangkat lunak terkemuka di dunia. Produk
yang telah dimainkan anak-anak selama beberapa generasi. Perusahaan perangkat lunak SAP mencakup berbagai aplikasi yang dirancang untuk
Denmark telah mengalami pertumbuhan yang berkelanjutan sejak didirikan secara efisien mendukung semua fungsi dan operasi penting perusahaan.
pada tahun 1932, dan untuk sebagian besar sejarahnya, fasilitas manufaktur Lego memilih untuk menerapkan modul SAP's Supply Chain Management
utamanya terletak di Denmark. (SCM), Product Lifecycle Management (PLM), dan Enterprise Resources
Planning (ERP).
Pada tahun 2003, Lego menghadapi persaingan ketat dari para
peniru dan produsen mainan elektronik. Dalam upaya untuk Modul SCM mencakup fitur-fitur penting seperti pemantauan dan
mengurangi biaya, grup memutuskan untuk memulai proses analisis rantai pasokan serta peramalan, perencanaan, dan
restrukturisasi bertahap yang berlanjut hingga hari ini. Pada tahun pengoptimalan inventaris. Modul PLM memungkinkan manajer
2006, perusahaan mengumumkan bahwa sebagian besar untuk mengoptimalkan proses dan sistem pengembangan. Modul
produksinya akan dialihkan ke perusahaan layanan manufaktur ERP mencakup, di antara aplikasi lain, aplikasi Human Capital
elektronik Flextronics, yang memiliki pabrik di Meksiko, Hongaria, Management (HCM) untuk administrasi dan pengembangan
dan Republik Ceko. Keputusan untuk melakukan outsourcing personalia.
produksi datang sebagai konsekuensi langsung dari analisis rantai
pasokan total Lego. Untuk mengurangi biaya tenaga kerja, proses Paket bisnis SAP didasarkan pada arsitektur klien-server tiga
intensif secara manual dialihdayakan, hanya mempekerjakan tingkat yang fleksibel yang dapat dengan mudah disesuaikan dengan
pekerja yang sangat terampil di Billund. Tenaga kerja Lego secara Arsitektur Berorientasi Layanan (SOA) baru yang tersedia dalam
bertahap dikurangi dari 8.300 karyawan pada tahun 2003 menjadi versi terbaru dari perangkat lunak. Di tingkat pertama, antarmuka
sekitar 4.200 pada tahun 2010. Selain itu, produksi harus klien — antarmuka pengguna grafis (GUI) jenis browser yang
dipindahkan ke tempat yang lebih dekat dengan pasar alaminya. berjalan di laptop, desktop, atau perangkat seluler — mengirimkan
permintaan pengguna ke server aplikasi. Server aplikasi — tingkat
kedua dalam sistem — menerima dan memproses permintaan klien.
Pada gilirannya, server aplikasi ini mengirim permintaan yang
diproses ke sistem database — tingkat ketiga — yang terdiri dari satu
atau lebih database relasional. Rangkaian bisnis SAP mendukung
Proses restrukturisasi Lego, ditambah dengan pertumbuhan penjualan database dari vendor yang berbeda, termasuk yang ditawarkan oleh
dua kali lipat dalam beberapa tahun terakhir, telah mendorong ekspansi Oracle, Microsoft, MySQL, dan lainnya. Basis data relasional berisi
perusahaan ke luar negeri dan menjadikan tenaga kerjanya lebih tabel yang menyimpan data pada produk Lego, operasi harian, rantai
internasional. Perubahan ini menghadirkan tantangan rantai pasokan dan pasokan, dan ribuan karyawan. Manajer dapat dengan mudah
