MAKALAH

SISTEM DATA WAREHOUSE

DOSEN PENGAMPU:
RUKIN SUDARWANTO, S.Pd. M.T.I

Disusun Oleh :
Dimas Galih Adenin 2157201048

PRODI : SISTEM INFORMASI

UNIVERSITAS NNAHDLATUL ULAMA LAMPUNG
TAHUN AJARAN 2023/2024
 BAB I Pendahuluan

Data warehouse sendiri merupakan suatu sistem yang dirancang untuk mengarsipkan hingga
menganalisis riwayat data untuk bisa menunjang kepentingan informasi yang dimiliki oleh sebuah
perusahaan ataupun bisnis tertentu sehingga keberadaannya pun sangat penting.

Manfaat Data Warehouse

Manfaat yang diberikan oleh data warehouse untuk bisnis ataupun perusahaan di antaranya adalah:

• Memberikan akses data secara cepat

• Membantu perusahaan dalam mengoptimalkan ROI (Return of Investment)
• Mempermudah perusahaan dalam proses pengambilan keputusan dengan tepat
Komponen Data Warehouse

Terdapat beberapa komponen yang tersedia dalam data warehouse. Apa saja komponen-
komponen tersebut? Simak ulasannya di bawah ini.

Metadata

Metadata merupakan keterangan singkat yang terdapat dalam data. Fungssinya untuk dapat
memberikan informasi mengenai gambaran atau inti dari sebuah informasi agar bisa terlihat lebih jelas.

Gudang

Sistem ini tentunya memerlukan tempat penyimpanan, yakni disebut dengan gudang. Gudang
data warehouse tersebut memiliki bentuk yang berbeda-beda dan dapat disesuaikan dengan kebutuhan
dari bisnis ataupun perusahaan Anda.

Tools Akses

Untuk mendukung perkembangan bisnis Anda dengan menerapkan data warehouse, tentunya
ada beberapa tools yang bisa digunakan untuk mengoptimalkannya. Tools ini tentunya dapat digunakan
oleh semua pengguna untuk memudahkan kelola data.

Manajemen Gudang Data

Selanjutnya terdapat manajemen gudang data yang memiliki peran penting. Pasalnya,
pengelolaan data harus dilakukan dengan baik untuk mendapatkan keamanan hingga perbaikan saat
terjadi hal-hal mendesak.
Tools ETL

Komponen terakhir adalah tools ETL. ETL adalah proses pengambilan data yang formatnya
bisa dimodifikasi sesuai kebutuhan.

Jenis-Jenis Data Warehouse

Data warehouse sendiri terdiri atas tiga jenis, berikut adalah informasinya:

Enterprise Data Warehouse

Enterprise data warehouse atau gudang data perusahaan merupakan database yang dapat
menggabungkan beberapa area fungsional secara terpadu. Jenis data warehouse ini sangat membantu
dalam proses penyimpanan data sesuai ketentuan.

Operational Data Store

Operational data store merupakan database yang dapat digunakan Online Transaction
Processing ataupun saat data warehouse tidak bisa memenuhi setiap kebutuhan dari suatu bisnis
ataupun perusahaan.

Data Mart

Terakhir adalah data mart. Jenis data warehouse satu ini merupakan bagian dari gudang data
yang dirancang untuk menangani beberapa bagian khusus, seperti penjualan atau keuntungan.
 BAB II Sejarah Data Warehouse

Ironisnya, ketika merancang gudang data, “data” adalah elemen yang paling mungkin
diabaikan. Konsep data warehouse diusulkan pada tahun 1990 dan telah melalui empat tahapan utama:
database berevolusi menjadi data warehouse, arsitektur MPP, data warehouse di era big data, dan cloud-
native data warehouse saat ini. Sepanjang proses ini, gudang data menghadapi tantangan yang berbeda.

Pertama, biaya awal yang tinggi, masa konstruksi yang lama, dan sulit untuk memverifikasi nilainya
dengan cepat.

Bagi personel konstruksi data warehouse, tantangannya adalah mempersingkat masa konstruksi
data warehouse. Namun, gudang data tradisional seringkali memiliki siklus hidup yang panjang, mulai
dari pembelian server, pembangunan gudang fisik hingga pembangunan gudang logis. Oleh karena itu,
tantangan pertama dari data warehouse adalah bagaimana mempersingkat masa konstruksi.

