TUGAS PAPER

DESIGNING DATABASES

KELOMPOK 13 :

Firdina Intan Ghaisani 20312097

Nabila Alya Putri 20312244
Arifah Ratnasari 20312284

Analisis Desain Sistem (H)

FAKULTAS BISNIS DAN EKONOMIKA

PROGRAM STUDI AKUNTANSI
UNIVERSITAS ISLAM INDONESIA
2021
 DAFTAR ISI

DAFTAR ISI 1
BAB 1. PENDAHULUAN
A. Latar Belakang 2
B. Tujuan 2
BAB 2. PEMBAHASAN
A. Databases 3
B. Data Concepts 4
C. Normalization 11
D. Panduan Perancangan Master File/ Database Relation 15
E. Anomali 16
F. Making Use of Database 16
G. Denormalisasi 18
H. Data Warehouse 20
I. Online Analytical Processing (OLAP) 21
J. Data Mining 23
K. Business Intelligence 24
L. Text Analytics 25
M. Blockchain 25
BAB 3. KESIMPULAN 26
DAFTAR PUSTAKA 27

1
 BAB 1. PENDAHULUAN

A. Latar Belakang
Berkembangnya teknologi saat ini, sangat membantu setiap pekerjaan manusia.
Salah satunya adalah teknologi informasi. Tanpa adanya teknologi informasi,
perkembangan dunia teknologi tidak akan semaju ini. Teknologi informasi ini juga
berhubungan erat dengan sistem informasi.
Dalam pembuatan sistem informasi ada beberapa langkah yang harus ditempuh.
Salah satu langkah tersebut adalah perancangan dan desain database. Database merupakan
inti atau jantung dalam sistem informasi. Menurut Connolly and Begg (2010), Database
merupakan kumpulan data yang saling berkaitan secara logis dan deskripsi dari data itu
dirancang untuk menemukan informasi yang dibutuhkan organisasi. Dalam perancangan
database ini perlu memperhatikan efisiensi. Database ini digunakan oleh seluruh
departemen dalam perusahaan dan akan menjadi sumber daya yang digunakan dalam
perusahaan itu juga. Untuk menggunakan database ini diperlukan Database Management
System.
Mengenai data, ada hal penting juga yang harus diperhatikan yaitu cara
penyimpanan data. Ada dua pendekatan dalam penyimpanan data, yaitu menyimpan data
dalam file individual dan mengembangkan database yang dapat digunakan bersama oleh
banyak pengguna untuk berbagai aplikasi. Pemahaman tentang penyimpanan data ini
membutuhkan pemahaman tiga bidang, antara lain realitas, data, dan metadata.
Database mendukung kegiatan perusahaan atau organisasi. Dalam sebuah
organisasi atau perusahaan membutuhkan Database Management System (DBMS) .
DBms memungkinkan pembuatan, modifikasi, pembaruan basis data, pengambilan data
dan pembuatan laporan dan tampilan. Database memiliki banyak keuntungan, antara lain
mengurangi redudancy,menghindari inkonsisten, menyeimbangkannya kebutuhan.
Database ini sangat penting. Oleh karena itu, perlu dilakukan riset lebih lanjut
mengenai desain database mengingat pentingnya database dalam sebuah sistem informasi
di perusahaan atau organisasi.

B. Tujuan
Tujuan dari pembuatan makalah ini adalah untuk mengetahui tentang desain
database yaitu konsep data, proses normalisasi dan denormalisasi, master file, penggunaan
database dan data warehouse, consulting, business intelligence, analisis data, dan
blockchain. Selain itu, tujuan lain pembuatan makalah ini untuk memenuhi tugas
kelompok mata kuliah Analisis dan Desain Sistem yang diberikan oleh Bapak Dekar
Urumsah, S.E., M.Com., Ph.D.

2
 BAB 2. PEMBAHASAN

A. Databases

Basis data adalah sumber pusat data yang dimaksudkan untuk digunakan bersama
oleh banyak pengguna untuk berbagai aplikasi. Inti dari basis data adalah Database
Management System (DBMS), yang memungkinkan pembuatan, modifikasi, pembaruan
basis data, pengambilan data dan pembuatan laporan dan tampilan.

Tujuan efektivitas database meliputi hal-hal berikut:

1. Memastikan bahwa data dapat dibagikan di antara pengguna untuk berbagai

aplikasi.
2. Menjaga data yang akurat dan konsisten.
3. Memastikan bahwa semua data yang diperlukan untuk aplikasi saat ini dan yang
akan datang akan tersedia.
4. Membiarkan basis data berkembang seiring dengan meningkatnya kebutuhan
pengguna.
5. Memungkinkan pengguna untuk membangun pandangan pribadi mereka tentang
data tanpa memperhatikan cara data disimpan secara fisik.

Daftar tujuan di atas memberi kita pengingat keuntungan dan kerugiaan dari
pendekatan database. Pertama, berbagi data berarti data perlu disimpan hanya sekali. Itu
pada gilirannya membantu mencapai integritas data karena perubahan pada data tercapai
lebih mudah dan andal jika data muncul sekali daripada di banyak file yang berbeda.
Database yang dirancang dengan baik juga bisa lebih fleksibel daripada file terpisah; yaitu,
database dapat berkembang seiring dengan perubahan kebutuhan pengguna dan aplikasi.

