Bab 6 Sistem Informasi Management

Machine Translated by Google
Bab 6
Yayasan Bisnis
Intelijen: Database dan
Manajemen informasi
TUJUAN PEMBELAJARAN GARIS BESAR BAB

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

data, dan jaminan kualitas data penting Perancangan Basis Data, Normalisasi, dan
untuk mengelola sumber daya data Diagram Entitas-Hubungan
perusahaan? Pengantar SQL
Model Data Hirarkis dan Jaringan
Sesi Interaktif:
Data Besar, Hadiah Besar
Kontroversi Berputar di Sekitar

Produk Konsumen
Basis Data Keamanan
SISTEM BAE
dari organisasi kedirgantaraan dan pertahanan komersial terbesar di Eropa. Ini tinggi
teknologi, produk dan layanan berbasis informasi berkisar dari salah satu dunia
BAE Systems (BAE) adalah perusahaan manufaktur terbesar dan satu-satunya di Britania Raya
pesawat tempur multi-peran yang paling mumpuni, Eurofighter Typhoon, hingga keluarga
pesawat komersial Jetstream, hingga penyediaan teknologi informasi dan sistem informasi untuk e-
bisnis untuk mengembangkan dan mengimplementasikan layanan logistik, TI, dan kemampuan
elektronik. Dengan lokasi 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 terhambat oleh sistem informasi lama yang mendukung desain berbantuan komputer
( CAD ) dan computer-aided manufacturing (CAM) pesawatnya. Sifat terdistribusi dari situs
desain dan manufaktur BAE berarti bahwa menyimpan dan menganalisis kumpulan data
operasional yang akurat yang menggambarkan komponen kompleks dari berbagai jenis pesawat
untuk menghasilkan laporan perakitan pesawat untuk lini produksi menjadi semakin menantang
dan menghabiskan sumber daya. Data yang menggambarkan bagian komponen pesawat yang
sama mungkin memerlukan resolusi, seperti dalam kasus berbagai konvensi dan kode penamaan bagian.
Mengakses data dari banyak sistem merupakan tugas rumit yang melibatkan banyak tantangan
teknis. Seiring pertumbuhan bisnis pesawat BAE, demikian pula kemungkinan keterlambatan
dalam pembuatan laporan perakitan pesawat dan set data operasi lainnya yang diperlukan untuk
pengambilan keputusan manajemen produksi pesawat. Dalam kasus terburuk, produksi pesawat
di jalur perakitan akan berhenti sampai tersedia informasi yang akurat, dengan konsekuensi jadwal
dan implikasi biaya. Staf CAD/CAM BAE menyimpan dan menganalisis set data yang bersumber
dari 5 situs desain dan manufaktur pesawat utama yang tersebar di seluruh Inggris, masing-
masing menampung ribuan staf yang terlibat dalam proses desain dan manufaktur, sehingga
laporan perakitan dan data operasi lainnya dapat diproduksi . Meskipun data yang diproses oleh
sistem warisan disimpan terutama dalam file komputer, ada banyak kesempatan ketika gambar
kertas dengan anotasi yang
berisi desain komponen dan
informasi pembuatan digunakan
untuk merekonsiliasi ambiguitas
dan ketidakkonsistenan dalam perakitan.
laporan bly. Ketika ambiguitas
dan ketidakkonsistenan data
ini terjadi, hal ini menimbulkan
rasa ketidakpastian dalam
laporan majelis yang dihasilkan.
Yang dibutuhkan BAE adalah dosa
gle untuk data CAD/CAM yang
juga akan memudahkan
integrasi data yang disimpan
dalam sistem warisannya.
Perusahaan memutuskan
untuk mengganti sistem
warisannya dengan sistem
manajemen pengetahuan yang
© Kristoffer Tripplaar/Alamy
luas yang akan membawa desain dan manu
239
240 Bagian Kedua Infrastruktur Teknologi Informasi
memfaktur data ke dalam database tunggal yang dapat diakses secara bersamaan oleh insinyur
desain dan manufaktur. BAE menerapkan perangkat lunak manajemen siklus hidup produk
Teamcenter dari Siemens dan perangkat lunak CATIA CAD/CAM dari Dassault Systemes. Teamcenter
juga dapat dikonfigurasi untuk memanfaatkan perkembangan terbaru dalam komputasi awan
menggunakan Microsoft Azure, IBM SmartCloud Enterprise+, dan Amazon Web Services.
Menyatukan Teamcenter dari Siemens dan CATIA dari Dassault Systemes telah memberi BAE
Systems alat manajemen data terintegrasi yang kuat. Database Teamcenter menyertakan alat untuk
markup komponen dan kapabilitas rollup yang memungkinkan pengguna memvisualisasikan efek
perubahan desain komponen dan pemilihan konfigurasi secara real-time.
Solusi baru ini telah menghasilkan penghematan biaya yang signifikan di BAE dalam hal desain
dan pembuatan manajemen dan penyimpanan data, sekaligus meningkatkan kinerja. Dengan sistem
lama dan file data yang lebih sedikit untuk dikelola, BAE telah mampu memenuhi persyaratan kualitas,
waktu dan biaya dengan mampu menghasilkan definisi dan konfigurasi komponen pesawat yang
lengkap dan akurat. Teknologi basis data manufaktur dan desain baru BAE telah meningkatkan
kecepatan ke pasar dengan menyinkronkan CAD hulu dan definisi komponen CAM hilir, sehingga
memungkinkan koordinasi lintas disiplin yang lebih baik. Dengan penghematan ini, perusahaan dapat
menggunakan lebih banyak sumber daya untuk meningkatkan pengelolaan data di seluruh perusahaan.
Sumber: “BAE Systems Half-Yearly Report and Presentation 2012” www.baesystems.com, diakses 8 November
2012; “Pusat tim mendukung pesawat melalui siklus 50 tahun: BAE Systems Military Air Solutions” www.
plm.automation.siemens.com, diakses 8 November 2012; “Lembar Fakta CATIA V5” www.3ds.com, diakses 8
November 2012.
Kasus disumbangkan oleh Robert Manderson, University of Roehampton
Pengalaman BAE Systems

kinerja tergantung padamenggambarkan pentingnyadatanya.
keakuratan dan keandalan manajemen data. Bisnis
Perusahaan telah mengembangkan
bisnisnya, tetapi efisiensi CAD/CAM operasional dan pengambilan keputusan manajemen produksi
terhambat oleh data yang disimpan dalam sistem lama yang sulit diakses.
Bagaimana bisnis menyimpan, mengatur, dan mengelola data mereka berdampak besar pada
efektivitas organisasi.
Diagram pembukaan bab 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 warisan besar yang membuatnya sangat sulit
untuk diambil kembali, disatukan dengan benar sehingga dapat digunakan dalam perakitan jalur
produksi komponen pesawat terbang . Data sering berlebihan dan tidak konsisten, membatasi
kegunaannya. Manajemen tidak dapat memperoleh pandangan perusahaan tentang perusahaan.
Di masa lalu, BAE Systems telah menggunakan proses kertas manual untuk merekonsiliasi data
yang tidak konsisten dan berlebihan serta mengumpulkan data untuk pelaporan manajemen. Solusi ini
sangat memakan waktu dan mahal serta mencegah departemen teknologi informasi perusahaan
melakukan pekerjaan bernilai lebih tinggi. Solusi yang lebih tepat adalah menginstal perangkat keras
dan perangkat lunak baru untuk membuat repositori seluruh perusahaan untuk informasi bisnis yang
akan mendukung rangkaian aplikasi bisnis yang lebih ramping. Perangkat lunak baru termasuk
perangkat lunak perusahaan yang terintegrasi dengan sistem manajemen basis data terkini yang
dapat memasok data untuk pelaporan seluruh perusahaan. Perusahaan harus mengatur ulang datanya
menjadi format standar perusahaan, menghilangkan redudansi, dan menetapkan aturan, tanggung
jawab, dan prosedur untuk memperbarui dan menggunakan data.
Perangkat lunak sistem manajemen basis data 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. Data 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 Kecerdasan Bisnis: Basis Data dan Manajemen Informasi 241
6.1 MENGATUR DATA DALAM LINGKUNGAN

FILE TRADISIONAL
Sistem informasi yang efektif memberikan informasi yang akurat, tepat
waktu, dan relevan kepada pengguna. Informasi yang akurat bebas dari kesalahan.
Informasi tepat waktu ketika tersedia bagi pembuat keputusan ketika
Sebuah
dibutuhkan. Informasi dianggap relevan jika berguna dan sesuai
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 tertata dan terpelihara dengan baik. Itu sebabnya manajemen data sangat
penting. Untuk memahami masalahnya, mari kita lihat bagaimana sistem informasi
mengatur data dalam file komputer dan metode manajemen file tradisional.
SYARAT DAN KONSEP ORGANISASI FILE

Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit dan
byte dan berlanjut ke field, record, file, dan database (lihat Gambar 6.1).
Bit mewakili unit data terkecil yang dapat ditangani komputer. Sekelompok bit,
yang disebut byte, mewakili satu karakter, yang bisa berupa huruf, angka, atau
simbol lainnya. Pengelompokan karakter menjadi kata, kelompok kata, atau
nomor lengkap (seperti nama atau usia seseorang) disebut bidang. Sekelompok
bidang terkait, seperti nama siswa, kursus yang diambil, tanggal, dan nilai,
terdiri dari catatan ; sekelompok record dengan tipe yang sama disebut file .
Sebagai contoh, catatan pada Gambar 6.1 dapat berupa file kursus siswa.
Sekelompok file terkait membentuk database. File kursus siswa yang diilustrasikan
pada Gambar 6.1 dapat dikelompokkan dengan file sejarah pribadi siswa dan latar
belakang keuangan untuk membuat database siswa.
Catatan menggambarkan entitas. Entitas 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 entitas COURSE. Nilai spesifik
yang dapat dimiliki atribut ini ditemukan di bidang catatan yang menjelaskan
KURSUS entitas.
GAMBAR 6.1 HIERARKI DATA
Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit, yang mewakili 0 atau 1. Bit dapat
dikelompokkan untuk membentuk byte yang mewakili satu karakter, angka, atau simbol. Byte dapat dikelompokkan
untuk membentuk bidang, dan bidang terkait dapat dikelompokkan untuk membentuk catatan. Catatan terkait
dapat dikumpulkan untuk membentuk file, dan file terkait dapat diatur ke dalam database.
MASALAH DENGAN FILE TRADISIONAL

LINGKUNGAN
Di sebagian besar organisasi, sistem cenderung tumbuh secara mandiri tanpa rencana
di seluruh perusahaan. Akuntansi, keuangan, manufaktur, sumber daya manusia, dan
penjualan dan pemasaran semuanya mengembangkan sistem dan file data mereka sendiri.
Gambar 6.2 mengilustrasikan pendekatan tradisional untuk pemrosesan informasi.
Setiap aplikasi, tentu saja, membutuhkan file dan program komputernya sendiri untuk
beroperasi. Misalnya, bidang fungsional sumber daya manusia mungkin memiliki file
induk personalia, file penggajian, file asuransi kesehatan, file pensiun, file milis, dan
seterusnya 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. Seiring proses ini berlangsung
selama 5 atau 10 tahun, organisasi dibebani dengan ratusan program dan aplikasi yang
sangat sulit dipelihara dan dikelola. Masalah yang dihasilkan adalah redundansi data
dan inkonsistensi,
GAMBAR 6.2 PENGOLAHAN FILE TRADISIONAL
Penggunaan pendekatan tradisional untuk pemrosesan file mendorong setiap area fungsional dalam perusahaan
untuk mengembangkan aplikasi khusus. Setiap aplikasi memerlukan file data unik yang kemungkinan merupakan
subset dari file master. Subset dari file master ini menyebabkan redundansi dan inkonsistensi data, ketidakfleksibelan
pemrosesan, dan pemborosan sumber daya penyimpanan.
ketergantungan program-data, ketidakfleksibelan, keamanan data yang buruk, dan

ketidakmampuan untuk berbagi data antar aplikasi.
Redundansi dan Inkonsistensi Data Redundansi data

