Nama: Fathya Cici Hanifah
NPM : 5210311142
Data Warehouse merupakan penyimpanan dalam bentuk
elektronik di komputer induk atau data cloud di internet. Data
Warehouse digunakan untuk mendukung pengambilan
keputusan, bukan untuk melaksanakan pemroresan transaksi.
Konsep Data Warehouse
Karakteristik Data Warehouse: - Subject Oriented: Data
disusun menurut subyek, berisi informasi yang penting bagi
pemprosesan decision support. Database dengan semua
informasi yang tersimpan, dikelompokkan berdasarkan subyek
tertentu, misalnya: pelanggan, gudang, pasar, dsb– Integrated:
Jika data terletak pada berbagai aplikasi yang terpisah dalam
suatu lingkungan operasional (encoding data sering tidak
seragam) sehingga jika data dipindahkan ke data warehouse
maka coding akan diasumsikan sama seperti lazimnya. – Time
Variant: Data warehouse adalah tempat untuk storing data
selama 5 sampai 10 tahun atau lebih. Data digunakan untuk
perbandingan atau perkiraan, dan data ini tidak dapat
diperbaharui. – Non-Voltatile: Data tidak dapat diperbaharui
atau diubah tetapi hanya dapat ditambah dan dilihat.
Membangun Data Warehouse: • Menentukan misi dan
sasaran bisnis bagi pembentukan data warehouse.
•Mengidentifikasi data dari basis data operasional dan sumber
lain yang diperlukan bagi data warehouse. • Menentukan item-
item data dalam perusahaan dengan melakukan standarisasi
penamaan data dan maknanya. • Merancangbasisdatauntukdata
warehouse. • Membangun kebijakan dalam mengarsipkan data
lama, sehingga ruang penyimpanan tak menjadi terlalu besar
dan agar pengambilan keputusan tidak menjadi terlalu lamban.
•Menarik data produksi (operasional) dan meletakkan ke basis
data milik data warehouse. Contoh perangkat lunak yang
digunakan untuk administrasi dan manajemen data warehouse:
• HPIntelligent Warehouse (Hewlett Packard) • FlowMark
(IBM) • SourcePoint (Software AG)
Langkah Penerapan Data Warehouse
- Sumber data (Data Sources) berasal dari berbagai aplikasi
yang ada di perusahaan dan/atau penyedia data eksternal. -
Data Extraction (E) & Transformation (T): Data diekstraksi
& diubah (dengan benar) menggunakan perangkat lunak
tertentu. Data Loading (L): Data dimuat (ke staging area),
untuk diubah & dibersihkan, sehingga data siap dimuat ke
dalam data warehouse. - Metadata mencakup program
perangkat lunak tentang data & aturan untuk mengatur
ringkasan yang mudah diindeks & dicari (terutama dibasis
Web). Metadata dipertahankan sehingga dapat dinilai oleh
personel TI dan pengguna (user). - Enterprise Data Warehouse
(EDW) merupakan basis data yang komprehensif
(comprehensive database), diperlukan untuk mendukung
semua analisis keputusan dengan memberikan informasi yang
dirangkum dan terperinci yang relevan, yang berasal dari
berbagai sumber. - Data Marts: bagian dari data warehouse
yang mendukung kebutuhan pada tingkat departemen atau
fungsi bisnis tertentu dalam perusahaan, biasanya berorientasi
untuk suatu tujuan yang spesifik atau subjek data yang
didistribusikan untuk mendukung kebutuhan bisnis. - API /
Middleware: berupa alat middleware (middleware tools) yang
memungkinkan akses ke data warehouse. - Applications
(Visualization): aplikasi untuk visualisasi data/informasi. Ada
banyak aplikasi front-end yang dapat digunakan pengguna
untuk berinteraksi dengan data yang disimpan di repositori
data, seperti OLAP, (termasuk Data Mining), tools pelaporan,
dan tools visualisasi data lainnya. - OLAP (OnLine Analytical
Processing): suatu jenis pemrosesan yang memanipulasi &
menganalisa data bervolume besar. Perangkat lunak OLAP
digunakan oleh pemakai untuk mengakses data warehouse
Fungsi Staging Area menyederhanakan proses pembuatan
summary & management warehouse secara umum.
Data Mining adalah proses yang menggunakan teknik
statistika, matematika, dan kecerdasan buatan untuk
mengestrak dan mengidentifikasi informasi dan pengetahuan
(dengan mengenali pola) yang berguna dari kumpulan data
yang besar.
1. Star Schema: Skema ini mengikuti bentuk bintang, dimana
terdapat satu tabel fakta di pusat bintang dengan beberapa tabel
dimensi yang mengelilinginya. Semua tabel dimensi
berhubungan dengan ke tabel fakta. Tabel fakta memiliki
beberapa primary key dalam tabel dimensi.