Kelebihan pada sistem basis data yaitu :

1. Kecepatan dan kemudahan (speed)
2. Pemusatan kontrol data
3. Efesiensi ruang penyimpanan (space)
4. Keakuratan (accuracy)
5. Ketersediaan (availability)’
6. Keamanan (security)
7. Kebebasan data (data independence)

Kekurangan pada sistem basis data yaitu :

1. Lebih mahal
2. proses back up memakan waktu
3. Bila ada akses yang tidak benar, kerusakan dapat terjadi
4. Sistem lebih rumit, sehingga memerlukan orang ahli.

3
B. Data Concepts
Reality, Data, and Metadata

Data yang dikumpulkan tentang orang, tempat, atau peristiwa akan disimpan
dalam file atau database. Untuk memahami bentuk dan struktur data, diperlukan informasi
tentang data itu sendiri. Metadata merupakan data tentang data dalam file atau database.

Gambar. Reality, data dan metadata

Metadata sendiri adalah informasi terstruktur yang mendeskripsikan, menjelaskan,

menemukan, atau setidaknya menjadikan suatu informasi mudah untuk ditemukan

kembali, digunakan, atau dikelola.

Gambar. Metadata dan nilai setiap itemnya

4
 Gambar diatas adalah contoh metadata untuk database beberapa perangkat lunak
generik. Panjang setiap item data ditunjukkan menurut konvensi, di mana 7.2 berarti
bahwa tujuh spasi disediakan untuk nomor tersebut, dua diantaranya berada di sebelah
kanan titik desimal.

Ranah realitas adalah entitas dan atribut;bidang data aktual adalah kejadian
rekaman dan item data kejadian; dan dalam bidang metadata adalah definisi rekaman dan
definisi item data.

Istilah diatas dijelaskan sebagai berikut :

a. Entitas.
Entitas adalah objek atau peristiwa apa pun yang dipilih seseorang untuk
mengumpulkan data. Entitas dapat berupa orang, tempat, atau benda (misalnya,
wiraniaga, kota, atau produk). Entitas dapat berupa peristiwa atau unit waktu, seperti
kerusakan mesin, penjualan, atau bulan atau tahun.
Sub Entitas merupakan hubungan one to one secara khusus untuk mewakili atribut
tambahan dari entitas lain yang tidak ada pada setiap catatan entitas pertama.
Contohnya, entitas utama adalah customer. Customer mungkin memiliki bidang
khusus yang berisi informasi diskon, dimana informasi ini adalah sub entitas.

b. Relationships (Hubungan).

Relasi adalah asosiasi antar entitas (disebut juga sebagai asosiasi data).

Ada beberapa tipe dalam relasi (relationship), antara lain:

1. One-to-one relationship
2. One-to-many or many-to-one association
3. Many-to-many relationship

5
 Gambar. Entity Relationship (ER) Diagram

Dalam gambar di atas, hubungan one to one (1:1) menunjukkan hanya ada satu
Product Package untuk setiap Product. Hubungan one to many (1:M) digambarkan
hubungan seorang Dokter dalam organisasi kesehatan dengan banyak pasien
(Patient) atau hubungan antara beberapa Employee dengan satu Department. Selain
iu, ada hubungan many to many (M:M) yang memungkinkan entitas memiliki
asosiasi di kedua arah. Misalnya, Students memiliki banyak Course, dan pada hal
yang sama setiap Course memiliki beberapa Student.

6
 Gambar: Simbol Entity Relationship Diagram dan Artinya

Contoh Entity Relationship

Gambar. Entity Relationship perawatan pasien (patient)

Gambar di atas, entitasnya adalah PRESCRIPTION, PHYSICIAN, PATIENT,

dan INSURANCE CARRIER. Entitas TREATMENT bukan entitas utama yang

7
 penting dalam sistem penagihan, tetapi tetap bagian dari ER karena menghubungkan
antara PRESCRIPTION dan PATIENT sehingga digambarkan sebagai entitas
asosiatif.

PHYSICIAN merawat PATIENT (1:M) yang masing masing berlangganan ke

INSURANCE CARRIER.

Untuk melengkapi catatan, seorang PHYSICIAN harus menyimpan informasi

tentang perawatan PATIENT. Banyak PATIENT menjalani beberapa TREATMENT
sehingga menimbulkan hubungan many to many (M:M). TREATMENT dapat
mencakup penggunaan PRESCRIPTION yang merupakan hubungan many to many
(M:M). Beberapa detail kemudian diisi untuk atribut.Misalnya, PRESCRIPTION
memiliki NAME, DOSAGE, MANUFACTURE, dan AMOUNT. Atribut
bermanfaat untuk menjelaskan detail diagram ER.

Atribut terdaftar di sebelah masing-masing entitas, dan kuncinya, dengan

penjelasan :

a. Atribut. Atribut adalah beberapa karakteristik dari suatu entitas. Ada banyak
atribut untuk setiap entitas.
b. Records. Record adalah kumpulan item data yang memiliki kesamaan dengan
entitas yang dideskripsikan. Sebuah record memiliki primary key dan mungkin
memiliki banyak atribut
c. Key. Kunci adalah salah satu item data dalam catatan yang digunakan untuk
mengidentifikasi catatan. Ketika kunci secara unik mengidentifikasi catatan, itu
disebut kunci utama.

