DATA WAREHOUSE

MEET 2
THURSDAY, Sept 8th 2016
Nadira S.Kom, M.M
Data Mart

 MerupakanHimpunan Bagian Dari Data

Warehouse yang Mendukung Kebutuhan dari
Departemen Tertentu atau Fungsi Bisnis
Tertentu
 DataMart memiliki 2 jenis yaitu
Independent Data Mart dan Dependent Data
Mart
DATA MART
MENURUT PARA AHLI
 Menurut Turban, Sharda, Delen dan King, data mart adalah subset dari
data warehouse dan berfokus pada topik tertentu atau departemen,
yang biasanya terdiri dari suatu subyek (misalnya pemasaran,
operasi). Terdapat dua jenis data mart, antara lain: Dependent Data
Mart dan Independent Data Mart.
 Menurut Scheps (2008:208) Data Mart dapat menerima data dari data
warehouse, atau secara langsung dari sistem transaksional. Data mart
dapat menampilkan transformasi dan kalkulasi pada data yang sama
dengan data warehouse. Tapi data mart selalu terbatas pada ruang
lingkupnya dan tujuan bisnis.
Karakteristik Data Mart

 Fokus Hanya Pada Kebutuhan dari Satu Departemen atau

Fungsi Bisnis
 Secara Normal Tidak Mengandung Data Operasional yang
Detail seperti Data Warehouse
 Lebih Mudah di Mengerti dan di Navigasi
Jenis-jenis Arsitektur Data Warehouse

1. Generic Two-Level Architecture

2. Independent Data Mart
3. Dependent Data Mart
4. Logical Data Mart and Active Data
Warehouse
Generic Two-Level Architecture

 Data-data yang ada didapat dari proses ekstraksi dari

sumber data. Ada 2 jenis sumber data, yaitu internal dan
external.
 Kelebihan : Seluruh data yang ada, disimpan ke dalam
satu data warehouse sehingga memudahkan pencarian
data
 Kekurangan : Membutuhkan spesifikasi server yang
mumpuni apabila nantinya data warehouse akan sering
diakses
Contoh Generic Two-Level Architecture
Independent Data Mart

 Model ini dibangun dengan cara melakukan proses ekstraksi data

langsung dari berbagai source sistem. Independent Data Mart tidak
terganggu pada pusat penyimpanan data seperti data warehouse. Hal
ini dikarenakan data yang ada akan disimpan kedalam beberapa data
mart.
 Kelebihan : Data disimpan ke dalam beberapa data mart, sehingga
tidak tergantung pada data warehouse, hal ini akan sangat
mengefisienkan waktu dalam melakukan pencarian terhadap suatu
data
 Kekurangan : Proses pembuatan akan sedikit lebih rumit karena harus
membuat beberapa data mart.
Contoh Gambar Independen Data Mart
Dependent Data Mart

 Yaitu solusi untuk mengatasi keterbatasan proses ETL pada

arsitektur jenis Independent Data Mart. Kapabilitas
melakukan drill-down pada Independent Data Mart dapat
dihilangkan atau ditiadakan dengan solusi yaitu
menyediakan sebuah sumber yang terintegrasi untuk
seluruh proses operasional data dalam suatu proses
operasional data store.
 Dependent Data Mart (continue)

 Kelebihan :
1. Pada dependent data mart, data disimpan ke dalam beberapa data mart,
sehingga tidak tergantung pada data warehouse, hal ini tentunya akan mengurangi
waktu dalam melakukan pencarian terhadap suatu data.
2. Dependent Data Mart dapat mengatasi keterbatasan proses ETL (Extract,
Transform, Load) pada independent data mart
 Kekurangan :
1. Pembuatannya akan sedikit lebih rumit karena harus membuat data warehouse
dan data mart. Serta harus melakukan proses ekstraksi data, dari data warehouse ke
dalam data mart.
2.Membutuhkan spesifikasi server yang mumpuni apabila nantinya data warehouse
akan sering diakses sehingga lalu lintas data tidak terganggu
Contoh Gambar Dependent Data Mart
Logical Data Mart and Real-Time Data
Warehouse
 Logical data mart tidak secara real atau fisik terpisah
dengan database namun hanya terdapat perbedaan view
terhadap fisik basis data. Beberapa data harus
dipindahkan ke dalam sebuah data warehouse demi
meningkatkan kinerja pada proses komputasi tingkat
tinggi.
 Logical Data Mart and Real-Time Data
Warehouse (continue)
 Kelebihan :
1. Dengan menggunakan Logical Data Mart and Real-Time Data Warehouse, sebuah data mart
dapat dibuat dengan cepat karena tidak mempunyai database secara fisik.
2. Data pada data mart akan selalu up to date karena data dimunculkan dibuat dari view
ketika view tersebut di gunakan
 Kekurangan :
1. Proses pembuatan cukup rumit karena harus melakukan proses gabungan pada table-table
tertentu untuk memunculkan data yang diinginkan.
2. Sang pembuat Logical Data Mart and Real-Time Data Warehouse harus memiliki
kemampuan database diatas rata rata untuk melakukan proses pembuatan.
3. Karena data pada data mart akan selalu up to date, maka membutuhkan spesifikasi server
yang besar apabila nantinya data akan sering diakses. Hal ini dimaksudkan untuk
meminimalisir terganggunya proses lalu lintas data
Logical Data Mart and Real-Time Data
Warehouse
OLAP ( On-Line Analytical Processing )

 Menurut Connolly dan Beg, OLAP adalah Sintesis, Analisis

dan Konsolidasi Dinamis dari Sejumlah Besar
Multidimensional Data
 Menurut Kimball dan Ross, OLAP adalah Kumpulan Aturan
yang Menyediakan Sebuah Kerangka Dimensional untuk
Mendukung Keputusan
 Menurut Kuo-Ming OLAP di Rancang untuk Menyimpan Data
dan Meringkas Informasi dengan Cepat serta Menjawab
Beberapa Pertanyaan Misalnya Tentang Peramalan Pasar
dan Laporan Keuangan
OLTP (OnLine Transaction Processing)

 Menurut Connolly dan Beg, OLTP adalah Sistem yang

di Rancang untuk Menangani Jumlah Hasil Transaksi
yang Tertinggi, dengan Transaksi yang Biasanya
Membuat Perubahan Kecil Bagi Data Operasional
Organisasi, yaitu Data yang Memerlukan Penanganan
Operasi Setiap Hari.
 Menurut Rainer, OLTP (Online Transaction
Processing) adalah pemrosesan transaksi bisnis secara
online langsung setelah transaksi itu terjadi.
Perbedaan OLAP dan OLTP
APA SAJA CONTOH PENGGUNAAN
DATA MART, OLAP dan OLTP?
ADA YANG BISA MEMBERIKAN
KESIMPULAN
KESIMPULAN

 Data Mart adalah bagian dari data warehouse atau data secara
langsung dari sistem transaksional yang berfokus pada topik
tertentu atau departemen yang biasanya terdiri dari suatu
subyek (misalnya keuangan)
 OLTP ialah system yang dirancang untuk menangani jumlah hasil
transaksi tertinggi dan data yang memerlukan penanganan
operasi setiap hari ke dalam sebuah database ( Alfamart,dsb)
 OLAP adalah perpaduan dan pemrosesan analitis data
multidimensional untuk membantu pengguna menjawab
berbagai pertanyaan bisnis.(con. Tokopedia,dsb)
Thank You 