Kedua, sulitnya memproses data yang terdiversifikasi, memanfaatkan teknologi baru, dan
memaksimalkan nilai data.

Dengan munculnya data besar, gudang data tradisional sebagian besar mengelola data
terstruktur. Tantangan kedua bagi gudang data tradisional adalah mengelola data semi-terstruktur secara
seragam dan komprehensif.

Ketiga, sulitnya berbagi aset data perusahaan dan memerlukan biaya besar untuk melakukan inovasi
data.

Gudang data lebih menekankan pada manajemen dan keamanan. Oleh karena itu, berbagi dan
bertukar data dengan lebih baik di dalam organisasi dan di seluruh ekosistem merupakan sebuah
tantangan. Misalnya, masih banyak pulau data terisolasi antar departemen perusahaan atau antar
bisnis. Biaya berbagi data tinggi dan akuisisi serta ekspor data tingkat perusahaan terpadu tidak
tersedia. Hal ini menyebabkan kesulitan dalam perolehan data dan analisis mandiri bagi konsumen data,
dan perusahaan sangat bergantung pada departemen TI untuk memenuhi kebutuhan mereka akan data.

Keempat, arsitektur platform yang kompleks dengan biaya pengoperasian yang tinggi.

Dengan semakin banyaknya jenis data dan semakin besar volume data yang diproses, teknologi
yang berbeda-beda saling tumpang tindih, membuat arsitektur data warehouse menjadi lebih
kompleks. Suatu perusahaan biasanya memiliki gudang data dari berbagai teknologi pada waktu yang
bersamaan. Oleh karena itu, menyederhanakan arsitektur data warehouse juga merupakan tantangan
besar. Biasanya, tim insinyur yang berdedikasi diperlukan untuk mengelola platform data yang
kompleks dan mengelola pemanfaatan sumber daya yang rendah.

Kelima, sulitnya mewujudkan skalabilitas, elastisitas, dan fleksibilitas yang dibutuhkan oleh bisnis.
 Perusahaan dengan perkembangan bisnis yang pesat sering kali harus menghadapi aktivitas
promosi besar-besaran, melengkapi data, dan menangani acara yang tidak biasa. Hal ini juga membawa
banyak tantangan dalam hal bagaimana memperluas kinerja gudang data dengan cepat dan
meningkatkan waktu respons terhadap puncak dan lembah bisnis.

Bagaimana gudang data baru, yang didorong oleh teknologi dan layanan, mengatasi tantangan
yang dihadapi oleh gudang data tradisional? Ada enam kekuatan pendorong utama di sini.

1. Pertama, kami berharap memiliki platform data terpadu yang dapat menghubungkan,
menyimpan, dan memproses berbagai data.

2. Kedua, perusahaan didorong oleh data untuk memberikan dukungan dan informasi
pengambilan keputusan secara real-time, yang memerlukan ketepatan waktu yang lebih
tinggi.

3. Ketiga, volume data menjadi sangat besar. Untuk mencari data yang diinginkan dari data
yang begitu banyak, diperlukan peta untuk pengelolaan dan tata kelola data.

4. Keempat, dalam gudang data tradisional, data disimpan secara terpusat, dan data harus
disimpan dalam penyimpanan yang sama. Didorong oleh bisnis baru, data perlu
dihubungkan, bukan disimpan secara terpadu.

5. Kelima, bagaimana mendukung aplikasi yang lebih cerdas selain gudang data, layanan
berbasis informasi, dan informatisasi bisnis. Inilah kekuatan pendorong gudang data cerdas.

6. Keenam, peran berbeda di bidang data memiliki persyaratan berbeda untuk platform
data. Misalnya, insinyur data, analis data, dan ilmuwan data memiliki persyaratan berbeda
untuk platform data dalam hal waktu respons, kecepatan pemrosesan, volume data, dan
bahasa pengembangan. Oleh karena itu, menyediakan lebih banyak layanan analitik adalah
pendorong keenam untuk platform manajemen data.

Dalam proses evolusi yang berkelanjutan, gudang telah diberkahi dengan lebih banyak konotasi
baru dibandingkan dengan 30 tahun yang lalu. Untuk memahami konotasi baru tersebut, kita dapat
melihat dengan jelas cloud native, lake house, unifikasi realtime-offline, dan tren evolusi model layanan
berbasis SAAS.

