Outline

• Pengertian OLAP
• Keuntungan OLAP
• Penyajian Data Multidimensi
• Peralatan OLAP dan Kategori OLAP
• Penerapan SQL pada OLAP
• Proses Dan Posisi Olap
Pengertian OLAP
• OLAP adalah aplikasi analytical dengan kemampuan pivot
menyerupai spreadsheet - seperti Microsoft Excel, OpenOffice Calc,
dll. OLAP merupakan komponen penting dari aplikasi BI (Business
Intelligence).

• Perbedaan dengan spreadsheet adalah OLAP dirancang khusus

untuk mampu menangani jumlah data besar dan memiliki ekspresi
bahasa analisis yang lebih baik. Dan aplikasi OLAP ini biasanya
memiliki arsitektur client / server.
Pengertian OLAP (2)

• Database OLAP memiliki struktur skema tersendiri dan biasanya berupa

suatu data warehouse. Namun tidak tertutup kemungkinan OLAP

mengambil dari database operasional (transaksional) - ini dengan

catatan database ini telah memiliki struktur rancangan yang "OLAP

friendly“

• OLAP menyediakan cara untuk menampilkan data Multi Dimensional

yang ada dalam Data Mart atau Data Warehouse, dengan OLAP dapat

dibuat Cube yang mengorganisasikan data dan membuat summary data

untuk query yang effisien.

Keuntungan OLAP

• Meningkatkan produktifitas pemakai akhir bisnis, pengembang IT, dan

keseluruhan organisasi. Pengawasan yang lebih dan akses tepat waktu
terhadap informasi strategis dapat membuat pengambilan keputusan lebih
efektif.
• Mengurangi “backlog” pengembangan aplikasi bagi staf IT dengan
membuat pemakai akhir dapat merubah schema dan membangun model
sendiri.
• Penyimpanan pengawasan organisasi melalui integritas data koorporasi.
• Sebagai aplikasi OLAP tergantung pada data warehouse dan sistemOLTP
untuk memperbaharui sumber tingkatan data mereka.
• Mengurangi aktifitas query dan lalulintas jaringan pada system OLAP atau
pada data warehouse.
• Meningkatkan hasil dan keuntungan secara potensial dengan mengizinkan
organisasi untuk merespon permintaan pasar lebih cepat.
Penyajian Data Multi Dimensi
Server basis data OLAP menggunakan struktur multi dimensi
untuk menyimpan data dan hubungan antar data. Struktur
multidimensi data dapat digambarkan seperti kubus data, dan
kubus didalam kubus data. Setiap sisi kubus adalah sebuah
dimensi. Data multidimensi adalah data yang dapat
dimodelkan sebagai atribut dimensi dan atribut ukuran.

Contoh atribut dimensi adalah nama barang dan warna barang,

contoh atribut ukuran adalah jumlah barang. Timbulnya
beberapa masalah ketika akan menyembunyikan informasi
dalam kubus. Jika irisan kubus tertentu tersembunyi, data
pada suatu Region level akan dipalsukan (object yang
seandainya kelihatan dimasukkan), atau, jika tak diubah,
tracker query menduga data yang tersembunyi mungkin
menjadi tersedia.
Selama ini kita mengenal adanya tabel relasional. Jika kita perhatikan tabel relasional
tersebut, maka dapat kita ketahui karakteristiknya. Secara jelas dapat kita lihat bahwa tabel
relasional dibangun oleh baris dan kolom.

Hal ini menunjukkan adanya dua sudut pandang, baris sebagai sumbu x dan kolom sebagi
sumbu y. tapi sebenarnya tabel relasional tersebut hanya mempunyai satu dimensi. Pada
gambar terlihat karekteristik dari tabel buku, dimana setiap record atau baris
merepresentasikan data buku yang berbeda-beda.

Satu baris dengan baris lainnya diidentifikasikan dengan sebuah key yaitu primary key.
Sedangkan bagian kolom seperti, juduk, nama, penerbit menyimpan fakta yang sama atau
sejenis, dimana setiap fakta tersebut merujuk pada primary key . Hal inilah yang
menunjukkan bahwa tabel relasional hanya mempunyai satu dimensi.
Sedangkan yang dimaksud dengan data multidimensi adalah ketika kita dapat
melihat sebuah data dari berbagai sudut pandang atau dimensi. Sebagai contoh,
penjualan buku dapat dilihat dari segi lokasi Buku, waktu, lokasi penjualan / toko
dan sebagainya.