adalah adanya duplikasi data dalam beberapa file data sehingga data yang sama disimpan di
lebih dari satu tempat atau lokasi. Pengulangan data terjadi ketika kelompok yang berbeda
dalam suatu organisasi secara mandiri mengumpulkan bagian data yang sama dan menyimpannya
secara terpisah satu sama lain. Pengulangan data memboroskan sumber daya penyimpanan
dan juga menyebabkan inkonsistensi data, di mana atribut yang sama mungkin memiliki nilai
yang berbeda. Misalnya, dalam contoh entitas COURSE yang diilustrasikan pada Gambar 6.1,
Tanggal dapat diperbarui di beberapa sistem tetapi tidak di sistem lainnya. 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 lain mungkin
menggunakan ID, misalnya.
Kebingungan tambahan mungkin dihasilkan dari penggunaan sistem pengkodean yang
berbeda untuk mewakili nilai atribut. Misalnya, penjualan, inventaris, dan sistem manufaktur
pengecer pakaian mungkin menggunakan kode yang berbeda untuk mewakili ukuran pakaian.
Satu sistem mungkin mewakili ukuran pakaian sebagai "ekstra besar", sedangkan sistem lain
mungkin menggunakan kode "XL" untuk tujuan yang sama. Kebingungan yang dihasilkan akan
mempersulit perusahaan untuk membuat manajemen hubungan pelanggan, manajemen rantai
pasokan, atau sistem perusahaan yang mengintegrasikan data dari berbagai sumber.
Ketergantungan Program-Data
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 data. Setiap program
komputer tradisional harus menggambarkan lokasi dan sifat data yang digunakannya.
Dalam lingkungan file tradisional, setiap perubahan dalam program perangkat lunak
dapat memerlukan perubahan data yang diakses oleh program tersebut. Satu program
mungkin 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
memerlukan kode pos lima digit tidak akan berfungsi dengan baik. Perubahan semacam
itu dapat menelan biaya jutaan dolar untuk diterapkan dengan benar.
Kurangnya Fleksibilitas
Sebuah sistem file tradisional dapat mengirimkan laporan terjadwal rutin setelah upaya
pemrograman yang ekstensif, tetapi tidak dapat mengirimkan laporan ad hoc atau
menanggapi kebutuhan informasi yang tidak terduga secara tepat waktu. Informasi yang
dibutuhkan oleh permintaan ad hoc ada di suatu tempat di sistem tetapi mungkin terlalu
mahal untuk diambil kembali. Beberapa pemrogram mungkin harus bekerja selama berminggu-
minggu untuk menyusun item data yang diperlukan dalam file baru.
Keamanan yang
Buruk Karena hanya ada sedikit kontrol atau pengelolaan data, akses dan penyebaran
informasi mungkin tidak terkendali. Manajemen mungkin tidak memiliki cara untuk mengetahui
siapa yang mengakses atau bahkan membuat perubahan pada data organisasi.
Kurangnya Berbagi dan Ketersediaan Data Karena potongan

informasi dalam file yang berbeda dan bagian organisasi yang berbeda tidak dapat
dihubungkan satu sama lain, hampir tidak mungkin informasi dibagikan atau diakses secara
tepat waktu. Informasi tidak dapat mengalir dengan bebas melintasi area fungsional yang
berbeda atau bagian organisasi yang berbeda. Jika pengguna menemukan nilai yang
berbeda dari informasi yang sama di dua sistem yang berbeda, mereka mungkin tidak ingin
menggunakan sistem ini karena mereka tidak dapat mempercayai keakuratan data mereka.
6.2 PENDEKATAN DATABASE UNTUK

MANAJEMEN DATA
Teknologi basis data mengatasi banyak masalah organisasi file tradisional. Definisi
yang lebih ketat dari database adalah kumpulan data yang diatur untuk melayani
banyak aplikasi secara efisien dengan memusatkan data dan mengendalikan data
yang berlebihan. Daripada menyimpan data dalam file terpisah untuk setiap aplikasi,
data tampaknya disimpan oleh pengguna hanya di satu lokasi. Satu database 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 satu database sumber daya manusia yang umum.
SISTEM MANAJEMEN DATABASE

Sistem manajemen basis data (DBMS) adalah perangkat lunak yang memungkinkan
organisasi 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 meminta item data,
seperti pembayaran kotor, DBMS menemukan item ini dalam database dan
menyajikannya ke program aplikasi. Menggunakan file data tradisional, pemrogram
harus menentukan ukuran dan format setiap elemen data yang digunakan dalam
program dan kemudian memberi tahu komputer di mana mereka berada.
DBMS membebaskan pemrogram atau pengguna akhir dari tugas memahami di

mana dan bagaimana data sebenarnya disimpan dengan memisahkan tampilan logis
dan fisik data. Tampilan logis menyajikan data seperti yang akan dirasakan oleh
pengguna akhir atau spesialis bisnis, sedangkan tampilan fisik menunjukkan
bagaimana data sebenarnya diatur dan disusun pada media penyimpanan fisik.
Perangkat lunak manajemen basis data membuat basis data fisik tersedia untuk
berbagai tampilan logis yang diperlukan oleh pengguna. Misalnya, untuk database
sumber daya manusia yang diilustrasikan pada Gambar 6.3, spesialis manfaat
mungkin memerlukan tampilan yang terdiri dari nama karyawan, nomor jaminan
sosial, dan pertanggungan asuransi kesehatan. 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,
sehingga dapat dikelola dengan lebih mudah oleh organisasi.
Bagaimana DBMS Memecahkan Masalah Lingkungan File Tradisional

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 seluruhnya, tetapi dapat membantu mengendalikan
redundansi. Bahkan jika organisasi memelihara beberapa data redundan,
menggunakan DBMS menghilangkan ketidakkonsistenan data karena DBMS dapat
membantu organisasi memastikan bahwa setiap kemunculan data redundan memiliki
nilai yang sama. DBMS memisahkan program dan data, memungkinkan data berdiri
GAMBAR 6.3 DATABASE SUMBERDAYA MANUSIA DENGAN MULTIPLE VIEW
Satu database sumber daya manusia menyediakan banyak tampilan data yang berbeda, bergantung
pada kebutuhan informasi pengguna. Diilustrasikan di sini adalah dua pandangan yang mungkin, 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 basis data. DBMS memungkinkan organisasi untuk
mengelola data, penggunaan, dan keamanannya secara terpusat.
DBMS Relasional 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 dan mainframe yang lebih besar adalah DBMS relasional.
Database relasional merepresentasikan data sebagai tabel dua dimensi (disebut relasi).
Tabel dapat disebut sebagai file. Setiap tabel berisi data pada entitas dan atributnya.
Microsoft Access adalah DBMS relasional untuk sistem desktop, sedangkan DB2,
Oracle Database, dan Microsoft SQL Server adalah DBMS relasional untuk mainframe
besar dan komputer kelas menengah. MySQL adalah DBMS sumber terbuka 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-kisi kolom dan
GAMBAR 6.4 TABEL DATABASE RELASI
Database relasional mengatur data dalam bentuk tabel dua dimensi. Diilustrasikan di sini adalah tabel untuk entitas SUPPLIER dan PART yang
menunjukkan bagaimana mereka merepresentasikan setiap entitas dan atributnya. Supplier_Number adalah primary key untuk tabel SUPPLIER dan
foreign key untuk tabel PART.
deretan data. Setiap elemen data individual untuk setiap entitas disimpan sebagai bidang terpisah,
dan setiap bidang mewakili atribut untuk entitas tersebut. Bidang dalam database relasional juga
disebut kolom. Untuk entitas PEMASOK, nomor identifikasi pemasok, nama, jalan, kota, negara
bagian, dan kode pos disimpan sebagai bidang terpisah dalam tabel PEMASOK dan setiap bidang
mewakili atribut untuk entitas PEMASOK.
Informasi aktual tentang pemasok tunggal yang berada dalam sebuah tabel disebut baris. Baris
biasanya disebut sebagai catatan, atau dalam istilah yang sangat teknis, sebagai tupel. Data untuk
PART entitas memiliki tabel tersendiri.
Bidang untuk Supplier_Number dalam tabel SUPPLIER secara unik mengidentifikasi setiap
catatan sehingga catatan dapat diambil, diperbarui, atau diurutkan. Ini disebut bidang kunci. Setiap
tabel dalam database relasional memiliki satu bidang yang ditetapkan sebagai kunci utamanya.
Bidang kunci ini adalah pengidentifikasi unik untuk semua informasi di setiap baris tabel dan kunci
utama ini tidak dapat diduplikasi. Supplier_Number adalah primary key untuk tabel SUPPLIER dan
Part_Number adalah primary key untuk tabel PART. Perhatikan bahwa Supplier_Number muncul di
tabel SUPPLIER dan PART. Dalam tabel SUPPLIER, Supplier_Number adalah primary key. Saat
bidang Supplier_Number muncul di tabel PART, itu disebut kunci asing dan pada dasarnya adalah
bidang pencarian untuk mencari data tentang pemasok bagian tertentu.
Pengoperasian DBMS Relasional Tabel basis data

relasional dapat digabungkan dengan mudah untuk mengirimkan data yang dibutuhkan oleh
pengguna, asalkan ada dua tabel yang memiliki elemen data yang sama. Misalkan kita ingin
menemukan dalam database ini nama pemasok yang dapat memberi kita nomor bagian 137 atau
nomor bagian 150. Kita memerlukan informasi dari dua tabel: tabel PEMASOK 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. Operasi
pilih membuat subset yang terdiri dari semua catatan dalam file yang memenuhi kriteria yang dinyatakan.
Pilih membuat, dengan kata lain, subkumpulan baris yang memenuhi kriteria tertentu. Dalam contoh
kita, kita ingin memilih record (baris) dari tabel PART di mana Part_Number sama dengan 137 atau
150. Operasi gabungan menggabungkan tabel relasional untuk memberi pengguna lebih banyak
informasi daripada yang tersedia di tabel individual.
Dalam contoh kita, kita ingin menggabungkan tabel PART yang sekarang dipersingkat (hanya
bagian 137 atau 150 yang akan ditampilkan) dan tabel SUPPLIER menjadi satu tabel baru.
Operasi proyek 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.
Database Non-Relasional dan Database di Cloud Selama lebih dari 30 tahun, teknologi
database relasional telah menjadi standar emas.
Komputasi awan, volume data yang belum pernah terjadi sebelumnya, beban kerja masif untuk
layanan Web, dan kebutuhan untuk menyimpan jenis data baru memerlukan alternatif basis data
untuk model relasional tradisional dalam mengatur data dalam bentuk tabel, kolom, dan baris.
Perusahaan beralih ke teknologi database non-relasional "NoSQL" untuk tujuan ini. Sistem
manajemen basis data 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 permintaan sederhana
terhadap volume besar terstruktur dan
Operasi
pilih,
gabung,
dan
proyek
memungkinkan
data
dari
dua
tabel
berbeda
digabungkan
dan
hanya
atribut
terpilih
yang
ditampilkan.
GAMBAR
6.5
TIGA
OPERASI
DASAR
DBMS
RELASI
data tidak terstruktur, termasuk Web, media sosial, grafik, dan bentuk data lain yang sulit dianalisis
dengan alat berbasis SQL tradisional.
Ada beberapa jenis database NoSQL, masing-masing dengan fitur dan perilaku teknisnya sendiri.
Oracle NoSQL Database adalah salah satu contohnya, seperti SimpleDB milik Amazon, salah satu
Amazon Web Services yang berjalan di cloud. SimpleDB menyediakan antarmuka layanan Web
sederhana untuk membuat dan menyimpan beberapa kumpulan data, meminta data dengan mudah,
dan mengembalikan hasilnya. Tidak perlu menentukan struktur database formal atau mengubah
definisi tersebut jika data baru ditambahkan nanti.
Amazon dan vendor komputasi awan lainnya juga menyediakan layanan basis data relasional.
Amazon Relational Database Service (Amazon RDS) menawarkan MySQL, SQL Server, atau Oracle
Database sebagai mesin database. Harga didasarkan pada penggunaan. Oracle memiliki Layanan
Cloud Database sendiri menggunakan Oracle Database 11g relasionalnya, dan Microsoft SQL Azure
Database adalah layanan database relasional berbasis cloud berdasarkan DBMS SQL Server
Microsoft. Layanan manajemen data berbasis cloud memiliki daya tarik khusus untuk start-up yang
berfokus pada Web atau usaha kecil hingga menengah yang mencari kemampuan database dengan
harga lebih rendah daripada produk database internal.
TicketDirect, yang menjual tiket konser, acara olahraga, pertunjukan teater, dan film di Australia
dan Selandia Baru, mengadopsi platform cloud SQL Azure Database untuk meningkatkan pengelolaan
beban sistem puncak selama penjualan tiket besar. Ini memigrasikan datanya ke database SQL
Azure. Dengan beralih ke solusi cloud, TicketDirect dapat menskalakan sumber daya komputasinya
sebagai respons terhadap permintaan waktu nyata sekaligus menjaga biaya tetap rendah.
Selain layanan pengelolaan data berbasis cloud publik, perusahaan kini 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. Basis data terkonsolidasi yang mencakup
kumpulan server standar yang menjalankan Oracle Database 11g menyediakan layanan basis data
untuk berbagai aplikasi. Alat manajemen beban kerja memastikan sumber daya yang cukup tersedia
untuk memenuhi kebutuhan aplikasi bahkan saat beban kerja berubah. Platform perangkat keras dan
perangkat lunak bersama mengurangi jumlah server, DBMS, dan perangkat penyimpanan yang
diperlukan untuk proyek ini, yang terdiri dari aplikasi perjalanan maskapai kustom bersama dengan
kereta api, hotel, dan aplikasi industri perjalanan lainnya (Baum, 2011).
Cloud pribadi menggabungkan server, penyimpanan, sistem operasi, basis data, dan beban kerja
campuran ke infrastruktur perangkat keras dan perangkat lunak bersama. Menyebarkan database
pada cloud pribadi yang terkonsolidasi memungkinkan departemen TI untuk meningkatkan kualitas
tingkat layanan dan mengurangi biaya modal dan operasional. Semakin tinggi kepadatan konsolidasi
yang dicapai, semakin besar pengembalian investasi.
KEMAMPUAN SISTEM MANAJEMEN DATABASE