Gambar. Gambar record primary key dan atributnya

Files

File merupakan kelompok catatan yang menyediakan informasi untuk operasi,

perencanaan, manajemen, dan pengambilan keputusan.

File dapat digunakan untuk menyimpan data untuk jangka waktu yang tidak
terbatas, atau dapat digunakan untuk menyimpan data sementara untuk tujuan tertentu.

8
 File dapat dibedakan menjadi empat, yaitu :

1. Master Files (File Master). File master berisi catatan untuk sekelompok entitas.
Atributnya mungkin sering diperbarui, tetapi catatan itu sendiri relatif permanen.
File-file ini cenderung memiliki catatan besar yang berisi semua informasi tentang
entitas data. Contoh file master yaitu, catatan pasien, catatan pelanggan, file
personel, dan file inventaris suku cadang.
2. Tables Files (File Tabel). Sebuah file tabel memuat data yang digunakan untuk
menghitung banyak data atau tampilan hitungan. File table biasanya hanya dibaca
oleh sebuah program. Contohnya adalah tabel tarif ongkos kirim yang digunakan
untuk menentukan biaya pengiriman suatu paket dan tabel pajak.
3. Transaction Files (File Transaksi). File transaksi digunakan untuk memasukkan
perubahan yang memperbarui file master dan menghasilkan laporan.
4. Report Files (File Laporan). Jika perlu untuk menjalankan sebuah program, tetapi
tidak ada mesin pencetak yang tersedia (atau mesin pencetak sedang sibuk
mencetak pekerjaan lain), maka digunakan file laporan.

Relational Databases

Database relasional adalah kumpulan item data dengan hubungan yang telah
ditentukan sebelumnya. Berbagai item ini disusun menjadi satu set tabel dengan kolom
dan baris. Tabel digunakan untuk menyimpan informasi tentang objek yang akan
direpresentasikan dalam database.

Logical and Physical Views of Data (Tampilan Data Logis dan Fisik). Tampilan
Logis menyajikan data seperti yang akan dilihat oleh pengguna akhir, sedangkan tampilan
Fisik menunjukkan bagaimana data sebenarnya diatur dan terstruktur pada media
penyimpanan fisik. Semua pengguna melihat data dengan cara yang berbeda. Pandangan
ini perlu diperiksa oleh analis sistem, dan model logis keseluruhan dari database yang
dikembangkan. Jadi, model logis dari database harus diubah menjadi desain database fisik
yang sesuai. Desain fisik terlibat dengan bagaimana data disimpan dan terkait, serta
bagaimana mereka diakses.

9
 Gambar. Desain Database mencangkup sintetis pengguna (syntesizing user report),
tampilan pengguna (user views), dan desain logis dan fisik (logical and physical
designs)

Dalam literatur database, Views (pandangan) disebut sebagai scheme (skema).

Gambar diatas menunjukkan bagaimana laporan pengguna dan tampilan pengguna (User
Scheme) terkait dengan model logis (Conceptual Scheme) dan desain fisik (Internal
Schemel).

Relational Data Structures (Struktur Data Relasional). Struktur data relasional

terdiri dari satu atau lebih tabel dua dimensi, yang disebut sebagai relasi. Baris tabel (the
rows of the table) menggambarkan catatan (records), sedangkan kolom (colomns)
menggambarkan atribut (attributes).

10
 Gambar. Dalam Struktur Relasional, Data Disimpan dalam Banyak Tabel

Gambar diatas menunjukkan struktur relasional untuk database pemesanan CD

musik.Ada tiga tabel yang diperlukan untuk (1) mendeskripsikan item dan melacak harga
CD saat ini (ITEM PRICE), (2) mendeskripsikan detail pesanan (ORDER), dan (3)
mengidentifikasi status pesanan (ITEM STATUS)

C. Normalization

Normalisasi adalah transformasi tampilan pengguna yang kompleks dan

penyimpanan data menjadi sekumpulan struktur data yang lebih kecil dan stabil.

Tujuan normalisasi adalah untuk menghindari beberapa anomali:

a. Insertion anomaly. Yaitu penambahan record baru, tetapi mempengaruhi user akan
terjadinya duplikasi data.
b. Deletion anomaly. Yaitu penghapusan record yang menyebabkan hilangnya data yang
dibutuhkan pada record lain.
c. Modification anomaly. Yaitu perubahan data pada record yang mempengaruhi
perubahan pada record lain karena ada duplikasi data.

11
Tiga Langkah Normalisasi :

Gambar. Langkah Normalisasi

Step 1 - Menghapus semua kelompok berulang dan mengidentifikasi kunci utama.

Untuk melakukannya, relasi perlu dipecah menjadi dua relasi atau lebih.

Step 2 - memastikan bahwa semua atribut bukan kunci sepenuhnya yang

bergantung pada kunci utama. Semua dependensi parsial dihapus dan ditempatkan di
relasi lain.

Step 3 - Langkah ketiga melibatkan penghapusan semua ketergantungan transitif.

Ketergantungan transitif adalah ketergantungan di mana atribut bukan kunci bergantung
pada atribut bukan kunci lainnya.