Jika digambarkan , maka akan terdapat tiga koordinat yaitu sumbu x mewakili buku,
sumbu y mewakili dimensi waktu dan sumbu z untuk dimensi lokasi. Hal inilah yang
menjadi perbedaan mendasar antara tabel relasional dan data multidimensi.

Spreadshet merupakan salah satu contoh dari data multidimensi ini. Fungsi yang ia
sediakan seperti perhitungan sederhana dan dapat juga diubah pada dimensi
tunggal.
Cube merupakan contoh data multidimensi selain spreadsheet. Dengan cube
data menjadi lebih mudah untuk dimanipulasi. Setiap sumbu cube mewakili
dimensi-dimensi. Terdapat measure yaitu nilai quantitative database yang
ingin kita analisa. Biasanya measure berupa nilai penjualan, biaya, budget dan
sejenisnya.

Measure dihitung berdasarkan dimensi-dimensi dari cube. Misalkan kita ingin

meganalisa penjualan buku, total penjualan (sebagai measure) untuk suatu
jenis buku tertentu (dimensi) pada lokasi / toko buku yang berbeda-beda
(lokasi dapat dipilih sesuai dengan kebutuhan seperti negara, propinsi dll)
pada suatu periode waktu tertentu (hari, minggu, bulan,tahun, kuartal).
Penyajian Data Multidimensi

• Server basis data OLAP menggunakan struktur multidimensi

untuk menyimpan data dan hubung an antar data. Struktur
multidimensi data dapat digambarkan seperti ku- bus data,
dan kubus di dalam ku- bus data. Setiap sisi kubus adalah
sebuah dimensi.
• Data multidimensi adalah data yang dapat dimodelkan
sebagai atribut dimensi dan atribut ukuran
• Contoh atribut dimensi adalah nama barang dan warna
barang, contoh atribut ukuran adalah jumlah barang Server
basis data OLAP multi dimensi mendukung operasi analitikal,
seperti :
Konsolidasi
melibatkan pengelompokkan data seperti ekspresi roll-up
sederhana atau kompleks yang melibatkan hubungan antar
data.
Contoh : kantor-kantor cabang dikelompokkan menurut kota,
dan kota dikelompokkan berdasarkan negara
drill-down :
kebalikan dari konsolidasi, menampilkan data secara rinci yang
berisikan penggabungan data.
slicing & dicing (atau dikenal dengan istilah pivoting) :
menerangkan kemampuan untuk melihat data dari sudut
pandang yang berbeda-beda.
• drill-down

OLAP 13/16
• slicing & dicing
Rasa Strawberry Mangga Nanas Total
Sirup
Biasa 3.500.000 1.750.000 500.000 5.750.000
Rendah
Kalori 2.300.000 1.500.000 250.000 4.050.000
Total 5.800.000 3.250.000 750.000 9.800.000

Sirup Rasa Pendapatan

Biasa Strawberry 3.500.000
Biasa Mangga 1.750.000
Biasa Nanas 500.000
Rendah Kalori Strawberry 2.300.000
Rendah Kalori Mangga 1.500.000
Rendah Kalori Nanas 250.000
Peralatan Dan Kategori OLAP

Aturan-aturan Codd (Edgar F. "Ted" Codd) untuk peralatan OLAP :

1. Multi-Dimensional Conceptual View
2. Transparency
3. Accessibility
4. Consistent Reporting Performance
5. Client-Server Architecture
6. Generic Dimensionality
7. Dynamic Sparse Matrix Handling
8. Multi User Support
9. Unrestricted Cross Dimensional Operations
10. Intuitive Data Manipulaiton
11. Flexible Reporting
12. Unlimited Dimensions & Aggregation Levels
Kategeori OLAP :

Multi-dimensional OLAP (MOLAP atau MD-OLAP)

• Ini adalah cara tradisional dalam analisis OLAP. Dalam MOLAP data disimpan dalam
bentuk Multidimensional Database. Tidak seperti basis data relasional yang
menyimpan data dalam jumlah baris dalam tabel, sebuah data multidimensional
menyimpan data dalam sejumlah array multidimensional.
• Karena dimensi dapat diakses secara mudah, maka user dapat melakukan query
pada basis data MOLAP dengan sangat cepat. Selain mengandung data mentah,
basis data MOLAP juga mengandung agregasi data sehingga dapat memberikan
respon yang cepat terhadap query.
• Kelebihan :
– Performance hebat, karena MOLAP memang dibangun untuk pengambilan data
yang cepat dan optimal.
– Dapat membentuk kalkulasi yang komplek dan cepat.