,
 BAB III Komponen Data Warehouse

- Database
Gudang Data (Warehouse Management) pada data warehouse adalah bentuk pengoperasian
data. Agar gudang bisa mengelola data dengan baik, perlu sistem manajemen yang baik dan terstruktur
sehingga semua proses pada data warehouse bisa lancar dan efektif. Ada beberapa hal yang harus Anda
perhatikan dalam mengelola manajemen gudang data, seperti di bawah ini:

• Segi keamanan harus terjamin.

• Melakukan pembaharuan data.
• Memilih prioritas tugas.
• Mengelola backup dan recovery jika terjadi suatu keadaan yang dianggap mendesak.
Selain itu, terdapat sebuah data query yang ada di dalamnya pun nantinya juga dikelola sesuai dengan
permintaan hingga jadwal eksekusi data dilakukan.

- ETL Tools (Extract, Transform, Load)

ETL adalah sekumpulan proses integrasi data yang harus dilalui dalam pembentukan data
warehouse. ETL bertujuan untuk mengumpulkan, menyaring, mengolah dan menggabungkan datadata
yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. Sesuai dari Namanya
proses ETL sendiri terdiri dari extracting, transforming, loading (Softbless, n.d.)
1. Extract
Extract adalah proses memilih dan mengambil data dari satu atau beberapa sumber misalnya
Server SQL, XML, atau flat files untuk dibaca atau diakses data yang dipilih tersebut. Sebelum
proses extract ini kita lakukan, akan lebih baik dan mempermudah jika user sudah mendefinisikan
kebutuhan terhadap sumber data yang akan digunakan terlebih dahulu.
2. Transformation
Transformation adalah proses dimana data yang telah diambil pada proses extract akan dioalah
dan mengubah data dari bentuk asli menjadi bentuk yang sesuai dengan kebutuhan
data warehouse. Adapun masalah yang biasanya terjadi pada proses transform adalah sulitnya mengg
abungkan data dari beberapa sistem yang berbeda.
Biasanya, ada 5 hal yang dilakukan pada data:

1. filtering, adalah proses dimana kita menyaring data dengan filter tertentu
2. cleaning, adalah proses menyesuaikan format penulisan.
3. joining, adalah proses diamana ketika data yang serupa menjadi satu
4. splitting, adalah proses memecah data yang berbeda menjadi dua atau lebih
5. sortingadalah proses mengurutkan data berdasarkan ciri-ciri tertentu.
6. Load
Load adalah proses terakhir yang berguna untuk memasukkan data ke dalam target akhir, yaitu ke
dalam data warehouse. Berikut ini adalah cara untuk memasukkan data adalah:
1. menjalankan SQL script secara periodic yang akan mengubah data kedalam bentuk
Dimensional Data Store agar format data cocok untuk diterapkan pada proses analisis
dan telah terintegrasi dengan beberapa sumber data.
2. Proses Load kedua yaitu akan sampai ke berbagai macam output yang sesuai dengan
skemanya, yaitu terdiri dari proses load-up data (lodupd), load-insert data (lodins), dan
load bulk data (lodbld).
Adapun sebagai berikuut tools-tools yang biasa digunakan dalam proses ETL (Extract, transform, dan
load):

1. SSIS (SQL Server Integration Services).

SQL Server Integration Services SSIS dapat diakses didalam Microsoft Visual Studio. Software ini
merupakan pengembangan dari platform Microsoft SQL Server Business Intelegence BI yang berguna
untuk membuat ETL packages. Packages adalah kumpulan task yang dieksekusi dengan urutan tertentu
dan merupakan komponen utama SSIS. Package dapat disimpan di SQL Server pada database msdb,
ataupun disimpan sebagai sebuah file .dtsx.