Proses penormalan tabel ada beberapa tahap, yaitu:

a. First Normal Form (1NF)

Tidak ada repeating group yaitu pengulangan pada beberapa atribut atau kolom
dalam tabel. Setiap atribut dalam 1 NF bernilai tunggal.

b. Second Normal Form (2NF)

12
 Relasi berada di 2NF jika 1 NF dan semua atribut bukan primary key tidak
bergantung secara fungsional pada astribut primary key.

c. Third Normal Form (3NF)

Tabel sudah dalam 2NF dan tidak memiliki transitive dependencies. Transitive
dependencies terjadi ketika aa atribut yang secara tidak langsung tergantung pada
primary key dan atribut lain bukan primary key.

d. Boyce-codd Normal Form (BCNF)

Ketika tabel sudah 3NF dan semua determinants adalah candidate keys.
Perbedaan dengan 3NF adalah functional dependency dimana 3NF membolehkan
ketergantungan dalam relasi jika B adalah Primary key dan A bukan candidate key.
Sedangkan, BCNF harus ada ketergantungan dalam relasi dimana A harus menjadi
candidate key.

e. Fourth Normal Form (4NF)

Relasi memenuhi syarat BCNF dan tidak memiliki multivalue dependency.

f. Fifth Normal Form (5NF)

Tabel 5Nf atau Projection Join Normal Form (PJNF) merupakan relasi yang
berbentuk normal jika tabel dapat dipecah atau diproyeksikan menjadi beberapa tabel
dan proyeksi ini dapat dapat disusun kembali menjadi tabel yang sama dengan keadaan
seperti semula.

Using an Entity Relationship Diagram to Determine Record Keys

Diagram ER dapat digunakan untuk menentukan kunci/ key yang diperlukan untuk
record atau relational database. Hal pertama yang dilakukan adalah membuat ER dan
tabel kunci unik (primer) untuk setiap entitas data .

Gambar. Entity Relationship Diagram for Customer Orders

One to Many Relationship

One to many relationship adalah suatu relasi yang berbentuk satu baris data di
sebuah tabel dapat berhubungan dengan satu atau lebih baris data di tabel lain. Saat

13
 hubungan one to many terjadi, kunci utama pada tabel diletakkan di salah satu ujung
hubungan sebagai kunci asing pada tabel di ujung many relationship. Misalnya, seorang
pelanggan mungkin memiliki banyak pesanan, jadi analis menempatkan nomor pelanggan
pada catatan pemesanan.

Many to Many Relationship

Pada many to many relationship, diperlukan tiga tabel, satu untuk setiap entitas
data dan satu untuk relasi. Misalnya, dalam contoh gambar ORDER dan ITEM memiliki
hubungan many to many relationship. Kunci utama setiap entitas data disimpan sebagai
kunci asing dari tabel relasional. Dalam tabel relasional mungkin hanya berisi kunci utama
setiap entitas data atau mungkin berisi data tambahan.

Gambar: many to many relationship dengan tiga file diperlukan

D. Panduan Perancangan Master File/Database Relation

Ada beberapa panduan yang harus dipertimbangkan dalam merancang master file
atau database relation:

1. Setiap entitas data yang terpisah harus dibuat tabel database master. Setiap entitas yang
berbeda terletak pada file yang berbeda juga. Misalnya, tabel ITEM MASTER hanya
berisi informasi item dan tabel VENDOR MASTER hanya berisi informasi vendor.
2. Beberapa data tertentu harus ada dalam satu tabel master. Misalnya, CUSTOMER
NAME hanya boleh ada di CUSTOMER MASTER bukan di tabel ORDER atau tabel
master lainnya.
3. Setiap tabel master atau database relationship harus memiliki program untuk membuat,
membaca, memperbarui, dan menghapus catatan. Hanya satu program yang harus
menambahkan catatan baru dan satu program yang menghapus catatan tertentu.

14
Integrity Constraints

Integrity Contains (batasan integritas) adalah aturan yang mengatur perubahan dan
penghapusan catatan serta menjaga data dalam database agar tetap akurat.

Gambar. Basis data relasional

Ada tiga jenis batasan integritas dalam database, antara lain:

a. Entity integrity/ integritas entitas

Batasan integritas entitas merupakan aturan yang mengatur komposisi kunci

utama. Kunci utama tidak boleh bernilai null. Kunci utama digunakan untuk
mengidentifikasikan data secara unik. Misalnya dalam gambar AA, DetailTransaksi
memiliki composite key * memiliki lebih dari satu atribut sebagai kunci utama) yaitu
Transaksi dan Produk. Pada saat memasukkan data baru DetailTransaksi, nilai pada
atribut Transaksi dan Produk tidak boleh bernilai null.

b. Referential integrity/ Integritas referensial

Aturan integritas inferensial diterapkan pada foreign key, dimana jika ada
sebuah foreign key dalam sebuah tabel maka nilai foreign key harus sesuai dengan
candidate key dari tabel yang diacu foreign key atai bernilai null (jika atributnya
bukan required data). Dalam tabel DetailTransaksi ada dua foreign key yaitu kode
transaksi dan kode produk. Atribut foreign key pada tabel Detail Transaksi harus
sesuai dengan atribut yang diacu, tetapi tidak boleh bernilai null

c. Domain integrity

Domain integrity merupakan sekumpulan nilai yang diizinkan untuk memiliki

banyak atribut. Misalnya, Kode Produk di tabel Produk dan Detail Transaksi harus
diawali huruf P capital dan diikuti 3 karakter angka, yakni dengan range P001 - P009.