sumber daya manusia bagi perusahaan. Rantai pasokan harus direkayasa menggunakan alat kueri SAP untuk mendapatkan laporan dari
ulang untuk menyederhanakan produksi tanpa mengurangi kualitas. database, karena tidak memerlukan keahlian teknis apa pun. Selain
Perencanaan logistik yang lebih baik memungkinkan Lego untuk bekerja lebih itu, arsitektur terdistribusi memungkinkan personel yang berwenang
dekat dengan pengecer, pemasok, dan perusahaan outsourcing baru. Pada memiliki akses langsung ke sistem database dari berbagai lokasi
saat yang sama, departemen sumber daya manusia (SDM) perlu memainkan perusahaan, termasuk di Eropa, Amerika Utara, dan Asia.
peran yang lebih strategis di dalam perusahaan. HR sekarang bertanggung
jawab untuk menerapkan kebijakan yang efektif yang bertujuan untuk
mempertahankan dan merekrut karyawan paling berkualitas dari berbagai
latar belakang budaya.
Modul SAP ERP-HCM mencakup fitur-fitur canggih seperti "Talent
Manager" serta untuk menangani administrasi karyawan, pelaporan,
Mengadaptasi operasi perusahaan dengan perubahan ini dan manajemen perjalanan dan waktu. Fitur-fitur ini memungkinkan
membutuhkan infrastruktur TI yang fleksibel dan kuat dengan personel HR Lego untuk memilih kandidat terbaik, menjadwalkan
kemampuan intelijen bisnis yang dapat membantu manajemen pelatihan mereka, dan membuat rencana stimulus untuk dipertahankan
melakukan peramalan dan
mereka. Dimungkinkan juga untuk memasukkan pengukuran kinerja dan 25 September 2007 (www.scdigest.com/assets/on_target/07-09-25-
7.php? Cid = 1237, diakses 16 November 2010); GW Anderson, T. Rhodes, J. Davis,
mendapatkan wawasan real-time tentang tren SDM. Dengan menggunakan
dan J. Dobbins, SAMS Ajarkan Diri Anda SAP dalam 24 jam (Indianapolis, IN: SAMS,
fitur-fitur canggih ini, bersama dengan alat dari vendor perangkat lunak lain,
2008).
manajer Lego dapat melacak potensi kepemimpinan karyawan,
mengembangkan karier mereka, dan memperkirakan perekrutan karyawan PERTANYAAN STUDI KASUS
baru dengan keterampilan tertentu. n.
1. Jelaskan peran database dalam sistem tiga tingkat SAP.
Sumber: ”Business 2010: Embracing the Challenge of Change,” The Economist 2. Jelaskan mengapa arsitektur terdistribusi fleksibel.
Intelligence Unit, Februari 2005
3. Mengidentifikasi beberapa fitur intelijen bisnis yang termasuk dalam
(http://graphics.eiu.com/files/ad_pdfs/Business%202010_Global_ FINAL. Pdf, diakses 16
November 2010); “Lego Menciptakan Kesuksesan Bisnis Model dengan SAP dan IBM,”
rangkaian perangkat lunak bisnis SAP.
IBM Global Financing, 19 Mei 2010 4. Apa keuntungan dan kerugian utama memiliki banyak database
(www-01.ibm.com/software/success/cssdb.nsf/CS/STRD85KGS6?OpenDocument, 20 dalam arsitektur terdistribusi? Menjelaskan.
Oktober 2010); “Sumber Daya Manusia sebagai Eksponen Tata Kelola yang Baik” (dalam
bahasa Denmark) (www.sat.com, 20 Oktober 2010); “Lego, Mainan Abad Ini Harus
Menemukan Kembali Rantai Pasokan untuk Menyelamatkan Perusahaan,” Intisari Rantai Kasus disumbangkan oleh Daniel Ortiz Arroyo, Universitas Aalborg
Pasokan,