2. Talend
Talend adalah open source yang digunakan untuk integrasi data, Talend biasanya digunakan untuk
integrasi antar sistem operasional (ETL). Fitur utama dari talend adalah membantu mengelola semua
aspek tahapan yang ada pada ETL secara efisien dan efektif. Talend adalah software yang cukup
banyak digunakan karena telah digunakan oleh ratusan ribu pengguna termasuk beberapa perusahaan
terbesar di dunia dan bahkan instansi pemerintah. Adapun keuntungan terpenting dari Talend sebagai
Integrasi Data adalah menyediakan alat yang dapat mengintegrasikan, membersihkan, dan menyimpan
semua data dan memungkinkan anda mengambil dan mengubah data untuk membuat keputusan yang
lebih cepat.
3. Pentaho Data Integration (PDI)
Pentaho Data Integration (PDI) adalah aplikasi memiliki sifat yang sama dengan talend yaitu bersifat
free open source software dengan memanfaatkan platform Java. Pentaho Data Integration (PDI)
menyediakan kemampuan Extract, Transform, and Load (ETL) yang memfasilitasi capturing,
cleansing, dan storing data menggunakan format yang konsisten dan dapat diakses serta relevan bagi
pengguna dan teknologi IoT. Selain open source Pentaho bisa didapatkan dalam bentuk Service Level
Agreement (SLA) dan dipaketkan dalam versi Enterprise Edition yang sifatnya annual.
Selain ketiga software yang disebutkan diatas masih banyak lagi software-software yang digunakan
dalam proses ETL serta anda dapat menemukan informasi-informasi tersebit dengan mudah diluaran
sana, maka dari itu jika anda tertarik lebih lanjut anda dapat mengeksplor lebih banyak lagi
pengetahuan mengenai ETL diluar artikel ini.

BAB IV Komponen Data Warehouse (Lanjutan)

- Metadata
Komponen pertama yang ada di dalam data warehouse adalah metadata yang berfungsi untuk
menjelaskan apa saja isi data tersebut. Metadata juga akan lebih memperjelas konteks informasi yang
dicantumkan sehingga bisa lebih mudah juga untuk dipahami.

Contoh metadata yang digunakan dalam data warehouse memiliki berbagai format yang
berbeda, menyesuaikan dengan jenis data tersebut. Misalnya pada sebuah dokumen, metadata yang
ditampilkan adalah judul dokumen, tanggal dibuatnya dokumen, dan sebagainya.

Selain itu, ada 2 jenis metadata yang harus Anda ketahui sebelumnya. Berikut ini jenis-jenisnya:
 • Technical Metadata: Metadata yang berisi informasi detail untuk developer serta manager untuk
mempermudah dalam mengelola data warehouse.
• Business Metadata: Metadata yang satu ini berfungsi untuk menyimpan informasi umum
pada data warehouse perusahaan.

- Data Marts
Data Mart adalah Bagian yang lebih kecil dari data warehouse. Data Mart biasanya digunakan
untuk kebutuhan bisnis sebuah organisasi yang kecil (unit bisnis strategi, departemen, divisi) dalam
suatu organisasi. Karena jumlah nya yang lebih kecil dari Data Warehouse biasnya penggunaan data ini
hanya untuk membuat keputusan taktis saja.
Contoh Data Mart
Berikut merupakan beberapa contoh Data Mart antara lain :

• Data departemen marketing

• Data departemen penjualan
• Data departemen keuangan

Perbedaan Data Warehouse dan Data Mart

Berikut merupakan beberapa perbedaan antara Data Warehouse dan Data Mart :
Data WareHouse

• Data ini biasanya digunakan untuk kepentingan Business Intelligence.

• Scope nya yaitu corporate
• Subject nya multiple
• Data source nya banyak
• Implementasi waktunya nya perbulan hingga tahun
• Ukuran datanya lebih besar dari data mart

Data Mart

• Scope nya lebih fokus pada bagian dari suatu departemen atau organisasi tertentu saja.
• Subject nya single
• Implementasi waktunya perbulan
• Data source nya hanya beberapa
• Ukuran data nya lebih kecil dari data warehouse

- OLAP (Online Analytical Processing)

OLAP Adalah Teknologi Database Yang Telah Dioptimalkan Untuk Membuat Kueri Dan
Pelaporan, Dan Bukan Memproses Transaksi. Data Sumber Untuk OLAP Adalah Database Pemrosesan
Transaksi Online (OLTP, Online Transactional Processing) Yang Umumnya Disimpan Di Gudang
Data. Data OLAP Berasal Dari Data Riwayat Ini, Dan Diagregatkan Ke Dalam Struktur Yang
Memungkinkan Analisis Yang Canggih. Data OLAP Juga Ditata Secara Hierarkis Dan Disimpan
Dalam Kubus Dan Bukan Di Tabel. Ini Adalah Teknologi Canggih Yang Menggunakan Struktur
Multidimensi Untuk Menyediakan Akses Cepat Ke Data Untuk Analisis. Organisasi Ini Memudahkan
Laporan Pivottable Atau Laporan Pivotchart Untuk Menampilkan Ringkasan Tingkat Tinggi, Seperti
Total Penjualan Di Seluruh Negara Atau Kawasan, Dan Juga Menampilkan Detail Untuk Situs Di
Mana Penjualan Terutama Kuat Atau Lemah.
 Database OLAP Dirancang Untuk Mempercepat Pengambilan Data. Karena Server OLAP,
Daripada Microsoft Office Excel, Menghitung Nilai Yang Diringkas, Lebih Sedikit Data Yang Perlu
Dikirim Ke Excel Saat Anda Membuat Atau Mengubah Laporan. Pendekatan Ini Memungkinkan Anda
Bekerja Dengan Jumlah Data Sumber Yang Jauh Lebih Besar Daripada Yang Bisa Anda Dapatkan Jika
Data Ditata Dalam Database Tradisional, Di Mana Excel Mengambil Semua Catatan Individu Lalu
Menghitung Nilai Yang Diringkas.

