TUGAS DATA WAREHOUSE & OLAP

WEEK-1

Disusun Oleh:
Ardilla Firosya
21082010239
Paralel-F

Dosen Pengampu :
Amalia Anjani Arifiyanti, S.Kom.,M.Kom.

Sistem Informasi
Fakultas Ilmu Komputer
Universitas Pembagunan Nasional “Veteran” Jawa Timur
2023
 TUGAS PERTEMUAN-1
1. Perbedaan OLTP dan OLAP

a. OLTP (Online Transaction Processing)

- OLTP (Online Transaction Processing) merupakan suatu sistem yang
berorientasi pada proses yang memproses suatu transaksi secara langsung
melalui computer yang terhubung dalam jaringan. Berhubungan dengan semua
kegiatan dan sistem terkait dengan memasukkan data secara andal ke dalam
basis data. OLTP dapat digunakan secara umum untuk menggambarkan
lingkungan pemrosesan transaksi apapun. Kontras dengan pemrosesan analitik
online.
- Day-to-day operations
- Contoh : Pembelian, Inventaris, Perbankan. Manufaktur, Penggajian,
Pendaftaran, Akuntansi.

b. OLAP (Online Analitycal Processing)

- OLAP (Online Analitycal Processing) merupakan seperangkat prinsip yang
didefinisikan secara longgar yang menyediakan kerangka kerja dimensional
untuk mendukung keputusan. OLAP juga didefinisikan konfederasi vendor
yang menawarkan non relasional, produk, database multidimensi yang
ditunjuk untuk pengambilan keputusan mendukung.
- Decision Support
- Contoh : Dengan menganalisis data di masa lalu, aplikasi OLAP berhasil
mengidentifikasi produk apa yang disukai di daerah tertentu (ternyata ada
perbedaan preferensi konsumen antar wilayah pemasaran). 

OLTP OLAP
Users IT professional Knowladge worker

Function Day to day operations Decision support

DB design Application-oriented Subject-oriented

Data Current, Up-to-date Historical, Summarized

Usage Repetitive Ad-hoc

DB size 100MB-GB 100GB-TB

2. Terkait dengan Data Warehouse

a. Subject Oriented (Berorientasi Objek)

Data warehouse memiliki ciri subject oriented yang berarti dalam desain
sistem untuk menganalisis didasari oleh subjek-subjek tertentu yang berkaitan
dengan organisasi. Misalnya untuk organisasi asuransi subjek yang terkait dan
dalam skala mayor adalah pelanggan, kebijakan, dan klaim. Untuk penjualan,
subjek yang berskala mayor contohnya adalah transaksi penjualan, produk, toko
atau cabang.

b. Integrated (Terintegrasi)
Proses integrasi antar data di data warehouse tidak mampu dipecah karena
dibutuhkan sebuah konsistensi yang menjadikan setiap bagiannya saling
terhubung satu sama lain. Hal ini dapat ditunjang dengan cara menerapkan
konsistensi dalam pemberian nama variabel, atribut fisik, ukuran variabel, dan
struktur pengkodean. Misalnya jika di internal memiliki satuan ukur panjang
dengan satuan cm, sedangkan di external source menggunakan mm, maka bisa di
pilih salah satu satuan yang menjadi patokan sehingga semua satuan terintegrasi
menjadi satu dan sama.

c. Time Variant (Rentang Waktu)

Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada
rentang waktu tertentu. Data warehouse selalu menyerap apa pun yang telah di-
load oleh data warehouse dari awal terbentuknya data warehouse hingga yang
paling terbaru. Semua data akan dijadikan bahan analisis dan pengambil
keputusan yang valid pada rentan waktu tertentu, misalnya harian, mingguan,
bulanan, tahunan, dan nilai waktu lainnya. Misalnya, dilakukan time stamping
atau pemberian tanggal transaksi untuk tiap record.

d. Non-Volatile
Data yang ada pada data warehouse tidak dapat diperbaharui atau di update,
tetapi hanya dapat di refresh dari data operasional atau sumber data berdasarkan
waktu yang telah ditentukan. Data yang baru selalu ditambahkan sebagai
suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database
tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental
disatukan dengan data sebelumnya. Misalnya, ketika memasukkan data baru,
simpanan data yang lama tidak akan terhapus. Sehingga, perusahaan akan tetap
memiliki historical data yang berfungsi memprediksi trend/peluang di masa
depan.

3. Multidimensional data model (fact table, dimension, measure)

Multidimensional data model adalah metode yang digunkaan untuk mengurutkan data
dalam basis data disertai dengan pengaturan yang baik dalam basis data.
a. Fact table
 Fact table adalah table utama dalam model dimensi dimana numerik pengukuran
kinerja bisnis disimpan. Komponen ini memiliki ciri antara lain untuk
menampung Sebagian besar data pada data warehouse.

b. Dimension
Dimension table adalah pendamping integral dari table fakta. Di sebuah model
dimensi yang dirancang dengan baik, tabel dimensi memiliki banyak atribut atau
kolom. Atribut ini menggambarkan baris dalam tabel dimensi. Atribut dimensi
berfungsi sebagai sumber utama batas kueri, pengelompokan, dan label laporan.
Misalnya, saat pengguna ingin melihat penjualan per minggu menurut merek,
minggu dan merek harus tersedia sebagai dimensi atribut. Banyaknya jumlah
dimension table ini tergantung dari banyaknya jumlah atribut dimensi pada fact
table, artinya setiap satu atribut dimensi pada fact table dipastikan memiliki satu
dimension table.

c. Measure
Measure (Pengukuran) adalah baris dalam table fakta. Semua pengukuran dalam
table fakta harus berada pada grain yang sama.