DATA MODELING
Disusun Oleh :
SEMESTER 6
TULUNGAGUNG
2022
CHAPTER 6
MODEL DATA
Model data menggambarkan data yang mengalir melalui proses bisnis kelompok. Pada tahap
analisis, model data mewakili logika. Mengatur data tanpa menunjukkan bagaimana data itu
disimpan, dibuat, atau dimanipulasi. Membebaskan analis untuk fokus pada bisnis tanpa
memperhatikan detail teknis. Kemudian, selama fase desain, model data dimodifikasi untuk
secara akurat mencerminkan bentuk data. Itu disimpan dalam database dan file. Bab ini
menjelaskan salah satu teknik pemodelan data yang paling umum digunakan dalam industri:
Diagram hubungan entitas.
Seperti yang kita tahu sebelumnya, membuat ERD cukup sulit. Dibutuhkan banyak
pengalaman untuk menggambar ERD dengan baik, dan tidak banyak aturan hitam-putih untuk
membantu memandu. Untungnya, ada beberapa pedoman desain umum yang dapat membantu
saat kita ingin membangun ERD, dan setelah ERD ditarik, kita dapat gunakan teknik yang
disebut normalisasi untuk memvalidasi bahwa model yang kita buat sudah terbentuk dengan
baik. Teknik lain adalah memeriksa ERD terhadap model proses kita untuk memastikan bahwa
kedua model menyeimbangkan satu sama lain.
A. Pedoman Desain
Pedoman desain bukanlah aturan yang harus diikuti, sebaliknya, ini adalah praktik terbaik yang
sering menghasilkan diagram dengan kualitas yang lebih baik. Misalnya, label dan penamaan
konvensi penting untuk membuat ERD yang jelas. Nama tidak boleh ambigu (misalnya, nama,
nomor), sebagai gantinya, mereka harus dengan jelas mengomunikasikan apa modelnya
komponen mewakili. Nama-nama ini harus konsisten di seluruh model dan mencerminkan
terminologi yang digunakan oleh bisnis. Jika Sumber Tune mengacu pada orang-orang yang
memesan musik sebagai pelanggan, model data harus mencakup entitas yang disebut
pelanggan, bukan klien atau pemangku kepentingan. Tidak ada aturan yang mengatur tata letak
komponen ERD. Mereka bisa menjadi ditempatkan di mana pun kita suka pada halaman,
meskipun sebagian besar analis sistem mencoba untuk menempatkan entitas bersama-sama
yang terkait satu sama lain. Jika model menjadi terlalu kompleks atau sibuk (beberapa
perusahaan memiliki ratusan entitas pada model data), model dapat akan dipecah menjadi mata
pelajaran. Setiap area subjek akan berisi entitas terkait dan hubungan, dan analis dapat bekerja
dengan satu kelompok entitas pada suatu waktu untuk membuat proses pemodelan tidak terlalu
membingungkan. Secara umum, pemodelan data bisa sangat rumit, terutama karena model data
sangat didasarkan pada interpretasi, oleh karena itu, ketika aturan bisnis berubah, hubungan
atau komponen model data lainnya harus diubah. Asumsinya adalah bagian penting dari
pemodelan data. Penting untuk memverifikasi semua asumsi tentang aturan bisnis agar model
data kita benar.
B. Normalisasi
Setelah membuat ERD, ada teknik yang disebut normalisasi yang dapat membantu analis
memvalidasi model yang telah mereka gambar. Ini adalah proses dimana serangkaian aturan
diterapkan pada model data logis atau file untuk menentukan seberapa baik terbentuk itu.
Aturan normalisasi membantu analis mengidentifikasi entitas yang tidak terwakili dengan
benar dalam model data logis, atau entitas yang dapat dipecah dari mengajukan. Hasil dari
proses normalisasi adalah atribut-atribut data tersusun untuk membentuk hubungan yang stabil,
namun fleksibel, untuk model data.
Semua aktivitas analisis analisis sistem saling terkait. Misalnya, Teknik analisis kebutuhan
digunakan untuk menentukan cara menggambar kedua model proses dan model data, dan
repositori CASE digunakan untuk mengumpulkan informasi yang disimpan dan diperbarui di
seluruh fase analisis. Sekarang kita akan melihat bagaimana model proses dan model data
saling terkait.
Meskipun model proses berfokus pada proses sistem bisnis, model ini berisi dua komponen
data-data aliran (yang terdiri dari elemen data) dan penyimpanan data. Tujuan dari ini adalah
untuk menggambarkan apa data digunakan dan dibuat oleh proses dan di mana data tersebut
disimpan. Ini komponen DFD harus seimbang dengan ERD. Dengan kata lain, DFD komponen
data harus sesuai dengan penyimpanan data ERD (yaitu, entitas) dan elemen data yang terdiri
dari aliran data (yaitu, atribut) yang digambarkan pada model datanya.
Banyak alat CASE menawarkan fitur untuk mengidentifikasi masalah dengan keseimbangan
antara DFD dan ERD, namun ada baiknya untuk memahami cara mengidentifikasi masalah
kita sendiri. Ini melibatkan pemeriksaan model data yang telah kita buat dan
membandingkannya dengan model proses yang telah dibuat untuk sistem. Periksa model data
kita dan lihat apakah ada entitas yang telah kita buat itu tidak muncul sebagai penyimpanan
data pada model proses. Jika ada, kita harus menambahkan mereka ke model proses untuk
mencerminkan keputusan, untuk menyimpan informasi tentang itu entitas di sistem kita.