DBMS mencakup kemampuan dan alat untuk mengatur, mengelola, dan mengakses data dalam basis
data. Yang paling penting adalah bahasa definisi data, kamus data, dan bahasa manipulasi data.
DBMS memiliki kemampuan definisi data untuk menentukan struktur isi database. Ini akan
digunakan untuk membuat tabel database dan untuk
menentukan karakteristik bidang di setiap tabel. Informasi ini tentang
database akan didokumentasikan dalam kamus data. Kamus data adalah file otomatis atau manual
yang menyimpan definisi elemen data dan elemennya
karakteristik.
Microsoft Access memiliki kemampuan kamus data yang belum sempurna yang
menampilkan informasi tentang nama, deskripsi, ukuran, tipe, format, dan properti lain dari
setiap bidang dalam sebuah 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.
Permintaan dan Pelaporan DBMS

mencakup alat untuk mengakses dan memanipulasi informasi dalam basis data.
Sebagian besar DBMS memiliki bahasa khusus yang disebut 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
Structured Query Language, atau SQL. Gambar 6.7 mengilustrasikan kueri SQL yang akan
menghasilkan tabel resultan baru pada Gambar 6.5. Anda dapat mengetahui lebih lanjut
tentang cara melakukan kueri SQL di Jalur 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
ramah penggunanya sendiri untuk membuat kueri basis data dan untuk mengatur data dari
basis data menjadi laporan yang lebih halus.
Di Microsoft Access, Anda akan menemukan fitur yang memungkinkan pengguna membuat
kueri dengan mengidentifikasi tabel dan bidang yang mereka inginkan 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 dengan kueri SQL untuk memilih suku cadang dan pemasok akan dibangun
menggunakan alat pembuat kueri Microsoft.
GAMBAR 6.6 FITUR KAMUS DATA AKSES
Microsoft Access memiliki kemampuan kamus data dasar yang menampilkan informasi tentang
ukuran, format, dan karakteristik lain dari setiap bidang dalam database. 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 QUERY SQL
Diilustrasikan di sini adalah pernyataan SQL untuk kueri 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 kemampuan untuk pembuatan laporan
sehingga data yang menarik dapat ditampilkan dalam format yang lebih terstruktur dan
terpoles daripada yang mungkin dilakukan hanya dengan kueri. Crystal Reports adalah
pembuat 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 DATABASE
Untuk membuat database, Anda harus memahami hubungan antar data, tipe data yang
akan dipertahankan dalam database, bagaimana data akan digunakan, dan bagaimana
organisasi perlu diubah untuk mengelola data dari perspektif seluruh perusahaan. . Basis
data membutuhkan desain konseptual dan desain fisik. Desain konseptual, atau logis, dari
database adalah model abstrak database dari perspektif bisnis, sedangkan desain fisik
menunjukkan bagaimana database sebenarnya diatur pada perangkat penyimpanan akses
langsung.
GAMBAR 6.8 QUERY AKSES
Diilustrasikan di sini adalah bagaimana kueri pada Gambar 6.7 akan dibuat menggunakan alat pembuat
kueri Microsoft Access. Ini memperlihatkan tabel, bidang, dan kriteria pemilihan yang digunakan untuk kueri.
GAMBAR 6.9 HUBUNGAN UNNORMALIZED UNTUK ORDER
Relasi yang tidak dinormalisasi berisi grup berulang. Misalnya, ada banyak suku cadang dan pemasok untuk setiap pesanan. Hanya
ada korespondensi satu-ke-satu antara Nomor_Pesanan dan Tanggal_Pesanan.
Normalisasi dan Diagram Entitas-Hubungan Desain basis data

konseptual menjelaskan bagaimana elemen data dalam basis data akan
dikelompokkan. Proses desain mengidentifikasi hubungan antara elemen
data dan cara yang paling efisien untuk mengelompokkan elemen data
bersama untuk memenuhi persyaratan informasi bisnis. Proses juga
mengidentifikasi elemen data redundan 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 janggal. 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 bisnis tertentu yang dimodelkan di sini, pesanan dapat memiliki lebih dari satu
bagian tetapi setiap bagian hanya disediakan oleh satu pemasok. Jika kita membuat relasi
yang disebut ORDER dengan semua bidang yang disertakan di sini, kita harus mengulang
nama dan alamat pemasok untuk setiap suku cadang pada pesanan, meskipun pesanan
untuk suku cadang dari pemasok tunggal. Hubungan ini mengandung apa yang disebut
grup data berulang karena bisa 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 melangkah 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 NORMALISASI YANG DIBUAT DARI PESANAN
Setelah normalisasi, relasi awal ORDER telah dipecah menjadi empat relasi yang lebih kecil. Relasi ORDER dibiarkan dengan hanya dua atribut
dan relasi LINE_ITEM memiliki kunci gabungan, atau gabungan, yang terdiri dari Order_Number dan Part_Number.
diagram entitas-hubungan, dan desain basis data di Jalur Pembelajaran untuk bab ini.
Sistem database relasional mencoba menerapkan aturan integritas referensial

untuk memastikan bahwa hubungan antara tabel yang digabungkan tetap konsisten.
Saat satu tabel memiliki kunci asing yang menunjuk ke tabel lain, Anda tidak boleh
menambahkan catatan ke tabel dengan kunci asing kecuali ada catatan terkait di tabel
tertaut. Dalam database yang kita periksa sebelumnya di bab ini, kunci asing
Supplier_Number menghubungkan tabel PART ke tabel SUPPLIER.
Kita tidak boleh menambahkan record baru ke tabel PART untuk part dengan Supplier_
Number 8266 kecuali ada record yang sesuai di tabel SUPPLIER untuk Supplier_Number
8266. Kita juga harus menghapus record yang sesuai di tabel PART jika kita menghapus
record di Tabel PEMASOK untuk Pemasok_ Nomor 8266. Dengan kata lain, kita tidak
boleh memiliki suku cadang dari pemasok yang tidak ada!
Perancang basis data mendokumentasikan model data mereka dengan diagram

entitas-hubungan, yang diilustrasikan pada Gambar 6.11. Diagram ini menggambarkan
relasi 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 diatapi tanda pendek menunjukkan hubungan satu-ke-banyak. Gambar 6.11
menunjukkan bahwa satu ORDER dapat memuat 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.
Hal ini tidak bisa cukup ditekankan: Jika bisnis tidak mendapatkan model datanya
dengan 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, rantai 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 basis datanya tidak
dirancang dengan baik. untuk menyesuaikan inventaris toko dengan cepat. Perusahaan
memiliki database relasional Oracle yang berjalan di komputer kelas menengah, tetapi
database tersebut dirancang terutama untuk menghasilkan laporan standar untuk
manajemen daripada untuk bereaksi terhadap perubahan pasar. Manajemen tidak dapat
memperoleh data yang akurat tentang item tertentu dalam inventaris 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 relasi antara entitas SUPPLIER, PART, LINE_ITEM, dan ORDER yang dapat digunakan untuk memodelkan
database pada Gambar 6.10.
6.3 MENGGUNAKAN DATABASE UNTUK MENINGKATKAN

KINERJA BISNIS DAN PENGAMBILAN KEPUTUSAN
Bisnis menggunakan database mereka untuk melacak transaksi dasar, seperti membayar pemasok,
memproses pesanan, melacak pelanggan, dan membayar karyawan.
Tetapi mereka juga memerlukan database untuk memberikan informasi yang akan membantu
perusahaan menjalankan bisnis secara lebih efisien, dan membantu manajer dan karyawan membuat
keputusan yang lebih baik. Jika sebuah perusahaan ingin mengetahui produk mana yang paling
populer atau siapa pelanggannya yang paling menguntungkan, jawabannya terletak pada data.
TANTANGAN DATA BESAR

Hingga sekitar lima tahun yang lalu, sebagian besar data yang dikumpulkan oleh organisasi terdiri
dari data transaksi yang dapat dengan mudah dimasukkan ke dalam baris dan kolom sistem
manajemen basis data relasional. Sejak saat itu, 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 smart meter, sensor manufaktur, dan peralatan listrik). meter) atau dari sistem
perdagangan elektronik. Data ini mungkin tidak terstruktur atau semi-terstruktur dan dengan demikian
tidak cocok untuk produk database relasional yang mengatur data dalam bentuk kolom dan baris.
Kami sekarang menggunakan istilah data besar untuk menggambarkan dataset ini dengan volume
yang sangat besar sehingga mereka berada di luar kemampuan DBMS biasa untuk menangkap,
menyimpan, dan menganalisis.
Data besar tidak mengacu pada jumlah tertentu, tetapi biasanya mengacu pada data dalam
rentang petabyte dan exabyte—dengan kata lain, miliaran hingga triliunan catatan, 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 terdapat lebih dari 25.000 penerbangan maskapai setiap hari. Meskipun
"tweet" masing-masing dibatasi hingga 140 karakter, Twitter menghasilkan lebih dari 8 terabyte data
setiap hari. Menurut firma riset teknologi Pusat Data Internasional (IDC), data meningkat lebih dari
dua kali lipat setiap dua tahun, sehingga jumlah data yang tersedia untuk organisasi meroket.
Bisnis tertarik pada big data karena dapat mengungkap 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 BISNIS INTELLIGENCE

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 perlukan
mungkin harus disatukan dari sistem terpisah, seperti penjualan, manufaktur, dan akuntansi, dan
bahkan dari sumber eksternal, seperti data demografis atau pesaing. Semakin banyak, Anda mungkin
perlu menggunakan data besar. Infrastruktur kontemporer untuk intelijen bisnis memiliki serangkaian
alat untuk mendapatkan informasi yang berguna dari semua jenis data 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 Mart Alat tradisional untuk

menganalisis data perusahaan selama dua dekade terakhir adalah gudang data. Gudang
data adalah database yang menyimpan data terkini dan historis yang berpotensi menarik
bagi pengambil keputusan di seluruh perusahaan. Data berasal dari banyak sistem transaksi
operasional inti, seperti sistem untuk penjualan, akun pelanggan, dan manufaktur, dan
mungkin termasuk data dari transaksi situs web. Gudang data mengekstrak data saat ini dan
historis dari berbagai 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 gudang data.
Gudang data membuat data tersedia bagi siapa saja untuk diakses sesuai kebutuhan,
tetapi tidak dapat diubah. Sebuah sistem gudang data juga menyediakan berbagai alat
permintaan ad hoc dan standar, alat analitis, dan fasilitas pelaporan grafis.
Perusahaan sering membangun gudang data di seluruh perusahaan, di mana gudang