15
E. Anomali

Ada empat anomali saat membuat database, antara lain

a. Data Redundancy

Data Redundancy terjadi terjadi ketika data yang sama disimpan lebih dari satu
tempat dalam database (kecuali kunci utama yang disimpan sebagai kunci asing).
Masalah ini dapat diselesaikan dengan tabel yang ada di 3NF.

b. Insert Anomaly

Insert anomaly terjadi ketika seluruh kunci utama tidak diketahui dan database
tidak dapat menyisipkan catatan baru. Hal ini akan melanggar integritas entitas.
Masalah ini terjadi ketika kunci utama merupakan kunci komposit yang berisi atribut
yang lebih kecil. Cara menghindari insert anomaly adalah dengan menggunakan
nomor urut untuk kunci utama.

c. Deletion anomaly

Deletion anomaly terjadi saat penghapusan catatan yang berakibat pada

hilangnya data lain. Misalnya, item memiliki nomor vendor dan item tertentu
merupakan satu satunya referensi ke vendor tertentu. Jika item tersebut dihapus maka
tidak ada referensi ke catatan vendor.

d. Update anomaly

Update anomaly terjadi saat perubahan pada satu nilai atribut menyebabkan
database berisi data yang tidak konsisten atau menyebabkan beberapa catatan perlu
diubah.

F. Making Use of Database

Agar database dapat digunakan untuk menyajikan data, ada beberapa langkah yang
harus dilakukan berurutan.

Langkah mengambil dan menyajikan data

1. Memilih relasi dari database

2. Bergabung dengan relation together
3. Membuat proyek kolom dari relasi
4. Memilih baris dari relasi
5. Menurunkan atribut baru
6. Mengindeks atau mengurutkan baris

16
7. Menghitung total dan ukuran kinerja
8. Menyajikan data

Gambar: Proses pengambilan dan penyajian data dengan delapan langkah yang berbeda

Langkah terakhir dalam pengambilan data adalah penyajian data. Penyajian data
dari database dilakukan dalam beberapa bentuk, seperti tabel, grafik, atau single-word
answer di layar.

17
G. Denormalisasi

Denormalisasi merupakan teknik meningkatkan kinerja database dengan

mengoptimalkan efisiensi instruktur database. Denormalisasi dapat dilakukan apabila
terdapat beberapa atribut, antara lain:

a. Atribut terderivasi (atribut turunan), yaitu atribut yang nilainya diperoleh dari nilai
yang sudah ada pada atribut lain
b. Atribut berlebihan, yaitu atribut yang memiliki kode tambahan yang menunjukkan
beberapa kondisi, misalnya encoded attribute, concatenated attribute, overlapping
attribute, dan alternate attribute.
c. Tabel rekapitulasi (summary table), yaitu hasil semua pengolahan tabel yang
melibatkan banyak tabel sehingga membutuhkan waktu yang lama. Jika hal ini sering
diperlukan atau sering diakses, perlu dibuat tabel khusus untuk menyimpan data hasil
rekapitulasi tersebut.

Ada beberapa situasi pertimbangan untuk melakukan denormalisasi untuk

mempercepat proses transaksi, yaitu:

a. Mengkombinasikan relasi one to one (1:1)

b. Menduplikasi field bukan kunci dalam relasi one to many (1:M) untuk mereduksi
proses joint saat query.
c. Menduplikasi field FK dalam relasi one to many (1:M) untuk mereduksi proses join
saat query.
d. Membuat batasan pada multi atribut.

18
 Gambar. Cara Melakukan Denormalisasi

Denormalisasi dapat dilakukan dengan berbagai cara. Gambar diatas

menggambarkan beberapa pendekatan ini. Pertama, kita dapat mengambil hubungan
banyak ke banyak, seperti hubungan SALESPERSON dan CUSTOMER, yang berbagi
entitas asosiatif SALES. Dengan menggabungkan atribut dari SALESPERSON dan
SALES kita dapat menghindari salah satu proses join. Hal ini dapat mengakibatkan banyak
duplikasi data, tetapi membuat kueri tentang pola penjualan menjadi lebih efisien. Alasan
lain untuk denormalisasi adalah untuk menghindari referensi berulang ke tabel pencarian.
Mungkin lebih efisien untuk mengulang informasi yang sama—misalnya, kota, negara
bagian, dan kode pos—meskipun informasi ini biasanya dapat disimpan sebagai kode pos
saja. Oleh karena itu, dalam contoh penjualan, PELANGGAN dan GUDANG dapat
digabungkan.

Ada beberapa kelebihan menggunakan denormalisasi, antara lain

1. Meningkatkan kinerja kueri

Untuk mengambil query dalam database yang dinormalisasi dapat dilakukan

dengan menambahkan redundansi ke dalam database dengan menyalin nilai antara

19
 tabel induk dan anak serta meminimalkan jumlah gabungan yang diperlukan untuk
kueri.

