Andrey Ferriyan
Week 2
Kriteria Penilaian
2
Konsep KB
4
Arsitektur dari KB
5
Arsitektur dari KB
7
Permasalahan pada Data
- Seorang executive membutuhkan membutuhkan data, informasi dan
pengetahuan
- Data mentah diperoleh secara manual atau menggunakan instrumen
(alat/sensor scanner/GPS/PDA/RFID) atau dari mana pun
- Garbage In Garbage Out
8
Permasalahan pada Data
- Contextual data quality (relevansi, nilai tambah, batasan
waktu, kelengkapan, dan jumlah data)
- Intrinsic data quality (akurasi, objektivitas, kemampuan
untuk dapat dipercaya, reputasi)
- Accessibility data quality (kemudahan akses, dan keamanan
akses)
- Representation data quality (pemahaman, kemampuan untuk
diinterpretasikan (representasi tepat dan konsisten)
9
Permasalahan pada Data
10
Data Warehouse
11
Pengantar Data Warehouse
- Sejak 1980s
- Meningkatnya data pada organisasi dengan signifikan
- SQL query sudah tidak mencukupi untuk memenuhi kebutuhan data
analysis (low query performance)
- Masalah pada kualitas data
12
Pengantar Data Warehouse (DW)
13
Kelebihan dari DW
14
Arsitektur DW
16
Arsitektur DW
- Data mart: adalah sebuah data warehouse yang lebih
kecil (per departemen). Ada dua jenis data mart:
- 1) Dependent data mart, sebuah subset yang diturunkan
langsung dari data warehouse;
- 2) Independent data mart, sebuah data warehouse kecil yang
khusus didesain untuk suatu unit bisnis atau departemen
- Operational data stores (ODS): short-term DW
17
Arsitektur Sistem Informasi yang digunakan DW
20
Pemilihan arsitektur dari DW
1. DBMS (Database Management System) yang digunakan
2. Apakah ada parallel processing dan/atau partitioning
yang akan digunakan?. Apa jenis partitioning yang
digunakan?
3. Apa data migration tools yang digunakan untuk mengisi
DW?
4. Apa saja tools yang digunakan untuk mendukung
pengambilan data dan analisis yang digunakan?
21
Membersihkan Data
1. Ketika menggunakan DW
2. Data quality action plan
3. Best practices untuk kualitas data
4. Evaluasi hasil
22
Integritas Data
1. Uniformity (keseragaman)
2. Version (pemeriksaan versi ketika diubah
menggunakan metadata dan memastikan data
asli tidak berubah)
3. Completeness check (periksa kelengkapan)
4. Conformity check (periksa konsistensi)
5. Genealogy or drill-down (turunan)
23
Kegagalan dari implementasi DW
1. Hanya fokus pada sisi penerapan /
implementasi teknis
2. Tidak fokus pada end-user (lupa pada apa
yang diinginkan dari customer)
3. Tidak fokus pada delivering value
4. Data di lead oleh orang IT (terlalu fokus
pada implementasi)
5. Kesalahan dalam mendiagnosa permasalahan
24