Kekurangan (-) :
– Jumlah volume data yang dapat ditangani terbatas.
2. Relasional OLAP (ROLAP)

Merupakan cara lain yang digunakan untuk melakukan partisi menggunakan

tabel relasional dalam data warehouse. Banyak orang berpendapat bahwa
basis data yang dirancang secara khusus untuk sebuah keperluan analisis tidak
dibutuhkan karena sebuah basis data relasional sudah cukup mampu untuk
menampilkan data OLAP. Hal ini hanya berlaku pada tingkat tertentu saja, pada
sebuah basis data yang terdiri dari ribuan atau ratusan ribu records maka
menampilkan data OLAP akan menjadi sebuah masalah, karena banyak data
yang harus diquery. Dan hal ini lah yang menjadi keterbatasan partisi ROLAP.

➢ Kelebihan:
Dapat menangani jumlah volume data yang sangat besar, batasan ukuran
volume data yang ditangani pada teknologi ROLAP adalah batas dari volume
dari Relational Database yang dipakai. Dengan kata lain pada ROLAP sendiri
tidak ada batasan volume data. Dapat memanfaatkan fungsi-fungsi yang
ada pada Relational Database yang dipakai.
Kekurangan :
• Performance dapat lambat,
karena setiap ROLAP report pada
dasarnya adalah SQL Query pada
Relational Database, waktu query
dapat lebih lama jika volume data
semakin besar.
• Fungsi SQL yang terbatas, karena
teknologi ROLAP terutama
tergantung pada pembentukan
statement Query pada Relational
Database, dan tidak semua
kebutuhan dapat terpenuhi
dengan SQL Statement. ROLAP
vendor telah mengantisipasi
resiko ini dengan cara membuat
Tool out-of-the-box untuk fungsi-
fungsi yang kompleks bahkan
memungkinkan user untuk
mendefinisikan fungsi-fungsi yang
dibutuhkannya sendiri.
3. Hybrid OLAP
• Hybrid OLAP, menggabungkan kedua teknologi sebelumnya. HOLAP
menggunakan Relational Database untuk menyimpan Detail data dan
menggunakan Multidimensional Database untuk menyimpan Aggregate-nya.
HOLAP services dapat menggunakan data MOLAP dan ROLAP secara
simultan untuk memecahkan suatu query.
• HOLAP hadir untuk mengatasi kelemahan dari ROLAP dan MOLAP,
kelemahan tersebut adalah :
• Performa ROLAP tidak begitu baik karena agregasi selalu dilakukan
ulang apabila cache sudah expired.
• Keterbatasan storage dari MOLAP jika digunakan untuk menyimpan
kombinasi agregasi pada semua level.
• Jadi HOLAP merupakan kombinasi atau "jalan tengah" antara keduanya
dimana HOLAP akan menyimpan data precomputed aggregate pada media
penyimpanan (storage) HOLAP sendiri.
Penerapan SQL Pada OLAP

• Contoh penggunaan fungsi CUME (menghitung total

kumulatif nilai kolom). Tampilkan penjualan triwulan
untuk kantor cabang B003, dalam bentuk year-to-date.
Asumsi: terdapat table Branch Quarter Sales dengan 3
atribut: branchNo, quarter, quarterlySales, yang
menggambarkan semua penjualan property untuk
triwulan tersebut.
• SELECT quarter, quarterlySales,
CUME(quarterlySales) AS Year-to-Date
FROM BranchQuarterSales
WHERE branchNo = ‘B003’

Tabel hasil :
Quarter quarterly Sales Year-to-Date
1 960000 960000
2 1290000 2250000
3 2000000 4250000
4 1500000 5750000

OLAP 22/16
Proses dan Posisi OLAP pada Datawarehouse

Proses OLAP Pada Posisi OLAP

Data Warehouse
Pada Data
Warehouse