BASIS DATA LANJUTAN

Distributed Database
 Basis data terdistribusi adalah kumpulan
database yang disimpan di banyak komputer
pada lokasi yang berbeda-beda dan
menampilkan ke user sebagai single database
 Komputer-komputer tersebut terhubung dengan
jaringan dan user dapat mengkases,
mengupdate dan memodifikasi data pada
database melalui jaringan
 Why A Distributed Database?
 Distribution and autonomy of business units
divisi dan departemen dari suatu organisasi tersebar
secara geografis
 Data sharing
proses sharing data harus dilakukan secara mudah dan
tepat
 Data communications costs and reliability
proses pertukaran data dalam jumlah yang besar
melalui jaringan membutuhkan biaya yang besar dan
berpengaruh pada performance jaringan
Homogenous Distributed Database
Homogenous Distributed Database
(2)
 Menggambarkan sistem terdistribusi yang
mengkoneksikan 3 database hq, mfg, dan sales
 User dapat mengakses atau memodifikasi data
pada beberapa database pada suatu lingkungan
terdistribusi
 Misalnya manufacturing melakukan join antara
tabel yang ada di local database mfg dengan
tabel yang berada di database hq (remote
access)
 Heterogeneous Distributed
Database
 Oracle Database server mengakses
non-Oracle Database system
menggunakan Oracle Heterogeneous
Services:
- Oracle Transparent Gateway
- Generic Connectivity (ODBC,OLEDB)
 Data Warehouse
 Data warehouse adalah relasional database yang
didesain untuk proses query dan analisa
 Meliputi: extraction, transportation,
transformation, loading solution, online
analytical processing (OLAP),client analysis tool,
dan aplikasi lain yang mengatur proses
pengumpulan data dan mengirimkan ke business
user
 Data Warehouse
 Data warehouse didesain untuk proses
analisa data
 Contoh: data penjualan pada suatu
perusahaan. Dengan data warehouse
maka dapat menjawab pertanyaan
“siapakah customer terbesar pada akhir
pada akhir tahun?”
 Data warehouve vs OLTP
(Online Transaction Processing)

Salah satu perbedaan utama data warehouse dengan OLTP adalah

data warehouse tidak selalu dalam bentuk normal ketiga (3NF),
sedangkan OLTP biasanya dalam bentuk normal ketiga (3NF)
 Data warehouve vs OLTP
 Workload
 Data warehouse didesain untuk menampung query dalam
jumlah yang besar
 OLTP hanya mendukung operasi tertentu
 Data modification
 Data warehouse diupdate data secara regular (setiap minggu atau setiap
hari) menggunakan teknik modifikasi data sehingga user tidak secara
langsung mengupdate data warehouse
 Pada OLTP, user melakukan proses update data secara rutin dan langsung

 Schema Design
 Data warehouse biasanya ternormalisai secara sebagian bahkan
dalam keadaan tidak ternormalisasi
 OLTP ternormalisasi penuh untuk meningkatkan proses
update/insert/delete dan meningkatkan konsistensi data
 Data warehouve vs OLTP
 Typical operation
 Data warehouse menjalankan query yang memproses banyak baris (ratusan
atau milyaran), contoh :total penjualan semua customer pada akhir bulan
 OLTP hanya mengkases record tertentu, contoh :mencari data order untuk
customer tertentu

 Historical data
 Data warehouse menyimpan data selama beberapa bulan
atau tahun. Hal ini mendukung proses historical analysis
 OLTP menyimpan data hanya beberapa minggu atau bulan
 Arsitektur data warehouse

End user secara langsung mengakses data dari beberapa sistem

melalui data warehouse
 Data Mining
 Suatu metode yang digunakan untuk mengekstrak
pola dari suatu data
 Nama lain: Knowledge Discovery in Database (KDD)
 Proses KDD:
 Identifikasi masalah
 Menyiapkan data
 Membangun model data (data mining)
 Menggunakan dan memonitoring model
 Application Data Mining
 Data analysis and decision support
 Managemen dan analisa pasar
 Target marketing, customer relationship management (CRM),
market basket analysis, cross selling, market segmentation
 Managemen dan analisa resiko
 Forecasting, improved underwriting, quality control,
competitive analysis
 Other Applications
 Text mining (news group, email, documents) and Web
mining
 Stream data mining
 DNA and bio-data analysis
 Data Mining Task’s
 Association, menemukan hubungan dan korelasi antara berbagai
data item
 Classification, menganalisa data percobaan dan membangun
model berdasarkan fitur dari data
 Prediction, memprediksi nilai-nilai yang mungkin terjadi dari data
yang hilang atau distribusi nilai dari atribut tertentu dalam
kumpulan obyek
 Clustering, mengidentifikasi cluster yang tersimpan dalam data,
dimana cluster tersebut merupakan kumpulan data yang memiliki
kesamaan dengan yang lain
 Time-series analysis, mencari urutan kesamaan, pola (pattern),
periode dan deviasi
 Data Mining Method’s
 Classification and regression
classification menghasilkan data categorical dan
regression menghasilkan data numeric
 Clustering
menggunakan algoritma k-mean, k-median
 Association
menemukan pola pada data transaksional.
Berhubungan dengan market basket analysis
 What Kind of Output?
 Rules  Decision Trees

Product F
Product A

Web
Product C

Product E Product B

Product G
Product D
 Keunggulan
 penyimpanan database besar, dalam
hitungan megabyte, gigabyte, terabyte
 Relationship yang komplek antar field.
Gabungan antara data numerical dan
categorical
 Skalabilitas tinggi.