CH 6 BAHASA INGGRIS - En.id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

CH 6 BAHASA INGGRIS - En.id

Diunggah oleh

Hak Cipta:

Format Tersedia

Bab 6

TUJUAN PEMBELAJARAN GARIS BESAR BAB

5. Mengapa kebijakan informasi, administrasi MODUL LACAK BELAJAR

desain ponent dan informasi manufaktur

terjadi, hal ini menimbulkan rasa

sistem agement yang akan membawa

Kasus disumbangkan oleh Robert Manderson, Universitas Roehampton

T Pengalaman BAE Systems

6.1 HAI MENGATUR D ATA DI A T RADISIONAL F ILE

KONSEP DAN KONSEP ORGANISASI FILE

GAMBAR 6.1 HIRARKI DATA

MASALAH DENGAN FILE TRADISIONAL

GAMBAR 6.2 PENGOLAHAN FILE TRADISIONAL

penyimpanan yang terbuang percuma.

Redundansi dan Inkonsistensi Data adalah ketegangan

Kurangnya Pembagian Data dan Ava il abi li ty

6.2 T DIA D ATABASE SEBUAH PPROACH KE D ATA

SISTEM MANAJEMEN DATABASE

Bagaimana DBMS Memecahkan Masalah di Lingkungan Tradisiona l Fi le

GAMBAR 6.3 PANDANGAN GANDA DATABASEWITH SUMBER DAYA MANUSIA

bagi anggota departemen penggajian perusahaan.

GAMBAR 6.4 TABEL RELASIONAL DATABASE

Operasikan ion-ion dari sebuah Rel pada iona l DBMS

Basis Data dan Basis Data Non-Terikat di Awan

KEMAMPUAN SISTEM MANAJEMEN DATABASE

Menanyakan dan Melaporkan

GAMBAR 6.6 FITUR KAMUS AKSES DATA

GAMBAR 6.7 CONTOH KUERI SQL

menghasilkan daftar dengan hasil yang sama seperti Gambar 6.5.

GAMBAR 6.8 KUERI AKSES

GAMBAR 6.9 HUBUNGAN YANG TIDAK NORMAL UNTUK ORDER

Norma liasi dan Entitas-Re l at ionisasi Di agrams

GAMBAR 6.10 TABEL NORMAL DIBUAT DARI ORDER

GAMBAR 6.11 DIAGRAM HUBUNGAN ENTITAS

6.3 U BERNYANYI D ATABASES TO saya MPROVE B KEGUNAAN

TANTANGAN DATA BESAR

INFRASTRUKTUR KECERDASAN BISNIS

Gudang Data dan Data Mar ts

Komputasi Dalam Memori

GAMBAR 6.12 KOMPONEN DATAWAREHOUSE

ALAT ANALITIS: HUBUNGAN, POLA, TREN

Onl ine Ana l yt i ca l Process ing (OLAP)

Untuk mendapatkan jawabannya, Anda membutuhkannya pemrosesan analitik online (OLAP).

GAMBAR 6.13 MODEL DATA MULTIDIMENSI

Caesars Entertainment, sebelumnya dikenal sebagai Harrah's Entertainment, adalah perusahaan

Penambangan Teks dan Penambangan Web

INTERACT IVE SESS ION: TECHNOLOGY

Perpustakaan angin Vestas saat ini menyimpan 2,8 petabyte

PERTANYAAN STUDI KASUS

3. Mengapa perusahaan dijelaskan dalam kasus ini

DATABASES DAN WEBSITE

GAMBAR 6.14 MENGHUBUNGKAN DATABASE INTERNAL KE Web

spesifikasi untuk memproses data di server Web.

ION SESI INTERAKSI IVE: ION ORGANISASI

Pendukung konsumen seperti Federasi Konsumen Amerika memuji

menyelesaikan klaim bahwa laporan tidak akurat.

Sumber: www.SaferProducts.gov, diakses 22 Mei 2012; Josh Cable, "Demokrat

PERTANYAAN STUDI KASUS

6.4 M ANAGING D ATA R ESOURCES

MEMBANGUN KEBIJAKAN INFORMASI

MEMASTIKAN KUALITAS DATA

L PENGHASILAN T RAK M ODULES S

1. Perancangan Basis Data, Normalisasi, dan Pembuatan Diagram Relasi-Entitas