2. Menjadikan basis data lebih nyaman dikelola

Database yang dinormalisasi tidak memerlukan nilai yang dihitung untuk

aplikasi. Hal ini menyebabkan pengambilan kueri lebih sederhana karena hanya
melihat lebih sedikit tabel.

3. Memfasilitasi dan mempercepat laporan

Misalnya ketika membutuhkan data statistik, pemrosesan data akan

membutuhkan waktu yang lama dan akan memperlambat seluruh sistem. Dengan
adanya denormalisasi pemrosesan data akan menjadi lebih cepat.

Namun, denormalisasi juga memiliki kekurangan, antara lain:

a. Membutuhkan penyimpanan yang besar karena redundansi data

b. Mahal karena digunakan untuk memperbarui dan memasukkan data ke dalam tabel
c. Membuat pembaruan dan memasukkan kode lebih sulit untuk ditulis
d. Dapat dimodifikasi dengan berbagai cara, membuat data tidak konsisten. Oleh
karena itu, perlu adanya pembaruan setiap bagian dari duplikat. Ini juga digunakan
untuk mengukur nilai dan laporan.

H. Data Warehouse

Data warehouse adalah basis data yang menyimpan data sekarang maupun data
masa lalu yang berasal dari berbagai sistem operasional dan sumber eksternal lainnya yang
menjadi perhatian penting bagi manajemen dalam sebuah organisasi dan ditujukan untuk
keperluan analisis dan pelaporan manajemen dalam rangka pengambilan keputusan.Data
warehouse digunakan untuk mendukung pengambilan keputusan, bukan untuk
melaksanakan pemrosesan transaksi.

Data warehouse hanya berisi informasi-informasi yang relevan bagi kebutuhan

pemakai yang dipakai untuk pengambilan keputusan.Tujuan dari data warehouse ini adalah
untuk meningkatkan kualitas dan akurasi informasi bisnis dan mengirimkan informasi ke
pemakai dalam bentuk yang dimengerti dan dapat diakses dengan mudah.

Data warehouses berbeda dengan database tradisional. Dimana data ini diorganisir
di sekitar subjek. Seringnya, data warehouse memproses lebih dari 1 database sehingga
datanya direpresentasikan dalam cara yang beragam. Oleh karena itu, penyimpanan data
pada data warehouse berasal dari sumber yang berbeda.

20
 Perbedaan data warehouse dan database tradisional:

1. Data warehouse terorganisir di sekitar subjek dibandingkan di sekitar transaksi individu

2. Data warehouse tersimpan sebagai data berbentuk ringkasan dibandingkan data secara
detail
3. Data warehouse memiliki data yang mencakup kerangka waktu yang jauh lebih lama
dibandingkan data yang transaction-oriented
4. Sebagian besar data warehouse terorganisir untuk pertanyaan cepat, sedangkan
database tradisional datanya terorganisir secara terstruktur sedemikian rupa
5. Data warehouse biasanya dioptimalkan untuk menjawab pertanyaan yang kompleks
(dikenal sebagai OLAP), dibandingkan menjawab pertanyaan yang simpel
6. Data warehouse mencakup tidak hanya satu tetapi banyak database yang sudah
terproses, sehingga gudang dari data-data tersebut ditentukan secara seragam. Database
ini disebut sebagai ‘clean data’
7. Data warehouse biasanya mencakup data dari sumber luar serta data yang dihasilkan
untuk keperluan internal.

I. Online Analytical Processing (OLAP)

OLAP atau Online Analytical Processing merupakan software yang menampilkan

analisa multidimensional dari physical data store seperti data warehouse, data mart,
ataupun centralized data store yang memiliki volume data yang sangat besar.
Multidimensional model data memungkinkan dilakukannya analisis yang bersifat
kompleks dan query khusus. OLAP menggabungkan informasi dari beberapa sistem dan
membuat forecast atau prediksi. OLAP tidak hanya menyajikan pertanyaan operasional
seperti apa dan siapa, tapi juga memungkinkan kita untuk mendapatkan jawaban dari suatu
kondisi tertentu (what if).

21
Beberapa tipe sistem OLAP antara lain:

a. ROLAP (Relational OLAP - Star Schema based)

Pada ROLAP, data tidak perlu disimpan secara multidimensi, melainkan cukup
disimpan dalam relational database. ROLAP dapat menangani data dalam jumlah yang
besar, namun sayangnya memiliki performa query yang rendah karena tidak adanya
pre-computed data cube.
b. MOLAP (Multidimensional OLAP - Cube based)

MOLAP melakukan penyimpanan data di dalam specialised multidimensional array

structure yang memiliki alokasi linear. Berbeda dengan ROLAP yang hanya
menyimpan non-zero fact, semua elemen array didefinisikan di dalam MOLAP
sehingga membuat proses penyimpanan data menjadi tidak efektif. MOLAP juga tidak
dapat menyimpan detail data. Namun, MOLAP memiliki keunggulan berupa proses
query yang sederhana dan cepat karena semua penghitungan telah dibuat saat data cube
dibuat.

22
 c. HOLAP (Hybrid OLAP)
HOLAP merupakan penggabungan dari ROLAP dan MOLAP. HOLAP
memungkinkan penyimpanan detail data dalam jumlah besar yang merupakan
keunggulan ROLAP dan memanfaatkan teknologi data cube untuk kinerja yang lebih
cepat.