data pusat melayani seluruh organisasi, atau mereka membuat gudang yang lebih kecil dan
terdesentralisasi yang disebut data mart. Data mart adalah subset dari gudang data di mana
sebagian data organisasi yang diringkas atau sangat terfokus ditempatkan dalam database
terpisah untuk populasi pengguna tertentu. Misalnya, sebuah perusahaan dapat
mengembangkan pemasaran dan penjualan data mart untuk menangani informasi
pelanggan. Penjual buku Barnes & Noble biasanya 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.
DBMS
Relasional Hadoop dan produk gudang data tidak cocok untuk mengatur dan menganalisis
data besar 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, organisasi menggunakan Hadoop.
Hadoop adalah kerangka kerja perangkat lunak open source yang dikelola oleh Apache
Software Foundation yang memungkinkan pemrosesan paralel terdistribusi data dalam
jumlah besar di seluruh komputer murah. Itu memecah masalah data besar menjadi sub-
masalah, mendistribusikannya di antara hingga ribuan node pemrosesan komputer yang
murah, dan kemudian menggabungkan hasilnya menjadi kumpulan data yang lebih kecil
yang lebih mudah dianalisis. Anda mungkin pernah menggunakan Hadoop untuk menemukan
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 berperforma
tinggi. HDFS menghubungkan bersama sistem file pada banyak node di kluster Hadoop
untuk mengubahnya menjadi satu sistem file besar. MapReduce Hadoop terinspirasi oleh
sistem MapReduce Google untuk memecah pemrosesan kumpulan data besar dan
menugaskan pekerjaan ke berbagai node dalam sebuah kluster. HBase, database non-
relasional Hadoop, menyediakan akses cepat ke data yang disimpan di HDFS dan platform
transaksional untuk menjalankan aplikasi real-time berskala tinggi.
Hadoop dapat memproses segala jenis data dalam jumlah besar, termasuk data
transaksional terstruktur, data terstruktur longgar seperti feed Facebook dan Twitter, data
kompleks seperti file log server Web, dan data audio dan video yang tidak terstruktur.
Hadoop berjalan di sekelompok server murah, 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 gudang data. Facebook menyimpan sebagian besar datanya di kluster 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 mengubah halaman beranda agar sesuai dengan minat mereka.
Firma riset ilmu kehidupan NextBio menggunakan Hadoop dan HBase untuk memproses data bagi
perusahaan farmasi yang melakukan penelitian genomik. Vendor basis data 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 di dalam Hadoop.
In-Memory Computing Cara lain untuk

memfasilitasi analisis big data adalah dengan menggunakan in-memory computing, yang
bergantung terutama pada memori utama komputer (RAM) untuk penyimpanan data.
(DBMS konvensional menggunakan sistem penyimpanan disk.) Pengguna mengakses data yang
disimpan dalam memori utama sistem, sehingga menghilangkan hambatan dalam mengambil dan
membaca data dalam basis data tradisional berbasis disk dan secara dramatis mempersingkat
waktu respons kueri. Pemrosesan dalam memori memungkinkan set data yang sangat besar,
sebesar ukuran data mart atau gudang data kecil, untuk berada sepenuhnya dalam memori.
Perhitungan bisnis yang rumit yang biasanya memakan waktu berjam-jam atau berhari-hari dapat
diselesaikan dalam hitungan detik, dan ini bahkan dapat dilakukan pada perangkat genggam.
Bab sebelumnya menjelaskan beberapa kemajuan dalam teknologi perangkat keras komputer
kontemporer yang memungkinkan pemrosesan dalam memori, seperti prosesor berkecepatan tinggi
yang kuat, pemrosesan multicore, dan turunnya harga memori komputer. Teknologi ini membantu
perusahaan mengoptimalkan penggunaan memori dan mempercepat kinerja pemrosesan sekaligus
menurunkan biaya.
Produk komersial terkemuka untuk in-memory computing termasuk SAP's High Performance
Analytics Appliance (HANA) dan Oracle Exalytics. Masing-masing menyediakan seperangkat
komponen perangkat lunak terintegrasi, termasuk perangkat lunak basis data dalam memori dan
perangkat lunak analitik khusus, yang dijalankan pada perangkat keras yang dioptimalkan untuk
pekerjaan komputasi dalam memori.
Centrica, utilitas gas dan listrik, menggunakan HANA untuk dengan cepat menangkap dan
menganalisis sejumlah besar data yang dihasilkan oleh smart meter. Perusahaan dapat menganalisis
penggunaan setiap 15 menit, memberikan gambaran penggunaan yang lebih jelas berdasarkan
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 alat online dan seluler.
Platform Analitik Vendor basis

data komersial telah mengembangkan platform analitik berkecepatan tinggi khusus 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 dirancang khusus untuk pemrosesan
kueri dan analitik. Misalnya, IBM Netezza menampilkan komponen basis data, server, dan
penyimpanan yang terintegrasi erat yang menangani kueri analitik kompleks 10 hingga 100 kali
lebih cepat daripada sistem tradisional. Platform analitik juga menyertakan 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 berbagai sistem operasional
bersama dengan data Web, data yang dihasilkan mesin, data audio/visual tidak terstruktur, dan
data dari sumber eksternal
GAMBAR 6.12 KOMPONEN DATA WAREHOUSE
Infrastruktur intelijen bisnis kontemporer menampilkan kemampuan dan alat untuk mengelola dan
menganalisis sejumlah besar dan berbagai jenis data dari berbagai sumber. Alat kueri dan pelaporan
yang mudah digunakan untuk pengguna bisnis biasa dan kumpulan alat analitik yang lebih canggih untuk
pengguna mahir disertakan.
yang telah direstrukturisasi dan ditata ulang untuk pelaporan dan analisis. Hadoop cluster melakukan pra-proses
data besar untuk digunakan di gudang data, data mart, atau platform analitik, atau untuk kueri langsung oleh
pengguna yang mahir. Output mencakup laporan dan dasbor serta hasil kueri. Bab 12 membahas berbagai jenis
pengguna BI dan pelaporan BI secara lebih rinci.
ALAT ANALISIS: 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 pembuatan kueri dan pelaporan
basis data, analisis data multidimensi (OLAP), dan penambangan data. Bagian ini akan memperkenalkan Anda
pada alat-alat ini, dengan detail lebih lanjut tentang analitik dan aplikasi intelijen bisnis di Bab 12.
Pemrosesan Analitik Online (OLAP)

Misalkan perusahaan Anda menjual empat produk yang berbeda—mur, baut, ring, dan sekrup—di wilayah Timur,
Barat, dan Tengah. Jika Anda ingin mengajukan pertanyaan yang cukup mudah, seperti berapa banyak mesin
cuci yang terjual selama kuartal terakhir, Anda dapat dengan mudah menemukan jawabannya dengan
menanyakan database penjualan Anda.
Namun 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 memerlukan pemrosesan analitik online (OLAP).
OLAP mendukung analisis data multidimensi, memungkinkan pengguna untuk melihat hal yang sama
data dengan cara yang berbeda menggunakan beberapa dimensi. Setiap aspek informasi—produk,
harga, biaya, wilayah, atau jangka waktu—mewakili dimensi yang berbeda.
Jadi, seorang manajer produk dapat menggunakan alat analisis data multidimensi untuk mempelajari
berapa banyak mesin cuci yang terjual di Timur pada bulan Juni, bagaimana perbandingannya
dengan bulan sebelumnya dan Juni sebelumnya, dan bagaimana perbandingannya dengan ramalan
penjualan. OLAP memungkinkan pengguna mendapatkan jawaban online untuk pertanyaan ad hoc
seperti ini dalam waktu yang cukup cepat, bahkan saat 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 penjualan yang diproyeksikan. Matriks penjualan aktual dapat ditumpuk di atas
matriks proyeksi penjualan untuk membentuk kubus dengan enam sisi.
Jika Anda memutar kubus 90 derajat satu arah, tampilan wajah akan menjadi produk versus penjualan
aktual dan proyeksi. Jika Anda memutar kubus 90 derajat lagi, Anda akan melihat wilayah versus
penjualan aktual dan proyeksi. 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. Sebuah perusahaan akan menggunakan basis data
multidimensi khusus atau alat yang menciptakan tampilan data multidimensi dalam basis data
relasional.
Penambangan Data
Kueri basis data tradisional menjawab pertanyaan seperti, "Berapa banyak unit produk nomor 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 per kuartal dan wilayah penjualan selama dua tahun terakhir." Dengan OLAP dan analisis
data berorientasi kueri, pengguna harus memiliki gagasan 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 peramalan
GAMBAR 6.13 MODEL DATA MULTIDIMENSI
Tampilan ini menunjukkan produk versus wilayah. Jika Anda memutar kubus 90 derajat, permukaan yang akan
ditampilkan adalah produk versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar kubus 90 derajat lagi, Anda
akan melihat wilayah versus penjualan aktual dan proyeksi. Tampilan lain dimungkinkan.
efek dari keputusan tersebut. Jenis informasi yang diperoleh dari data mining meliputi
asosiasi, urutan, klasifikasi, cluster, dan prakiraan.
• Asosiasi adalah kejadian yang terkait dengan satu peristiwa. Misalnya, studi tentang pola
pembelian supermarket mungkin mengungkapkan bahwa, ketika keripik jagung dibeli,
minuman cola dibeli 65 persen dari waktu, tetapi ketika ada promosi, cola dibeli 85
persen dari waktu. Informasi ini membantu manajer membuat keputusan yang lebih baik
karena mereka telah mempelajari profitabilitas promosi.
• Secara berurutan, peristiwa dihubungkan dari waktu ke waktu. Kita mungkin menemukan,
misalnya, jika sebuah rumah dibeli, kulkas baru akan dibeli dalam waktu dua minggu
sebanyak 65 persen dari waktu, dan sebuah oven akan dibeli dalam waktu satu bulan
setelah pembelian rumah sebanyak 45 persen dari waktu.
• Klasifikasi mengenali pola-pola yang menggambarkan kelompok tempat suatu
item milik dengan memeriksa item yang ada yang telah diklasifikasikan dan dengan
menyimpulkan seperangkat aturan. Misalnya, bisnis seperti perusahaan kartu kredit
atau telepon khawatir akan kehilangan pelanggan tetap. Klasifikasi membantu menemukan
karakteristik pelanggan yang cenderung pergi dan dapat memberikan model untuk
membantu manajer memprediksi siapa pelanggan tersebut sehingga manajer dapat
menyusun kampanye khusus untuk mempertahankan pelanggan tersebut. •
Pengelompokan bekerja dengan cara yang mirip dengan klasifikasi ketika tidak ada kelompok yang memilikinya
belum didefinisikan. Alat penambangan data dapat menemukan berbagai pengelompokan
dalam data, seperti menemukan grup afinitas untuk kartu bank atau mempartisi database
menjadi 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 memperkirakan nilai
lain apa yang akan terjadi. Misalnya, peramalan mungkin menemukan pola dalam data
untuk membantu manajer memperkirakan nilai masa depan variabel kontinu, seperti
angka penjualan.
Sistem ini melakukan analisis pola atau tren tingkat tinggi, tetapi mereka juga dapat
menelusuri untuk memberikan lebih banyak detail bila diperlukan. Ada aplikasi penambangan
data untuk semua area fungsional bisnis, dan untuk pemerintah dan karya ilmiah. Salah satu
penggunaan populer untuk penambangan data adalah untuk memberikan analisis rinci
tentang 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 korporat menggunakan informasi ini untuk membuat profil perjudian
terperinci, berdasarkan nilai berkelanjutan pelanggan tertentu bagi perusahaan. Misalnya,
penambangan data memungkinkan Caesars mengetahui pengalaman bermain game favorit
pelanggan reguler di salah satu kasino perahu sungainya, bersama dengan preferensi orang
tersebut untuk akomodasi kamar, restoran, dan hiburan. Informasi ini memandu keputusan
manajemen tentang cara memupuk pelanggan yang paling menguntungkan, mendorong
pelanggan tersebut untuk membelanjakan lebih banyak, dan menarik lebih banyak pelanggan
dengan potensi menghasilkan pendapatan yang tinggi. Intelijen bisnis meningkatkan
keuntungan Caesars sedemikian rupa sehingga menjadi inti dari strategi bisnis perusahaan.
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 salah satu
sumber utama data besar yang ingin dianalisis perusahaan. E-mail, memo, transkrip pusat
panggilan, respons 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. Alat penambangan teks sekarang tersedia untuk
membantu bisnis menganalisis data ini. Alat-alat ini dapat mengekstraksi 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. Perangkat lunak
analisis sentimen dapat menambang komentar teks dalam pesan email, blog, percakapan
media sosial, atau formulir survei untuk mendeteksi pendapat yang disukai dan tidak
disukai tentang subjek tertentu.
Misalnya, broker diskon Charles Schwab menggunakan software Attensity Analyze
untuk menganalisis ratusan ribu interaksi pelanggannya setiap bulan. Perangkat lunak ini
menganalisis catatan layanan pelanggan Schwab, email, tanggapan survei, dan diskusi
online untuk menemukan tanda-tanda ketidakpuasan yang dapat menyebabkan pelanggan
berhenti menggunakan layanan perusahaan.
Perhatian dapat secara otomatis mengidentifikasi berbagai "suara" yang digunakan
pelanggan untuk mengekspresikan umpan balik mereka (seperti suara positif, negatif, atau
bersyarat) untuk menunjukkan dengan tepat niat seseorang untuk membeli, niat 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 menyelesaikan masalah dengan cepat yang
membuat pelanggan tidak senang.
Web adalah sumber data besar tidak terstruktur lainnya yang kaya untuk mengungkapkan
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
Wawasan 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, tautan yang menunjuk ke
suatu dokumen menunjukkan popularitas dokumen tersebut, sedangkan tautan yang
keluar dari dokumen menunjukkan kekayaan atau mungkin keragaman topik yang tercakup
dalam dokumen tersebut. 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 melakukan tindakan transaksi di situs Web dan mengumpulkan data dalam log server.
Menganalisis data semacam itu dapat membantu perusahaan menentukan nilai pelanggan
tertentu, strategi pemasaran lintas produk, dan efektivitas kampanye promosi.
Sesi Interaktif tentang Teknologi menjelaskan pengalaman organisasi saat mereka

menggunakan alat analitis dan teknologi intelijen bisnis yang telah kami jelaskan untuk
mengatasi tantangan “big data”.
SESI INTERAKTIF: TEKNOLOGI Y