1. Data cleaning (Pembersihan Data) : untuk membuang data

yang tidak konsisten dan noise) 2. Data integration :
penggabungan data dari beberapa sumber 3. Data Mining
Engine : Mentranformasikan data menjadi bentuk yang sesuai
untuk di mining 4. Pattern evaluation : untuk menemukan yang
bernilai melalui knowledge base 5. Graphical User Interface
(GUI) : untuk end user.
2. Snowflake Schema merupakan perluasan dari star schema
dengan tambahan beberapa tabel dimensi yang tidak
berhubungan secara langsung dengan tabel fakta. Tabel dimensi
tersebut berhubungan dengan tabel dimensi yang lain.

3. Skema Constellation Pada skema ini terdapat beberapa

Tahapan Proses Knowledge In Database: 1. Data Selection: tabel fakta yang menggunakan satu atau beberapa tabel
himpunan data, atau memfokuskan pada subset variabel atau dimensi.
sampel data, dimana penemuan (discovery) akan dilakukan. 2.
Pre-Processing / Cleaning (1): Pemprosesan pendahuluan dan
pembersihan data merupakan operasi dasar seperti
penghapusan noise dilakukan. 3. Pre-Processing / Cleaning
(2): Proses cleaning mencakup antara lain membuang duplikasi
data, memeriksa data yang inkonsisten, dan memperbaiki
kesalahan pada data, seperti kesalahan cetak (tipografi).
4.Transformation: Merupakan proses transformasi pada data
yang telah dipilih, sehingga data tersebut sesuai untuk proses
data mining. 5. Data Mining: Proses Data mining yaitu proses
mencari pola atau informasi menarik dalam data terpilih OLAP (On-Line Analytical Processing) adalah teknologi
dengan menggunakan teknik atau metode tertentu. Teknik, yang memproses data ke dalam struktur multidimensi,
metode, atau algoritma dalam data mining sangat bervariasi. menyediakan jawaban yang cepat untuk query analisis yang
Pemilihan metode atau algoritma yang tepat sangat bergantung kompleks dengan tujuan untuk mengorganisir sejumlah data
pada tujuan dan proses KDD secara keseluruhan. 6. yang besar, agar bisa dianalisa dan dievaluasi dengan cepat
Interpretation / Evaluation: Tahap ini merupakan bagian dari serta menyediakan kecepatan dan fleksibelitas untuk
proses KDD yang mencakup pemeriksaan apakah pola atau mendukung analisa dalam waktu nyata. Karakteristik OLAP,
informasi yang ditemukan bertentangan dengan fakta atau yaitu : 1. Mengijinkan pelaku bisnis melihat data dari sudut
hipotesa yang ada sebelumnya. pandang logical dan multidimensional pada data warehouse. 2.
Memfasilitasi query yang kompleks dan analisa bagi pengguna.
Model Dimensional Data Mart: Model dimensional pada data
3. Mengijinkan pengguna melakukan drill-down untuk
mart terdiri dari tabel fakta dan tabel dimensi, Ada beberapa
menampilkan data yang lebih detail atau roll-up untuk agregasi
model skema yang terdapat pada pemodelan data mart, yaitu
dari suatu dimensi atau beberapa dimensi. 4. Menyediakan
skema star, skema snowflake, dan skema constellation.
proses kalkulasi dan perbandingan data. 5. Menampilkan hasil
Penjelasan dari masing-masing model skema adalah sebagai
dalam bentuk tabel atau grafik.
berikut :