Demikian pula, bit informasi yang terkandung dalam aliran data (biasanya didefinisikan dalam
entri kasus untuk aliran data) harus sesuai dengan atribut yang ditemukan dalam entitas dalam
model data. Misalnya, jika informasi pelanggan aliran data yang beralih dari entitas pelanggan
ke proses nada pembelian adalah didefinisikan sebagai memiliki nama pelanggan, alamat
email, dan alamat rumah, maka masing-masing potongan informasi ini harus dicatat sebagai
atribut dalam entitas pelanggan pada model datanya. Kita harus memverifikasi bahwa semua
item data termasuk dalam penyimpanan data dan aliran data dalam model proses telah
dimasukkan di suatu tempat sebagai entitas atribut dalam model data. Memastikan bahwa
model data sepenuhnya terintegrasi semua data yang diidentifikasi dalam model proses. Jika
tidak, maka model datanya adalah tidak lengkap. Selain itu, semua elemen data dalam model
data akan muncul sebagai bagian dari penyimpanan data dan aliran data dalam model proses.
Jika beberapa elemen data memiliki dihilangkan dari model proses, maka kita perlu
menyelidiki apakah data tersebut item yang benar-benar dibutuhkan dalam pengolahan sistem.
Jika mereka dibutuhkan, mereka harus ditambahkan ke model proses penyimpanan data dan
aliran data, jika tidak, mereka seharusnya dihapus dari model data sebagai item data asing.
Alat yang berguna untuk menggambarkan dengan jelas keterkaitan antara proses dan data
model adalah matriks CRUD. Matriks CRUD (buat, baca, perbarui, hapus) adalah tabel yang
menggambarkan bagaimana proses sistem menggunakan data di dalam sistem. Dia membantu
untuk mengembangkan matriks CRUD berdasarkan proses dan data logis model dan kemudian
merevisinya nanti dalam fase desain. Matriks juga menyediakan informasi penting untuk
spesifikasi program, karena menunjukkan dengan tepat bagaimana data itu dibuat dan
digunakan oleh proses utama dalam sistem.
Untuk membuat matriks CRUD, sebuah tabel digambar yang mencantumkan semua proses
system di bagian atas, dan semua entitas data (dan atribut entitas) di sepanjang sisi kiri sisi
meja. Kemudian, dari informasi yang disajikan dalam model proses, analis mengisi setiap sel
dengan C, R, U, D, (atau tidak sama sekali) untuk menggambarkan proses interaksi dengan
setiap entitas data (dan atributnya). Ketika suatu proses memperbarui penyimpanan data
dengan cara tertentu, harus ada aliran data yang berasal dari proses ke penyimpanan data.
Berpikir hati-hati tentang isi aliran data dalam model proses, kita dapat mengidentifikasi
tempat-tempat di mana atribut mungkin telah dihilangkan dari data toko/badan. Selain itu, kita
dapat memverifikasi bahwa setiap atribut dibuat, dibaca, diperbarui, dan dihapus di suatu
tempat dalam model proses. Jika tidak dibaca oleh sebagian orang proses, maka atribut tersebut
mungkin tidak diperlukan. Jika tidak dibuat atau diperbarui, atribut mungkin perlu
ditambahkan ke aliran data dalam model proses.
4. RINGKASAN
1. Mengidentifikasi entitas,
2. Menambahkan atribut yang sesuai untuk setiap entitas,
3. Menggambar hubungan antar entitas untuk ditampilkan, bagaimana mereka terkait satu
sama lain.
Ada tiga jenis entitas khusus yang berisi ERD. Sebagian besar entitas bersifat independen,
karena satu (atau lebih) atribut dapat digunakan untuk mengidentifikasi sebuah instance secara
unik. Entitas yang mengandalkan atribut dari entitas lain untuk mengidentifikasi sebuah
instance adalah dependen. Entitas persimpangan ditempatkan antara dua entitas untuk
menangkap informasi tentang hubungan mereka. Secara umum, model data didasarkan pada
interpretasi. Oleh karena itu, penting untuk menyatakan dengan jelas asumsi yang
mencerminkan aturan bisnis.
Normalisasi, proses di mana serangkaian aturan diterapkan pada data logis model untuk
menentukan seberapa baik terbentuk itu. Model data logis berada dalam bentuk normal pertama
(1NF) jika tidak mengandung pengulangan atribut, yang merupakan atribut yang menangkap
beberapa nilai untuk satu instance. Bentuk normal kedua (2NF) mensyaratkan bahwa semua
entitas berada dalam 1NF dan hanya berisi atribut yang nilainya bergantung pada seluruh
pengidentifikasi (yaitu, tidak ada ketergantungan). Bentuk normal ketiga (3NF) terjadi ketika
model berada dalam 1NF dan 2NF dan tidak ada atribut yang dihasilkan bergantung pada
atribut nonidentifier (yaitu, tidak ada ketergantungan transitif). Dengan setiap pelanggaran,
entitas tambahan harus dibuat untuk menghapus atribut berulang atau dependensi yang tidak
tepat dari entitas yang ada. Akhirnya, ERD harus diseimbangkan dengan diagram aliran data
(DFD) dengan memastikan model data itu entitas dan atribut sesuai dengan penyimpanan data
dan aliran data pada proses model. Matriks CRUD adalah alat yang berharga untuk digunakan
saat menyeimbangkan proses dan model data.
DAFTAR PUSTAKA
Alan Dennis, B. H. (2013). System Analysis And Design. United State Of America: Wiley.