DATA BESAR, HADIAH BESAR
Perusahaan saat ini berurusan dengan longsoran data dari catatan, dan 33 miliar catatan publik. Kemampuan pencarian
media sosial, pencarian, dan sensor serta dari sumber tradisional. sistem memungkinkan NYPD untuk mendapatkan data dengan
Pada tahun 2012, jumlah informasi digital yang dihasilkan cepat dari salah satu sumber data ini. Informasi tentang
diperkirakan mencapai 988 exa byte, yang setara dengan penjahat, seperti foto tersangka dengan detail pelanggaran
setumpuk buku dari matahari ke planet Pluto dan sebaliknya. masa lalu atau alamat dengan peta, dapat divisualisasikan
Memahami "big data" telah menjadi salah satu tantangan utama dalam hitungan detik di dinding video atau langsung diteruskan
bagi perusahaan dari segala bentuk dan ukuran, tetapi juga ke petugas di TKP.
mewakili peluang baru. Bagaimana perusahaan saat ini Organisasi lain menggunakan data untuk menjadi
memanfaatkan peluang big data? hijau, atau, dalam kasus Vestas, menjadi lebih hijau.
Berkantor pusat di Denmark, Vestas adalah perusahaan
British Library harus beradaptasi untuk menangani big data. energi angin terbesar di dunia, dengan lebih dari 43.000
Setiap tahun pengunjung situs Web Perpustakaan Inggris turbin angin di 66 negara. Data lokasi adalah
melakukan lebih dari 6 miliar pencarian, dan perpustakaan juga penting bagi Vestas agar dapat menempatkan turbinnya secara
bertanggung jawab untuk melestarikan situs Web Inggris yang akurat untuk pembangkit tenaga angin yang optimal. Area
sudah tidak ada lagi tetapi perlu dilestarikan untuk tujuan tanpa angin yang cukup tidak akan menghasilkan daya yang
sejarah, seperti situs Web untuk politisi masa lalu. diperlukan, tetapi area dengan terlalu banyak angin dapat
Metode manajemen data tradisional terbukti tidak cukup untuk merusak turbin. Vestas mengandalkan data berbasis lokasi untuk
mengarsipkan jutaan halaman Web ini, dan alat analitik leg acy menentukan tempat terbaik untuk memasang turbin mereka.
tidak dapat mengekstraksi pengetahuan yang berguna dari data Untuk mengumpulkan data tentang calon lokasi turbin,
sebanyak itu. Maka British Library bermitra dengan IBM untuk Pustaka angin Vestas menggabungkan data dari sistem
mengimplementasikan solusi big data untuk tantangan ini. IBM cuaca global bersama dengan data dari turbin yang ada.
BigSheets adalah mesin wawasan yang membantu Pustaka angin perusahaan sebelumnya memberikan
mengekstraksi, membuat anotasi, dan menganalisis secara informasi dalam pola kisi-kisi, dengan setiap kisi berukuran
visual sejumlah besar data Web tidak terstruktur, mengirimkan 27 x 27 kilometer (17 x 17 mil).
hasilnya melalui browser Web. Misalnya, pengguna dapat Insinyur Vestas mampu menurunkan resolusi menjadi sekitar
melihat hasil penelusuran dalam diagram lingkaran. IBM 10 x 10 meter (32 x 32 kaki) untuk menetapkan pola aliran
BigSheets dibangun di atas kerangka kerja Hadoop, sehingga angin yang tepat di lokasi tertentu. Untuk lebih meningkatkan
dapat memproses data dalam jumlah besar dengan cepat dan efisien. akurasi model penempatan turbinnya, Vestas perlu lebih
Lembaga penegak hukum negara bagian dan federal mengecilkan area grid, dan ini membutuhkan data 10 kali lebih
menganalisis data besar untuk menemukan pola tersembunyi banyak dari sistem sebelumnya dan platform manajemen data
dalam aktivitas kriminal seperti korelasi antara waktu, peluang, yang lebih kuat.
dan organisasi, atau hubungan yang tidak jelas (lihat Bab
4) antara individu dan organisasi kriminal yang akan sulit Perusahaan menerapkan solusi yang terdiri dari perangkat
diungkap di kumpulan data yang lebih kecil. Penjahat dan lunak IBM InfoSphere BigInsights yang berjalan pada server
penjahat IBM System x iDataPlex berkinerja tinggi.
Organisasi semakin banyak menggunakan Internet untuk (InfoSphere BigInsights adalah seperangkat alat perangkat
mengoordinasikan dan melakukan kejahatan mereka. Alat lunak untuk analisis dan visualisasi data besar, dan ditenagai
baru memungkinkan lembaga untuk menganalisis data dari oleh Apache Hadoop.) Dengan menggunakan teknologi ini,
beragam sumber dan menerapkan analitik untuk memprediksi Vestas meningkatkan ukuran perpustakaan anginnya dan mampu
pola kejahatan di masa depan. Artinya, penegak hukum mengelola dan menganalisis data lokasi dan cuaca dengan
dapat menjadi lebih proaktif dalam upaya memerangi kejahatan model yang jauh lebih kuat dan presisi.
dan menghentikannya sebelum terjadi. Pustaka angin Vestas saat ini menyimpan 2,8 petabyte
Di New York City, gudang data Real Time Crime Center data dan mencakup sekitar 178 parameter, seperti tekanan
berisi jutaan titik data tentang kejahatan kota dan penjahat. barometrik, kelembapan, arah angin, suhu, kecepatan angin,
IBM dan Departemen Kepolisian Kota New York (NYPD) bekerja dan data historis perusahaan lainnya. Vestas berencana
sama untuk membuat gudang, yang berisi data lebih dari 120 juta menambahkan metrik deforestasi global, citra satelit, data
pengaduan kriminal, 31 juta pengaduan kejahatan nasional geospasial, dan data fase bulan dan pasang surut.
Perusahaan sekarang dapat mengurangi resolusi jaringan Menyelidiki anomali ini, perusahaan dapat dengan cepat
data anginnya hingga hampir 90 persen, menjadi area 3 x 3 menyesuaikan tingkat kepegawaian di kantornya di Philadelphia
kilometer (sekitar 1,8 x 1,8 mil). Kemampuan ini memungkinkan selama masa puncak tersebut, memastikan seorang manajer
Vestas memperkirakan penempatan turbin yang optimal dalam hadir untuk menyelesaikan masalah apa pun. Ini meningkatkan
15 menit, bukan tiga minggu, menghemat waktu pengembangan kinerja Hertz dan meningkatkan kepuasan pelanggan.
selama sebulan untuk lokasi turbin dan memungkinkan Ada batasan untuk menggunakan data besar. Berenang di
pelanggan Vestas mencapai laba atas investasi angka tidak selalu berarti bahwa informasi yang tepat
jauh lebih cepat. sedang dikumpulkan atau bahwa orang akan membuat
Perusahaan juga menggunakan solusi big data untuk keputusan yang lebih cerdas. Tahun lalu, laporan
menganalisis sentimen konsumen. Misalnya, raksasa persewaan McKinsey Global Institute memperingatkan bahwa ada
mobil Hertz mengumpulkan data dari survei Web, email, pesan kekurangan spesialis yang dapat memahami semua
teks, pola lalu lintas situs Web, dan data yang dihasilkan di informasi yang dihasilkan. Namun demikian, tren menuju big data
semua 8.300 lokasi Hertz di 146 negara. Perusahaan tidak menunjukkan tanda-tanda melambat; faktanya,
sekarang menyimpan semua data itu secara terpusat alih-alih kemungkinan besar data besar hanya akan menjadi lebih besar.
di dalam setiap cabang, mengurangi waktu yang dihabiskan
untuk memproses data dan meningkatkan waktu respons Sumber: Samuel Greengard, “Big Data Membuka Nilai Bisnis,”
perusahaan terhadap umpan balik pelanggan dan perubahan Dasar, Januari 2012; Paul S. Barth, “Mengelola Data Besar: Yang Perlu
sentimen. Misalnya, dengan menganalisis data yang Diketahui Setiap CIO,” CIO Insight, 12 Januari 2012; IBM Corporation, “Vestas:
Mengubah Iklim menjadi Modal dengan Data Besar,”
dihasilkan dari berbagai sumber, Hertz dapat menentukan 2011; IBM Corporation, "Memperluas dan meningkatkan kemampuan
bahwa penundaan terjadi untuk pengembalian di Philadelphia penegakan hukum", "Bagaimana Data Besar Memberi Hertz Keuntungan
selama waktu tertentu dalam sehari. Setelah Besar", dan "Perpustakaan Inggris dan J Start Bekerja Sama untuk Mengarsipkan Web", 2010.
PERTANYAAN STUDI KASUS

1. Jelaskan jenis data besar yang dikumpulkan oleh 4. Identifikasi tiga keputusan yang diperbaiki dengan
organisasi yang dijelaskan dalam kasus ini. menggunakan data besar.
2. Sebutkan dan jelaskan teknologi intelijen bisnis yang 5. Jenis organisasi apa yang paling mungkin
dijelaskan dalam kasus ini. Perlu manajemen data besar dan alat analitik?
Mengapa?
3. Mengapa perusahaan yang dijelaskan dalam kasus ini
perlu memelihara dan menganalisis big data?
Keuntungan bisnis apa yang mereka peroleh?
DATABASE DAN WEB

Pernahkah Anda mencoba menggunakan Web untuk melakukan pemesanan 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 basis data
internal mereka tersedia bagi pelanggan dan mitra bisnis.
Misalkan, misalnya, pelanggan dengan browser Web ingin mencari database pengecer online untuk
informasi harga. Gambar 6.14 mengilustrasikan bagaimana pelanggan 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 menginterpretasikan perintah yang ditulis dalam HTML,
server Web meneruskan permintaan data ini ke perangkat lunak yang menerjemahkan perintah HTML ke
dalam SQL sehingga perintah tersebut 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 basis data. DBMS menerima permintaan
SQL dan menyediakan data yang diperlukan. Middleware mentransfer informasi dari database
internal organisasi kembali ke server Web untuk pengiriman dalam bentuk halaman Web ke
pengguna.
Gambar 6.14 menunjukkan bahwa middleware yang bekerja antara server Web dan DBMS
adalah server aplikasi yang berjalan pada komputernya sendiri (lihat Bab 5). Perangkat lunak
server aplikasi menangani semua operasi aplikasi, termasuk pemrosesan transaksi dan akses
data, antara komputer berbasis browser dan aplikasi atau database bisnis back-end perusahaan.
Server aplikasi menerima permintaan dari server Web, menjalankan logika bisnis untuk
memproses transaksi berdasarkan permintaan tersebut, dan menyediakan konektivitas ke
sistem back-end atau database organisasi. Alternatifnya, perangkat lunak untuk menangani
operasi ini bisa berupa program khusus atau skrip CGI. Skrip CGI adalah program ringkas yang
menggunakan spesifikasi Common Gateway Interface (CGI) 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 dari lebih dari 650.000
pemasok produk industri, seperti bahan kimia, logam, plastik, karet, dan peralatan otomotif.
Sebelumnya bernama Thomas Register, perusahaan ini biasa mengirimkan katalog kertas besar
dengan informasi ini. Sekarang ia memberikan informasi ini kepada pengguna 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 tempat mereka berafiliasi.
Facebook memelihara basis data besar-besaran untuk menampung dan mengelola semua
konten ini.
Ada juga banyak database berbasis web di sektor publik untuk membantu konsumen dan
warga negara mengakses informasi yang berguna. Sesi Interaktif tentang Organisasi
menjelaskan salah satu dari database ini, yang menimbulkan kontroversi atas metodenya dalam
menyediakan data keamanan produk konsumen.
SESI INTERAKTIF: ORGANISASI