J. Data Mining

Data mining adalah proses yang menggunakan teknik statistik, matematika,

kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi
informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar.
Istilah data mining dan knowledge discovery in databases (KDD) sering kali digunakan
secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu
basis data yang besar.

Data mining dapat mengidentifikasi pola yang manusia tidak mampu mendeteksi.
Mungkin pembuat keputusan tidak mampu melihat polanya, atau bahkan pembuat
keputusan tidak mampu untuk berpikir apakah pola tersebut ada.

Gambar. Data Mining yang Mengumpulkan Informasi Pribadi Pelanggan

Figur di atas mengilustrasikan konsep dari data mining. Konsep ini sendiri datang
dari keinginan untuk menggunakan database sebagai penargetan pelanggan yang lebih
selektif.

23
 Tipe-tipe polanya mencakup:

a. Associations: pola yang terjadi bersamaan dalam waktu yang sama.

b. Sequences: pola dari aktivitas yang memakan waktu yang cukup banyak.
c. Clustering: pola yang berkembang di beberapa kelompok orang.
d. Trends: pola yang diperhatikan selama suatu periode waktu.

Data mining merupakan konsep yang cukup berisiko. Dikarenakan sebuah

perusahaan dapat mengidentifikasi dengan mudah data-data pelanggan. Terlebih lagi,
masih banyak kasus dimana perusahaan membagikan data pelanggan dan sering membuat
uang dengan menjual data ini. Seorang analis harus bertanggung jawab untuk
mempertimbangkan aspek etika dari projek data mining yang diusulkan. Pertanyaan
tentang lamanya waktu profil disimpan, kerahasiaannya, perlindungan privasi, dan
bagaimana penggunaannya harus dipertanyakan dan dipertimbangkan dengan klien.

K. Business Intelligence

Business Intelligence (BI) adalah sekumpulan teknik dan alat untuk

mentransformasi dari data mentah menjadi informasi yang berguna dan bermakna untuk
tujuan analisis bisnis. Teknologi BI dapat menangani data yang tak terstruktur dalam
jumlah yang sangat besar untuk membantu mengidentifikasi, mengembangkan, dan selain
itu membuat kesempatan strategi bisnis yang baru.

Tujuan dari BI yaitu untuk memudahkan interpretasi dari jumlah data yang besar
tersebut. Mengidentifikasi kesempatan yang baru dan mengimplementasikan suatu strategi
yang efektif berdasarkan wawasan dapat menyediakan bisnis suatu keuntungan pasar yang
kompetitif dan stabilitas jangka panjang.

Business intelligence pada dasarnya adalah pendukung keputusan sistem untuk

pengambil keputusan organisasi. Ini terdiri dari fitur yang mengumpulkan dan menyimpan
data, serta menggunakan pendekatan knowledge management yang dipadukan dengan
analisis. Ini menjadi input bagi proses pengambilan keputusan.

Lima metode yang digunakan untuk menganalisis BI yaitu:

- Slice-and-dice drill down

- Ad hoc queries
- Real-time analysis
- Forecasting
- Scenarios

24
L. Text Analytics

Text Analytics adalah metode dari Data Warehouse yang digunakan untuk memperoleh
data structured berkualitas tinggi dari kumpulan text unstructured. Nama lain dari text
analytics adalah text mining.

Text analytics dapat membantu pengambil keputusan organisasi tentang apa yang
dipikirkan pelanggan tentang organisasi, nilai dan tindakan perusahaan, serta apa motivasi
pelanggan atau vendor untuk memulai, mempertahankan, meningkatkan, atau
menghentikan suatu hubungan.

Output dari text analytics terdiri dari text original dengan tambahan metadata dari text
tersebut. Intinya, banyak variasi dari berbagai aplikasi yang menggunakan banyak
metadata, termasuk aplikasi business intelligence, search applications, enterprise content
management systems, dan text mining applications.

Sumber data yang dapat dianalisa oleh text analytics sangat besar dan luas, termasuk
data-data yang berada di dalam media sosial seperti Facebook, LinkedIn, Twitter,
Instagram, dan juga isi email, artikel berita, online discussion forum, review website, PDF
documents, online forms, serta catatan-catatan yang ada di dalam Customer Relationship
Management (CRM).

Sebenarnya text analytics telah ada selama bertahun-tahun, namun teknologi untuk
mengolah Big Data baru berkembang beberapa tahun belakangan. Perkembangan data di
berbagai perusahaan juga sangatlah cepat dan harus selalu diolah agar menghasilkan
informasi yang bermanfaat.

M. Blockchains

Jaringan blockchain adalah struktur data yang dibangun di atas platform Internet yang
memungkinkan berbagi dan membuat buku besar data digital, yang dapat dibagikan dengan
orang lain di jaringan yang bersifat publik atau pribadi.

Blockchain adalah catatan transaksi yang terbuka dan tidak dapat diubah. Blockchain
diciptakan untuk memecahkan masalah yang biasanya muncul dari melakukan transaksi.
Mereka dimaksudkan untuk meningkatkan keamanan, mengurangi risiko, dan
meningkatkan keandalan dan efisiensi saat melakukan segala jenis transaksi.