Database OLAP Berisi Dua Tipe Dasar Data: Pengukuran, Yang Merupakan Data Numerik,
Kuantitas Dan Rata-Rata Yang Anda Gunakan Untuk Membuat Keputusan Bisnis Yang
Diinformasikan, Dan Dimensi, Yang Merupakan Kategori Yang Anda Gunakan Untuk Menata Ukuran
Ini. Database OLAP Membantu Menata Data Berdasarkan Banyak Tingkat Detail, Menggunakan
Kategori Yang Sama Yang Biasa Anda Kenal Untuk Menganalisis Data.

Bagian Berikut Ini Menjelaskan Setiap Komponen Secara Lebih Mendetail:

Kubus Struktur Data Yang Mengagregasi Pengukuran Menurut Tingkat Dan Hierarki
Masing-Masing Dimensi Yang Ingin Anda Analisis. Kubik Menggabungkan Beberapa Dimensi,
Seperti Waktu, Geografi, Dan Lini Produk, Dengan Data Yang Diringkas, Seperti Angka Penjualan
Atau Inventaris. Kubus Tidak "Kubus" Dalam Arti Matematika Secara Ketat Karena Tidak Harus
Memiliki Sisi Yang Sama. Namun, Mereka Adalah Apt Metaphor Untuk Konsep Kompleks.

Ukur Serangkaian Nilai Dalam Kubus Yang Didasarkan Pada Kolom Di Tabel Fakta Kubus
Dan Biasanya Nilai Numerik. Pengukuran Adalah Nilai Pusat Dalam Kubus Yang Telah Diproses,
Diagregatkan, Dan Dianalisis. Contoh Umum Termasuk Penjualan, Laba, Pendapatan, Dan Biaya.

Anggota Sebuah Item Dalam Hierarki Mewakili Satu Atau Beberapa Kemunculan Data.
Anggota Bisa Ber Unique Atau Tidakunis. Misalnya, 2007 Dan 2008 Mewakili Anggota Unik Dalam
Tingkat Tahun Dimensi Waktu, Sementara Januari Mewakili Anggota Nonunique Dalam Tingkat
Bulan Karena Bisa Ada Lebih Dari Satu Januari Dalam Dimensi Waktu Jika Memuat Data Untuk
Lebih Dari Satu Tahun.

Anggota Terhitung Anggota Dimensi Yang Nilainya Dihitung Saat Run Time Dengan
Menggunakan Ekspresi. Nilai Anggota Yang Dihitung Mungkin Berasal Dari Nilai Anggota Lain.
Misalnya, Anggota Terhitung, Laba, Dapat Ditentukan Dengan Mengurangi Nilai Anggota, Biaya, Dari
Nilai Anggota, Penjualan.

Dimensi Kumpulan Hierarki Tingkat Atau Lebih Yang Tertata Dalam Kubus Yang
Dipahami Dan Digunakan Pengguna Sebagai Basis Untuk Analisis Data. Misalnya, Dimensi Geografi
Mungkin Menyertakan Tingkatan Untuk Negara/Kawasan, Negara Bagian/Provinsi, Dan Kota. Atau,
Dimensi Waktu Mungkin Menyertakan Hierarki Dengan Tingkatan Untuk Tahun, Kuartal, Bulan, Dan
Hari. Dalam Laporan Pivottable Atau Laporan Pivotchart, Setiap Hierarki Menjadi Kumpulan Bidang
Yang Dapat Anda Perluas Dan Ciutkan Untuk Mengungkapkan Tingkat Yang Lebih Rendah Atau
Lebih Tinggi.
 BAB V Arsitektur Data Warehouse

- Arsitektur Single-tier

Single-tier merupakan arsitektur data warehouse yang paling sederhana. Semua

komponen sistem terletak pada satu server yang sama, sehingga memudahkan pengelolaan
dan administrasi.