KONTROVERSI BERPUTAR DI SEKITAR DATABASE KEAMANAN PRODUK KONSUMEN
Michele Witte adalah salah satu dari lusinan orang tua yang Database CPSC tidak menyertakan masalah keamanan dengan
kehilangan anak-anak mereka karena desain boks bayi yang produk ini.)
rusak. Pada tahun 1997, putra Witte yang berusia 10 bulan, CPSC mengumpulkan laporan tentang produk cacat
Tyler, tewas ketika rel drop-side di tempat tidurnya terlepas, dari konsumen, penyedia layanan kesehatan, sertifikat
sebagian terlepas, dan kemudian menjebak lehernya di antara kematian, akun media, dan sumber lainnya. Mereka
rel dan kepala tempat tidur. Tempat tidur bayi menggunakan informasi tersebut untuk membuat keputusan
sekarang dilarang. Witte berharap sumber informasi publik tentang penarikan dan pelarangan produk, tetapi hingga saat ini,
untuk keluhan konsumen telah tersedia sebelum kematian sangat sedikit informasi yang dapat diakses oleh publik.
anaknya. Membaca cerita horor orang tua lain mungkin Undang-undang federal sebelumnya memerlukan persetujuan
telah membujuknya untuk membeli tempat tidur lipat. produsen untuk mempublikasikan informasi tersebut, dan
produsen tidak ingin merilis informasi tentang produk mereka
Pada bulan Maret 2011, Komisi Keamanan Produk Konsumen yang salah. Tidak hanya itu, CPSC harus bernegosiasi
(CPSC) AS siap memenuhi kebutuhan orang tua seperti Witte langsung dengan produsen untuk menentukan syarat penarikan
dengan meluncurkan basis data online, yang berlokasi di produk. Karena proses ini biasanya memakan waktu satu
www.saferproducts.gov. Basis data akan memberi publik akses tahun atau lebih, konsumen terus membeli produk jelek dan
ke cerita reposit lengkap tentang keluhan keamanan produk mungkin berbahaya seperti boks drop-side untuk sementara.
yang telah diterimanya.
Pengguna dapat menyampaikan pengaduan tersebut secara Di bawah sistem baru, pengaduan yang diajukan oleh
online langsung ke database. Pengunjung ke database akan konsumen akan diposting online dan tersedia untuk umum
dapat mencari produk, membaca keluhan lain, dan melihat dalam waktu 15 hari. Perusahaan akan diberi tahu dalam
peringatan keselamatan yang dikeluarkan oleh CPSC. waktu 5 hari ketika ada keluhan tentang produk mereka, dan
Keluhan dalam database akan mencakup deskripsi produk, CPSC akan memberi mereka waktu 10 hari untuk
kerugian atau risiko dari produk, nama produsen, informasi menanggapi secara publik dan komentar mereka dipublikasikan
kontak, dan penegasan bahwa pengirim mengatakan yang bersamaan dengan keluhan di database. Pengguna akan
sebenarnya. memiliki opsi agar komentar mereka tetap rahasia jika mereka
Nama pengirim tidak akan muncul dalam database tetapi dapat mau. Pabrikan akan dapat mengajukan banding ke CPSC
diberikan kepada produsen jika submitter setuju. untuk menghilangkan keluhan palsu atau menyesatkan, dan
keluhan akan terbatas pada cacat yang dapat menyebabkan
Pendukung konsumen seperti Konsumen cedera, bukan keandalan atau kualitas produk.
Federation of America memuji database sebagai sumber daya
revolusioner yang secara drastis akan meningkatkan cara Pada saat anggaran federal berada di bawah
konsumen membeli produk. Namun, perusahaan pengawasan yang meningkat, program seperti database CPSC
manufaktur dan banyak anggota Kongres menentang. Mereka telah menjadi target pemotongan biaya, dan pabrikan telah
berpendapat bahwa karena setiap pengguna dapat mengambil kesempatan untuk menghentikan basis data di
mengajukan keluhan, basis data akan diisi dengan informasi jalurnya. Undang-undang memberi CPSC otoritas baru untuk
yang tidak akurat dan menyesatkan—“bantingan fiktif” terhadap mengatur produk yang tidak aman, tetapi bisnis mengatakan
produk. Ini juga akan terbuka untuk pelecehan dari pelanggan itu terlalu memberatkan. Subkomite Energi dan Perdagangan
dengan kapak untuk menggiling, atau pengacara percobaan Rumah sedang mempertimbangkan rancangan undang-
yang ingin menodai produk atau reputasi produsen untuk undang untuk membatasi siapa yang dapat mengirimkan
keuntungan pribadi. laporan ke database, untuk meningkatkan cara produk
diidentifikasi, dan untuk menyelesaikan klaim bahwa laporan tidak akurat.
Database mewakili peningkatan visibilitas Meskipun mendapat tentangan keras dari pabrikan dan
dan otoritas untuk CPSC, yang dibentuk pada tahun 1972 lainnya, pada Maret 2011, situs tersebut diluncurkan untuk
oleh Undang-Undang Keamanan Produk Konsumen. Peran mendapat ulasan positif secara umum. CPSC menyediakan
CPSC adalah untuk mengatur ribuan jenis produk yang fitur tambahan, seperti kemampuan melampirkan gambar
berbeda, dengan fokus khusus pada hal-hal yang belum ke komentar. Komentator harus memberikan nama, alamat
diatur oleh bidang lain dari pemerintah, seperti makanan, surat, nomor telepon, dan alamat email mereka, yang
senjata api, dan mobil. (Itu diharapkan dapat membatasi jenis anonim.
komentar yang ditakuti produsen. Meski begitu, menjaga agar isme dari komunitas bisnis. Waktu akan memberi tahu apakah
basis data bebas dari laporan yang tidak akurat kemungkinan akan lebih amanproduk.gov menjadi sangat diperlukan
membutuhkan lebih banyak waktu dan jam daripada yang dapat sumber daya konsumen.
disediakan oleh staf CPSC. Sumber: www.SaferProducts.gov, diakses 22 Mei 2012; Josh Cable,
Sejak database ditayangkan, ada ratusan ribu kunjungan ke situs "Demokrat Mempertahankan Database Keamanan Produk Konsumen,"
dan jutaan Pekan Industri, 7 Juli 2011; Don Mays, “Pengalaman Saya Dengan
Database CPSC,” blogs.consumerreports.com, 16 Maret 2011;
pencarian produk yang dilakukan oleh pengunjung, menurut komisi Andrew Martin, “Para Pembuat Produk Anak Berusaha Melunakkan
Keamanan Produk Konsumen. Terlepas dari popularitasnya yang Aturan Baru,” The New York Times, 21 Februari 2011; Lyndsey
semakin meningkat, itu mungkin tidak bertahan dari upaya kongres Layton, “Komisi Keamanan Produk Konsumen untuk Meluncurkan
Database Pengaduan Publik,” Washington Post, 10 Januari 2011;
untuk mengambil pendanaannya, sebagai tanggapan atas tekanan
Jayne O'Donnell, "Basis Data Keamanan Produk Di Bawah Berbagai
untuk mengurangi anggaran federal serta kritik. Serangan," USA Today, 12 April 2011.
PERTANYAAN STUDI KASUS

1. Untuk apa nilai basis data CPSC 3. Sebutkan dua entitas dalam database CPSC dan jelaskan
konsumen, bisnis, dan pemerintah AS? beberapa atributnya.
2. Masalah apa yang diangkat oleh database ini? Mengapa begitu 4. Saat membeli buaian, atau produk konsumen lainnya
kontroversial? Mengapa kualitas data menjadi masalah? untuk keluarga Anda, apakah Anda akan menggunakan database ini? Mengapa
atau mengapa tidak?
6.4 MENGELOLA SUMBER DATA

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 diatur
dan dipelihara, dan siapa yang diizinkan untuk melihat data atau mengubahnya.
Kebijakan informasi menentukan aturan organisasi untuk berbagi, menyebarluaskan,
memperoleh, membakukan, mengklasifikasikan, dan menginventarisasi informasi. Kebijakan
informasi menjabarkan prosedur dan kemampuan akun tertentu, 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 tersebut. Misalnya, kebijakan informasi umum akan menentukan bahwa hanya
anggota terpilih dari departemen penggajian dan sumber daya manusia yang berhak
mengubah dan melihat data sensitif karyawan, 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 sebuah organisasi besar, mengelola dan merencanakan
informasi sebagai sumber daya perusahaan seringkali 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 termasuk mengembangkan kebijakan informasi,
merencanakan data, mengawasi desain basis data logis dan pengembangan kamus
data, dan memantau bagaimana spesialis sistem informasi dan kelompok pengguna
akhir menggunakan data.
Anda mungkin mendengar istilah tata kelola data yang digunakan untuk menjelaskan
banyak aktivitas ini. Dipromosikan oleh IBM, tata kelola data berkaitan dengan kebijakan
dan proses untuk mengelola ketersediaan, kegunaan, integritas, dan keamanan data
yang digunakan dalam perusahaan, dengan penekanan khusus pada peningkatan
privasi, keamanan, kualitas data, dan kepatuhan terhadap peraturan pemerintah.
Organisasi besar juga akan memiliki grup desain dan manajemen basis data di dalam
divisi sistem informasi perusahaan yang bertanggung jawab untuk menentukan dan
mengatur struktur dan konten basis data, dan memelihara basis data. Dalam kerja sama
yang erat dengan pengguna, kelompok desain menetapkan basis data fisik, hubungan
logis antar elemen, dan aturan akses serta prosedur keamanan. Fungsi yang
dilakukannya disebut administrasi basis data.
MEMASTIKAN KUALITAS DATA

Kebijakan basis data dan informasi yang dirancang dengan baik akan sangat membantu
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 rekening 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 menyebabkan keputusan yang salah, penarikan kembali
produk, dan kerugian finansial. Gartner Inc. melaporkan bahwa lebih dari 25 persen
data penting dalam database besar perusahaan 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
Penciptaan Permintaan" menemukan bahwa 10 hingga 25 persen catatan pelanggan
dan prospek berisi kesalahan data kritis. Memperbaiki kesalahan ini pada sumbernya
dan mengikuti praktik terbaik untuk mempromosikan kualitas data meningkatkan
produktivitas proses penjualan dan menghasilkan peningkatan pendapatan sebesar 66 persen.
Beberapa masalah kualitas data ini disebabkan oleh data yang redundan dan tidak
konsisten yang dihasilkan oleh beberapa sistem yang mengisi gudang data. Misalnya,
sistem pemesanan penjualan dan sistem manajemen persediaan mungkin sama-sama
memelihara data produk organisasi. Namun, sistem pemesanan penjualan mungkin
menggunakan istilah Nomor Barang dan sistem inventaris mungkin memanggil Nomor
Produk atribut yang sama. Sistem penjualan, inventaris, atau manufaktur dari pengecer
pakaian mungkin menggunakan kode yang berbeda untuk mewakili nilai atribut. Satu
sistem mungkin mewakili ukuran pakaian sebagai "ekstra besar", sedangkan sistem
lainnya mungkin menggunakan kode "XL" untuk tujuan yang sama. Selama proses
desain database gudang, data yang menjelaskan entitas, seperti pelanggan, produk,
atau pesanan, harus diberi nama dan didefinisikan secara konsisten untuk semua area
bisnis yang menggunakan database.
Pikirkan semua waktu Anda telah menerima beberapa bagian dari iklan surat
langsung yang sama pada hari yang sama. Ini sangat mungkin hasil dari memiliki nama Anda
dipertahankan beberapa kali dalam database. Nama Anda mungkin salah eja atau Anda
menggunakan inisial tengah Anda pada satu kesempatan dan tidak pada kesempatan lain
atau informasi tersebut 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 ditujukan ke
Laudon, Lavdon, Lauden, atau Landon.
Jika database dirancang dengan benar dan standar data seluruh perusahaan ditetapkan,
duplikat atau elemen data yang tidak konsisten harus diminimalkan. 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 karena 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 ada, 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 seringkali dimulai dengan audit kualitas
data, yang merupakan survei terstruktur terhadap 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 mengetahui
persepsi mereka tentang kualitas data.
Pembersihan data, juga dikenal sebagai penggosokan data, terdiri dari aktivitas untuk
mendeteksi dan mengoreksi data dalam database yang tidak benar, tidak lengkap, tidak
diformat dengan benar, atau berlebihan. Pembersihan data tidak hanya memperbaiki
kesalahan tetapi juga menegakkan konsistensi di antara kumpulan data yang berbeda yang
berasal dari sistem informasi yang terpisah. Perangkat lunak pembersihan data khusus
tersedia untuk mensurvei file data secara otomatis, memperbaiki kesalahan dalam data, dan
mengintegrasikan data dalam format yang konsisten di seluruh perusahaan.
Masalah kualitas data bukan hanya masalah bisnis. Mereka juga menimbulkan masalah
serius bagi individu, mempengaruhi kondisi keuangan mereka dan bahkan pekerjaan mereka.
Misalnya, data yang tidak akurat atau usang tentang riwayat kredit konsumen yang dikelola
oleh biro kredit dapat mencegah individu yang layak mendapatkan pinjaman atau menurunkan
peluang mereka untuk mendapatkan atau mempertahankan pekerjaan.
MODUL LETAK BELAJAR

Jalur Pembelajaran berikut menyediakan konten yang relevan dengan topik yang dibahas
dalam bab ini:
1. Perancangan Basis Data, Normalisasi, dan Pembuatan Diagram Entity-Relationship 2.