25
 BAB 3. KESIMPULAN

Cara menyimpan data merupakan keputusan penting dalam desain sistem informasi.
Ada dua cara untuk menyimpan data. Pertama, dengan menyimpan dalam file individu, satu
file untuk setiap aplikasi. Kedua, dengan mengembangkan database yang dapat dibagikan oleh
banyak pengguna untuk berbagai aplikasi seiring dengan kebutuhan yang muncul.

Normalisasi adalah proses yang mengubah pandangan pengguna menjadi struktur yang
kurang kompleks yang disebut hubungan normal. Ada tiga langkah dalam proses normalisasi.
Pertama, semua kelompok yang berulang dihapus. Kedua, semua dependensi parsial dihapus.
Terakhir, dependensi transitif diambil. Setelah ketiga langkah ini selesai, hasilnya adalah
penciptaan berbagai hubungan yang merupakan bentuk normal ketiga (3NF).

Tiga pedoman yang harus diikuti ketika merancang tabel master atau hubungan database
adalah (1) setiap entitas data yang terpisah harus membuat tabel master, (2) bidang data tertentu
harus ada hanya pada satu tabel master, dan (3) setiap tabel master atau hubungan database
harus memiliki program untuk dapat membuat, membaca, memperbarui, dan menghapus
catatan.

Denormalisasi adalah proses yang mengubah model data logis menjadi model fisik yang
efisien untuk tugas-tugas yang paling dibutuhkan.

Data mining bisa jadi kuat, tetapi mungkin mahal dan perlu dikoordinasikan. Selain itu,
mungkin melanggar privasi konsumen atau bahkan hak dan kewajiban seseorang.

Intelijen bisnis (BI) terdiri dari fitur yang mengumpulkan dan menyimpan data, serta
menggunakan pendekatan manajemen pengetahuan yang dikombinasikan dengan analisis. Hal
ini menjadi masukan bagi proses pengambilan keputusan para pengambil keputusan. Analisis
bisnis (BA) mengacu pada alat dan model statistik untuk memproses data terstruktur secara
kuantitatif seperti yang ditemukan di gudang data. Hal ini pada gilirannya merupakan masukan
bagi manusia dan komputer. Ketika kumpulan data menjadi terlalu besar atau terlalu rumit
untuk ditangani dengan alat tradisional atau dalam database tradisional atau gudang data,
mereka sering disebut sebagai "data besar." Analisis teks menggunakan perangkat lunak untuk
memeriksa data lunak yang tidak terstruktur dari blog, wiki, situs media sosial, dan interaksi
pelanggan online lainnya untuk mendukung pengambil keputusan dalam menafsirkan materi
kualitatif.

26
 DAFTAR PUSTAKA

Auliyaa, T. N. (2020, June 15). Pentingnya Melakukan Denormalisasi pada Perancangan

Sistem. BINUS University School of Information Systems.
https://sis.binus.ac.id/2020/06/15/pentingnya-melakukan-denormalisasi-pada-
perancangan-sistem/

Bercic, B. & George, C. (2008). Identifying Personal Data Using Relational Database Design
Principles. International Journal of Law and Information Technology.
https://academic.oup.com/ijlit/article-abstract/17/3/233/744795

BINUS University School of Information Systems. (2014, May 7). Integrity Constraint pada
Basis Data. https://sis.binus.ac.id/2014/05/07/integrity-constraint-pada-basis-data/

Birney, E. & Clamp, M. (2004). Biological Database Design and Implementation. Briefing In
Bioinformatics. https://academic.oup.com/bib/article/5/1/31/430451

Gautama, E. (2017, July 31). Jenis File dalam Basis Data. Dosen Perbanas.
https://dosen.perbanas.id/jenis-file-dalam-basis-data/?print=print

Holmes, J. What is The Difference Between Logical and Physical Views of A Database. Cement
Answers. https://cementanswers.com/what-is-the-difference-between-logical-and-
physical-views-of-a-database/

Java T Point. Denormalization in Databases. https://www.javatpoint.com/denormalization-

in-databases

Karsen, M. (2017, September 27). Manfaat Database dalam Perusahaan. BINUS University
School of Information Systems. https://sis.binus.ac.id/2017/09/27/manfaat-database-
dalam-perusahaan/

Kendall, K.E., & Kendall, J.E. (2019). Designing Databases. In Wall, S., Horan, B., &
Leale, B. System Analysis and Design (10th ed). (pp. 389-422). Pearson Education

Lindawaty. (2020, November 25). OLAP (Online Analytical Processing). BINUS University
School of Information Systems. https://student-
activity.binus.ac.id/himsisfo/2020/11/olap-online-analytical-processing/

Pace, W.D. et.all. (2003). Database Design to Ensure Anonymous Study of Medical A Report
from ASIPS Collaborative. Application of Information Tecjnology.
https://academic.oup.com/jamia/article/10/6/531/760806

Triyono, G. (2011). Pertimbangan Melakukan Denormalisasi pada Model Basis Data Relasi.
Jurnal Telematika MKOM, 3(2). 20-21 http://pascasarjana.budiluhur.ac.id/wp-
content/uploads/2013/02/Gandung_TM_Vol3No2.pdf

27
W3 Computing. Reality, Data & Metadata (Data Concepts).
https://www.w3computing.com/systemsanalysis/reality-data-metadata/

28