Arsitektur gudang ini tidak memiliki staging area maupun data mart. Selain itu, tipe
aristektur ini tidak diimplementasikan dalam sistem real-time.

- Arsitektur Two-tier
Two-tier memisahkan data menjadi dua lapisan atau tingkat, yaitu lapisan bisnis
dan lapisan data. Lapisan bisnis berfungsi untuk mengelola dan menganalisis data,
sedangkan lapisan data menyimpan data dalam bentuk yang terstruktur .

- Arsitektur Three-tier
Three-tier merupakan arsitektur data warehouse yang lebih kompleks dan memiliki
tiga lapisan, yaitu sumber, rekonsiliasi (referensi standar model data perusahaan), dan
lapisan gudang data.

BAB VI Proses Pembuatan Data Warehouse

Tahap perancangan data warehouse diawali dengan menentukan Subject Data Warehouse,
penentuan Sumber Data, selanjutnya melakukan langkah pembuatan Multidimensional Data Model
berupa star schema, snowflake schema dan fact constellation schema, proses ETL (Extract,
Transforming dan Loading) dan Analisis Reporting.

BAB VII Teknologi dan Alat dalam Data Warehouse

- SQL

Gudang Data Azure SQL dirancang untuk implementasi gudang data tingkat perusahaan, dan
menyimpan data dalam jumlah besar (hingga Petabyte) di Microsoft Azure. Ia menggunakan MPP
untuk memproses kueri analitis sehingga dapat memberikan hasil kueri yang cepat untuk kumpulan
data yang besar. Ini juga menggunakan tampilan berbasis SQL tunggal di database relasional dan
penyimpanan Big Data non-relasional yang memungkinkan bisnis menyatukan data terstruktur, tidak
terstruktur, dan streaming dalam gudang data berbasis cloud. Pengguna dapat mengelola Gudang Data
Azure SQL menggunakan SQL Server Management Studio ( SSMS ) atau menulis kueri menggunakan
Azure Data Studio ( ADS ).
 Gudang Data SQL menggunakan PolyBase untuk menanyakan penyimpanan data besar,
seperti sistem Hadoop , secara langsung. Polybase memungkinkan organisasi menggunakan kueri T-
SQL standar untuk membawa data ke Gudang Data SQL yang menyediakan permukaan kueri berbasis
SQL tunggal untuk semua data Anda. Gudang Data SQL menyimpan data dalam tabel relasional
menggunakan penyimpanan kolom yang mengurangi biaya penyimpanan data, dan meningkatkan
kinerja kueri.

Gudang Data SQL memanfaatkan arsitektur perluasan skala untuk mendistribusikan

pemrosesan komputasi data ke beberapa node. Arsitektur Azure SQL Data Warehouse memisahkan
komputasi dan penyimpanan sehingga memungkinkan pengguna untuk menskalakannya secara mandiri
dan hanya membayar untuk pemrosesan dan penyimpanan yang diperlukan organisasi.

Daftar Pustaka

- https://www.soltius.co.id/id.

- Oleh Zhang Liangmo,

- Softbless. (n.d.). Apa Itu ETL, Manfaat, dan Langkah dalam Prosesnya? – Glints Blog.
Retrieved June 25, 2021, from https://glints.com/id/lowongan/etl-adalah/
- https://badr.co.id/id/data-warehouse/#:~:text=1.-
,Metadata,lebih%20mudah%20juga%20untuk%20dipahami.
- https://www.dqlab.id/profesi-business-intelligence-dalam-revolusi-industi-4-0
- https://www.slideshare.net/prachi091/data-mart-33156883
- https://support.microsoft.com/id-id/office/gambaran-umum-pemrosesan-analitik-online-
olap-online-analytical-processing-15d2cdde-f70b-4277-b009-
ed732b75fdd6#:~:text=OLAP%20adalah%20teknologi%20database%20yang,umumnya
%20disimpan%20di%20gudang%20data.
- https://www.techtarget.com/searchdatamanagement/definition/Azure-SQL-Data-
Warehouse
-