Pengenalan SQL
3. Model Data Hirarkis dan Jaringan
rangkuman ulasan
1. Apa masalah pengelolaan sumber daya data dalam lingkungan file tradisional dan bagaimana penyelesaiannya
dengan sistem manajemen basis data?
Teknik manajemen file tradisional mempersulit organisasi untuk melacak semua potongan data yang mereka
gunakan secara sistematis dan 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 menimbulkan masalah seperti redundansi dan inkonsistensi data,
ketergantungan program-data, ketidakfleksibelan, keamanan yang buruk, dan kurangnya berbagi dan ketersediaan
data. Sistem manajemen basis data (DBMS) memecahkan masalah ini dengan perangkat lunak yang
memungkinkan pemusatan data dan manajemen data sehingga bisnis memiliki satu sumber yang konsisten untuk
semua kebutuhan data mereka. Menggunakan DBMS meminimalkan file yang berlebihan dan tidak konsisten.
2. Apa kemampuan utama DBMS dan mengapa DBMS relasional begitu kuat?
Kemampuan utama DBMS meliputi kemampuan definisi data, kemampuan kamus data, dan bahasa manipulasi
data. Kemampuan definisi data menentukan struktur dan isi 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 mudah diakses. Ini mengatur data dalam tabel dua dimensi yang disebut hubungan
dengan baris dan kolom. Setiap tabel berisi data tentang entitas dan atributnya.
Setiap baris mewakili catatan dan setiap kolom mewakili atribut atau bidang. Setiap tabel juga berisi bidang kunci
untuk secara unik mengidentifikasi setiap catatan untuk pengambilan atau manipulasi. Tabel basis data relasional
dapat digabungkan dengan mudah untuk mengirim data yang diperlukan oleh pengguna, asalkan ada dua tabel
yang memiliki elemen data yang sama. Database non-relasional menjadi populer untuk mengelola jenis data yang
tidak dapat ditangani dengan mudah oleh model data relasional. Produk basis data relasional dan non-relasional
tersedia sebagai layanan cloud computing.
3. Apa saja prinsip desain database yang penting?

Merancang 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 basis data relasional disebut normalisasi. Database relasional yang
dirancang dengan baik tidak akan memiliki banyak hubungan, dan semua atribut untuk entitas tertentu hanya
akan berlaku untuk entitas tersebut. Itu akan mencoba untuk menegakkan aturan integritas referensial untuk
memastikan bahwa hubungan antara tabel yang digabungkan tetap konsisten. Diagram entitas-hubungan 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 mendapatkan informasi yang berguna
dari semua jenis data 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 mewakili hubungan antar data sebagai struktur multidimensi, yang
dapat divisualisasikan sebagai kubus data dan kubus di dalam kubus data, memungkinkan analisis data yang
lebih canggih. Penambangan data menganalisis kumpulan data yang besar, termasuk isi gudang data, untuk
menemukan pola dan aturan yang dapat digunakan untuk memprediksi perilaku masa depan dan memandu
pengambilan keputusan. Alat penambangan teks membantu bisnis menganalisis kumpulan data besar yang tidak
terstruktur 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. Basis data 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 memerlukan 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 untuk perencanaan
data, pengembangan kamus data, dan pemantauan penggunaan data di perusahaan.
Data yang tidak akurat, tidak lengkap, atau tidak konsisten menimbulkan masalah operasional dan keuangan yang serius bagi bisnis
karena dapat menyebabkan ketidakakuratan dalam penetapan harga produk, akun pelanggan, dan data inventaris, serta menyebabkan
keputusan yang tidak akurat tentang tindakan yang harus diambil oleh perusahaan. Perusahaan harus mengambil langkah khusus untuk
memastikan mereka memiliki tingkat kualitas data yang tinggi. Ini termasuk menggunakan standar data seluruh perusahaan, database
yang dirancang untuk meminimalkan data yang tidak konsisten dan redundan, audit kualitas data, dan perangkat lunak pembersihan data
gudang
Istilah Kunci
Platform analitik, 256 Diagram entitas-hubungan, 253
Atribut, 241 Lapangan, 241
Data Besar, 254 Berkas, 241
Sedikit, 241
Kunci asing, 247
Byte, 241 Hadop, 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
Tata Kelola Data, 266 Normalisasi, 252
Inkonsistensi data, 243 Pemrosesan analitik online (OLAP), 257
Bahasa manipulasi data, 250 Kunci utama, 247
Datamart, 255 Ketergantungan program-data, 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
Pangkalan data, 244
Bahasa Permintaan Terstruktur (SQL), 250
administrasi basis data, 266 Penambangan teks, 260
Sistem manajemen basis data (DBMS), 244 Tupel, 247
Server basis data, 263 Penambangan web, 260
Entitas, 241
Tinjau Pertanyaan
1. Apa masalah pengelolaan sumber daya data dalam lingkungan • Mendefinisikan database dan sistem manajemen database
file tradisional dan bagaimana penyelesaiannya dengan dan menjelaskan bagaimana memecahkan masalah
sistem manajemen basis data? • Sebutkan dan lingkungan file tradisional.
jelaskan masing-masing komponen dalam hierarki data. • 2. Apa kemampuan utama DBMS dan mengapa
Mendefinisikan dan apakah DBMS relasional sangat kuat? •
menjelaskan pentingnya entitas; Sebutkan dan jelaskan secara singkat kemampuan a
atribut, dan bidang kunci. DBMS.
• Sebutkan dan jelaskan masalah lingkungan file tradisional. • Mendefinisikan DBMS relasional dan menjelaskan caranya
mengatur data.
• Buat daftar dan jelaskan tiga operasi DBMS relasional. • Jelaskan kemampuan pemrosesan analitik online
(OLAP). • Mendefinisikan
• Jelaskan mengapa database non-relasional penambangan data, menjelaskan perbedaannya dari
berguna. OLAP dan jenis informasi yang disediakannya. •
3. Apa saja prinsip desain database yang penting? Jelaskan
bagaimana penambangan teks dan penambangan Web
• Mendefinisikan dan menjelaskan normalisasi dan integritas berbeda dari penambangan data konvensional.
referensi dan menjelaskan bagaimana mereka berkontribusi • Jelaskan bagaimana pengguna dapat mengakses
pada database relasional yang dirancang informasi dari database internal perusahaan melalui
Web.
dengan baik. • Mendefinisikan dan menjelaskan diagram entitas-
hubungan dan menjelaskan perannya dalam desain database.
5. Mengapa kebijakan informasi, administrasi data, dan
4. Apa alat dan teknologi utama untuk mengakses informasi jaminan kualitas data penting untuk mengelola sumber
dari database untuk meningkatkan kinerja bisnis dan daya data perusahaan?
pengambilan keputusan? • Mendefinisikan data besar dan
• Menjelaskan peran kebijakan informasi dan administrasi
data dalam informasi
menjelaskan teknologi untuk mengelola dan pengelolaan.
menganalisisnya.
• Jelaskan mengapa audit kualitas data dan data
• Sebutkan dan jelaskan komponen infrastruktur intelijen pembersihan sangat penting.
bisnis kontemporer.
Pertanyaan Diskusi
1. Dikatakan tidak ada data yang buruk, hanya manajemen 3. Apa konsekuensi dari organisasi yang tidak memiliki
yang buruk. Diskusikan implikasi dari hal ini kebijakan informasi?
penyataan.
2. Sejauh mana pengguna akhir harus dilibatkan dalam

pemilihan sistem manajemen basis data dan desain basis
data?
Proyek MIS Langsung

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. Manajemen Proses Emerson, pemasok instrumen pengukuran, analitik, dan pemantauan global
perusahaan 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 mendesain 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 penawaran, penagihan, pengiriman,
dan data lainnya. Menilai potensi dampak bisnis dari masalah kualitas data ini. Keputusan apa yang harus dibuat dan langkah-
langkah yang diambil untuk mencapai solusi?
2. Perusahaan pemasok industri Anda ingin membuat gudang data tempat manajemen dapat memperoleh a
satu tampilan informasi penjualan penting di seluruh perusahaan untuk mengidentifikasi produk terlaris, pelanggan utama, dan
tren penjualan. Informasi penjualan dan produk Anda disimpan dalam beberapa sistem yang berbeda: sistem penjualan divisi yang
berjalan di server Unix dan sistem penjualan korporat yang berjalan di mainframe IBM. Anda ingin membuat satu format standar
yang menggabungkan data ini dari kedua sistem. Di MyMISLab, Anda dapat meninjau format yang diusulkan, beserta file
sampel dari dua sistem yang akan menyediakan data untuk gudang data. Kemudian jawab pertanyaan berikut:
• Masalah bisnis apa yang timbul karena tidak memiliki data ini dalam satu format standar? • Betapa mudahnya
membuat database dengan satu format standar yang dapat menyimpan data dari keduanya
sistem? Mengidentifikasi masalah yang harus ditangani.
• Haruskah masalah diselesaikan oleh spesialis basis data atau manajer bisnis umum? Menjelaskan. • Siapa yang
harus memiliki wewenang untuk menyelesaikan satu format di seluruh perusahaan untuk informasi ini dalam data
gudang?
Mencapai Keunggulan Operasional: Membangun Database Relasional untuk Inventaris

Pengelolaan
Keterampilan perangkat lunak: Desain basis data, kueri, dan pelaporan
Keterampilan bisnis: manajemen inventaris
Dalam latihan ini, Anda akan menggunakan perangkat lunak basis data untuk merancang basis data guna mengelola inventaris
untuk usaha kecil. Toko Sepeda Sylvester, berlokasi di San Francisco, California, menjual sepeda jalan raya, gunung, hibrida,
santai, dan anak-anak. Saat ini, Sylvester membeli sepeda dari tiga pemasok, namun berencana menambah pemasok baru
dalam waktu dekat. Dengan menggunakan informasi yang ditemukan dalam tabel di MyMISLab, buat database relasional
sederhana untuk mengelola informasi tentang pemasok dan produk Sylvester. Setelah Anda membangun database, lakukan
aktivitas berikut.
• Siapkan laporan yang mengidentifikasi lima sepeda termahal. Laporan tersebut harus mencantumkan sepeda di dalamnya
urutan menurun dari yang paling mahal ke yang 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 berdasarkan abjad pemasok. Untuk setiap pemasok, produk harus disortir menurut abjad.
• Siapkan laporan yang mencantumkan hanya sepeda yang stoknya tinggal sedikit dan perlu dipesan ulang. Laporan tersebut harus
memberikan informasi pemasok untuk item yang diidentifikasi.
• Tulis deskripsi singkat tentang bagaimana database dapat ditingkatkan untuk lebih meningkatkan pengelolaan
bisnis. Tabel atau bidang apa yang harus ditambahkan? Laporan tambahan apa yang akan berguna?
Meningkatkan Pengambilan Keputusan: Mencari Database Online untuk Luar Negeri

Sumber Daya Bisnis
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, Carolina Utara, dan memproduksi perabot kantor dengan 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 bagi Anda untuk membuka kantor Australia dan
fasilitas manufaktur, termasuk pengacara, akuntan, pakar ekspor-impor, dan peralatan telekomunikasi serta perusahaan
pendukung. Akses database online berikut untuk menemukan perusahaan yang ingin Anda temui selama perjalanan mendatang:
Australian Business Register (abr.gov.au), AustraliaTrade Now
(australiatradenow.com), dan Nationwide Business Directory of Australia (www.nationwide.com.au). Jika perlu,

gunakan mesin pencari seperti Yahoo dan Google.
• Cantumkan 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.
• Nilai database yang Anda gunakan untuk keakuratan nama, kelengkapan, kemudahan penggunaan, dan bantuan 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 Tim

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

Sistem Informasi
STUDI KASUS
perencanaan. Sebagai bagian dari solusi, Lego memilih untuk

Billund, Denmark, adalah salah satu mainan terbesar pindah ke software SAP business suite. SAP AG, sebuah
produsen di dunia. utama Lego perusahaan Jerman yang berspesialisasi dalam solusi perangkat
Grup Lego, yang berkantor pusat di
produk telah menjadi batu bata dan figur yang telah lunak perusahaan, adalah salah satu perusahaan perangkat
dimainkan anak-anak selama beberapa generasi. Perusahaan lunak terkemuka di dunia. Produk perangkat lunak SAP mencakup
Denmark telah mengalami pertumbuhan yang berkelanjutan sejak berbagai aplikasi yang dirancang untuk mendukung semua fungsi
didirikan pada tahun 1932, dan untuk sebagian besar sejarahnya, dan operasi penting perusahaan secara efisien. Lego memilih
fasilitas manufaktur utamanya berlokasi di Denmark. untuk menerapkan modul SAP's Supply Chain Management
(SCM), Product Lifecycle Management (PLM), dan Enterprise
Pada tahun 2003, Lego menghadapi persaingan ketat dari Resources Planning (ERP).
para peniru dan produsen mainan elektronik. Dalam upaya untuk Modul SCM mencakup fitur-fitur penting seperti
mengurangi biaya, grup tersebut memutuskan untuk memulai sebagai pemantauan dan analisis rantai pasokan serta peramalan,
proses restrukturisasi bertahap yang berlanjut hingga hari ini. perencanaan, dan optimalisasi inventaris.
Pada tahun 2006, perusahaan mengumumkan bahwa sebagian Modul PLM memungkinkan manajer untuk mengoptimalkan
besar produksinya akan dialihkan ke perusahaan layanan proses dan sistem pengembangan. Modul ERP mencakup antara
manufaktur elektronik Flextronics, yang memiliki pabrik di lain aplikasi Human Capital Management (HCM) untuk administrasi
Meksiko, Hongaria, dan Republik Ceko. Keputusan untuk dan pengembangan personalia.
mengalihdayakan produksi datang sebagai konsekuensi langsung
dari analisis total rantai pasokan Lego. Untuk mengurangi biaya Suite bisnis SAP didasarkan pada tiga tingkat yang fleksibel
tenaga kerja, proses intensif secara manual dialihdayakan, arsitektur klien-server yang dapat dengan mudah diadaptasi ke
hanya mempertahankan pekerja yang sangat terampil di Billund. Arsitektur Berorientasi Layanan (SOA) baru tersedia dalam versi
Tenaga kerja Lego secara bertahap dikurangi dari 8.300 karyawan perangkat lunak terbaru. Yang pertama
pada tahun 2003 menjadi sekitar 4.200 pada tahun 2010. Selain tier, antarmuka klien—antarmuka pengguna grafis (GUI) tipe
itu, produksi harus dipindahkan ke tempat yang lebih dekat browser yang berjalan di laptop, desktop, atau perangkat seluler
dengan pasar alaminya. Sebagai konsekuensi dari semua —mengirimkan permintaan pengguna ke server aplikasi. Server
perubahan tersebut, Lego mengubah dirinya dari perusahaan aplikasi—tingkat kedua dalam sistem—menerima dan memproses
manufaktur menjadi perusahaan berorientasi pasar yang mampu permintaan klien. Pada gilirannya, server aplikasi ini mengirimkan
bereaksi cepat terhadap perubahan permintaan global. permintaan yang diproses ke sistem basis data—tingkat ketiga—
yang terdiri dari satu atau lebih jaringan relasional.
Proses restrukturisasi Lego, ditambah dengan pertumbuhan
penjualan dua digit dalam beberapa tahun terakhir, telah database. Suite bisnis SAP mendukung database dari vendor
menyebabkan perluasan perusahaan ke luar negeri dan yang berbeda, termasuk yang ditawarkan oleh Oracle, Microsoft,
menjadikan tenaga kerjanya lebih internasional. Perubahan ini MySQL, dan lainnya. Database relasional berisi tabel yang
menghadirkan tantangan rantai pasokan dan sumber daya menyimpan data produk Lego, operasi harian, rantai pasokan,
manusia bagi perusahaan. Rantai pasokan harus direkayasa dan ribuan karyawan. Manajer dapat dengan mudah menggunakan
ulang untuk menyederhanakan produksi tanpa mengurangi alat permintaan SAP untuk mendapatkan laporan dari basis data,
kualitas. Perencanaan logistik yang lebih baik memungkinkan karena tidak memerlukan keterampilan teknis apa pun.
Lego bekerja lebih dekat dengan pengecer, pemasok, dan
perusahaan outsourcing baru. Pada saat yang sama, departemen Selain itu, arsitektur terdistribusi memungkinkan personel yang
sumber daya manusia (SDM) perlu memainkan peran yang lebih berwenang untuk memiliki akses langsung ke sistem basis data
strategis di dalam perusahaan. HR sekarang bertanggung jawab dari berbagai lokasi perusahaan, termasuk di Eropa, Amerika
untuk menerapkan kebijakan efektif yang ditujukan untuk Utara, dan Asia.
mempertahankan dan merekrut karyawan yang paling berkualitas Modul ERP-HCM SAP mencakup fitur lanjutan
dari beragam latar belakang budaya. seperti "Manajer Bakat" serta untuk menangani administrasi
Menyesuaikan operasi perusahaan dengan perubahan ini karyawan, pelaporan, dan manajemen perjalanan dan waktu.
memerlukan infrastruktur TI yang fleksibel dan kuat dengan Fitur-fitur ini memungkinkan personel SDM Lego memilih kandidat
kemampuan intelijen bisnis yang dapat membantu manajemen terbaik, menjadwalkan pelatihan mereka, dan membuat rencana
melakukan peramalan yang lebih baik dan stimulus untuk dipertahankan
mereka. Dimungkinkan juga untuk memasukkan ukuran kinerja 25 September 2007 (www.scdigest.com/assets/on_target/07-09-25-7.php?
dan mendapatkan wawasan waktu nyata tentang tren SDM. cid=1237, diakses 16 November 2010); GW Anderson, T.
Rhodes, J. Davis, dan J. Dobbins, SAMS Mengajari Diri Sendiri SAP
Menggunakan fitur canggih ini, bersama dengan alat dari
dalam 24 jam (Indianapolis, IN: SAMS, 2008).
vendor perangkat lunak lain, manajer Lego dapat melacak
potensi kepemimpinan karyawan, mengembangkan karier PERTANYAAN STUDI KASUS 1.
mereka, dan memperkirakan perekrutan karyawan baru dengan Jelaskan peran database dalam SAP tiga tingkat
keterampilan tertentu. N. sistem.
Sumber: ”Bisnis 2010: Merangkul Tantangan Perubahan,” 2. Jelaskan mengapa arsitektur terdistribusi fleksibel.
The Economist Intelligence Unit, Februari 2005 (http://graph ics.eiu.com/
3. Identifikasi beberapa fitur intelijen bisnis yang termasuk
files/ad_pdfs/Business%202010_Global_FINAL.pdf, diakses 16
dalam rangkaian perangkat lunak bisnis SAP.
November 2010); “Lego Creates Model Business Success with SAP and
IBM,” IBM Global Financing, 19 Mei 2010 (www-01.ibm.com/ 4. Apa keuntungan dan kerugian utama dari memiliki banyak
software/success/cssdb.nsf/CS/STRD 85KGS6?OpenDocument, 20 basis data dalam arsitektur terdistribusi? Menjelaskan.
Oktober 2010); “Human Resources as an Exponent of Good
Governance” (dalam bahasa Denmark) (www.sat.com, 20 Oktober
2010); “Lego, Mainan Abad Ini Harus Menemukan Kembali Rantai Kasus disumbangkan oleh Daniel Ortiz Arroyo,
Pasokan untuk Menyelamatkan Perusahaan,” Intisari Rantai Pasokan, Universitas Aalborg

Bab 6 Sistem Informasi Management

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

Bab 6 Sistem Informasi Management

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

TUJUAN PEMBELAJARAN GARIS BESAR BAB

5. Mengapa kebijakan informasi, administrasi MODUL LETAK PEMBELAJARAN

Kontroversi Berputar di Sekitar

240 Bagian Kedua Infrastruktur Teknologi Informasi

Kasus disumbangkan oleh Robert Manderson, University of Roehampton

Pengalaman BAE Systems

6.1 MENGATUR DATA DALAM LINGKUNGAN

SYARAT DAN KONSEP ORGANISASI FILE

242 Bagian Kedua Infrastruktur Teknologi Informasi

GAMBAR 6.1 HIERARKI DATA

MASALAH DENGAN FILE TRADISIONAL

GAMBAR 6.2 PENGOLAHAN FILE TRADISIONAL

ketergantungan program-data, ketidakfleksibelan, keamanan data yang buruk, dan

Redundansi dan Inkonsistensi Data Redundansi data

244 Bagian Kedua Infrastruktur Teknologi Informasi

Kurangnya Berbagi dan Ketersediaan Data Karena potongan

6.2 PENDEKATAN DATABASE UNTUK

SISTEM MANAJEMEN DATABASE

DBMS membebaskan pemrogram atau pengguna akhir dari tugas memahami di

Bagaimana DBMS Memecahkan Masalah Lingkungan File Tradisional

GAMBAR 6.3 DATABASE SUMBERDAYA MANUSIA DENGAN MULTIPLE VIEW

246 Bagian Kedua Infrastruktur Teknologi Informasi

DBMS Relasional DBMS

GAMBAR 6.4 TABEL DATABASE RELASI

Pengoperasian DBMS Relasional Tabel basis data

KEMAMPUAN SISTEM MANAJEMEN DATABASE

250 Bagian Kedua Infrastruktur Teknologi Informasi

Permintaan dan Pelaporan DBMS

GAMBAR 6.6 FITUR KAMUS DATA AKSES

GAMBAR 6.7 CONTOH QUERY SQL

GAMBAR 6.8 QUERY AKSES

GAMBAR 6.9 HUBUNGAN UNNORMALIZED UNTUK ORDER

Normalisasi dan Diagram Entitas-Hubungan Desain basis data

GAMBAR 6.10 TABEL NORMALISASI YANG DIBUAT DARI PESANAN

Sistem database relasional mencoba menerapkan aturan integritas referensial

Perancang basis data mendokumentasikan model data mereka dengan diagram

GAMBAR 6.11 DIAGRAM HUBUNGAN ENTITAS

254 Bagian Kedua Infrastruktur Teknologi Informasi

6.3 MENGGUNAKAN DATABASE UNTUK MENINGKATKAN

TANTANGAN DATA BESAR

INFRASTRUKTUR BISNIS INTELLIGENCE

Gudang Data dan Data Mart Alat tradisional untuk

Perusahaan sering membangun gudang data di seluruh perusahaan, di mana gudang

256 Bagian Kedua Infrastruktur Teknologi Informasi

In-Memory Computing Cara lain untuk

Platform Analitik Vendor basis

Gambar 6.12 mengilustrasikan infrastruktur intelijen bisnis kontemporer menggunakan teknologi

GAMBAR 6.12 KOMPONEN DATA WAREHOUSE

ALAT ANALISIS: HUBUNGAN, POLA,

Pemrosesan Analitik Online (OLAP)

258 Bagian Kedua Infrastruktur Teknologi Informasi

GAMBAR 6.13 MODEL DATA MULTIDIMENSI

Penambangan Teks dan Penambangan Web

260 Bagian Kedua Infrastruktur Teknologi Informasi

Penambangan web mencari pola dalam data melalui penambangan konten,

Sesi Interaktif tentang Teknologi menjelaskan pengalaman organisasi saat mereka

SESI INTERAKTIF: TEKNOLOGI Y

PERTANYAAN STUDI KASUS

DATABASE DAN WEB

GAMBAR 6.14 MENGHUBUNGKAN DATABASE INTERNAL KE WEB

Ada sejumlah keuntungan menggunakan Web untuk mengakses database internal

SESI INTERAKTIF: ORGANISASI