DATA

WAREHOUSE
Dosen : Yulya Muharmi,M.Kom
STMIK Dharmapala Riau
2023
 Kriteria Penilaian
Kehadiran 15%

Tugas 20%

Presentasi 20%

UTS 20%

UAS 25%
 Tujuan Mempelajari ???
Mahasiswa mampu memahami
01 02
Mahasiswa mampu
menjelaskan konsep data perencanaan, dan pemeliharaan
warehouse. data warehouse.

03 Mahasiswa mampu melakukan

pengumpulan requirement 04
data warehouse.
Pengantar Data
Warehouse
Apa itu Data Warehouse ?
 Data warehouse adalah basis data yang menyimpan data sekarang dan data
masa lalu yang berasal dari berbagai sistem operasional dan sumber yang lain
(sumber eksternal) yang menjadi perhatian penting bagi manajemen dalam
organisasi dan ditujukan untuk keperluan analisis dan pelaporan manajemen
dalam rangka pengambilan keputusan
 Data warehouse digunakan untuk mendukung pengambilan keputusan, bukan
untuk melaksanakan pemrosesan transaksi

5
Mengapa Perlu Data Warehouse ?

 Data warehouse dapat membuat ringkasan informasi yang penting dengan

tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan
data.
 Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat
pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah
proses pengambilan keputusan.

6
✔ Apakah anda memiliki data detail histori untuk tujuan analisa ?

✔ Apakah anda menyimpan level detail yang benar ?

✔ Apakah anda dapat menganalisa penjualan untuk tiap produk dari setiap daerah
sebelum dan sesudah struktur pelaporan penjualan di-reorganisasi ?

✔ Contoh: data penjualan pada suatu perusahaan. Dengan data warehouse maka dapat
menjawab pertanyaan “siapakah customer terbesar pada akhir tahun?”

✔ Data warehouse dibangun dengan tujuan memecahkan semua persoalan tersebut.

7
Ciri-ciri Data Warehouse
Terdapat 4 karateristik data warehouse:
1. Subject oriented
– Data yang disusun menurut subyek berisi hanya informasi yang penting bagi
pemrosesan decision support.
– Database yang semua informasi yang tersimpan dikelompokkan berdasarkan
subyek tertentu misalnya: pelanggan, gudang, pasar, dsb.
– Data-data disetiap subyek dirangkum kedalam dimensi, misalnya: periode
waktu, produk, wilayah, dsb, sehingga dapat memberikan nilai sejarah untuk
bahan analisa.
8
Ciri-ciri Data Warehouse
2. Integrated Time
Jika data terletak pada berbagai aplikasi yang terpisah dalam suatu lingkungan operasional,
encoding data sering tidak seragam sehinggga bila data dipindahkan ke data warehouse maka
coding akan diasumsikan sama seperti lazimnya.
3. 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.
4. Non volatile
– Data tidak dapat diperbaharui atau dirubah tetapi hanya dapat ditambah dan dilihat

9
Sifat Data Warehouse
● Multidimensional yang berarti
bahwa terdapat banyak lapisan Tahun n-4
Tahun n-3

kolom dan baris (Ini berbeda Tahun n-2

Tahun n-1

dengan tabel pada model relasional Jawa Tengah

Jawa Barat
yang hanya berdimensi dua)
● Berdasarkan susunan data seperti Produk 3

Produk 2
itu, amatlah mudah untuk Produk 1

memperoleh jawaban atas

pertanyaan seperti: “Berapakah
jumlah produk 1 terjual di Jawa
Tengah pada tahun n-3?”
10
11
Yang dapat dilakukan DW
Menurut Williams
● Pembuatan laporan
Pembuatan laporan merupakan salah satu kegunaan data warehouse
yang paling umum dilakukan. Dengan menggunakan query sederhana
didapatkan laporan perhari, perbulan, pertahun atau jangka waktu
kapanpun yang diinginkan.
● On-Line Analytical Processing (OLAP)
Dengan adanya data warehouse,semua informasi baik detail maupun
hasil summary yang dibutuhkan dalam proses analisa mudah didapat.
● OLAP mendayagunakan konsep data multi dimensi dan memungkinkan
para pemakai menganalisa data sampai mendetail
● Fasilitas lain yang ada pada sofware OLAP adalah fasilitas rool-up dan drill-
down.
● Drill-down adalah kemampuan untuk melihat detail dari suatu informasi dan
● roll-up adalah kebalikannya.
Different values
 How to apply values?
Mercury
It’s the closest planet to the Sun
and the smallest one in the Solar
System—it’s only a bit larger
than the Moon
Venus
Venus has a beautiful name and is
the second planet from the Sun.
It’s hot and has a poisonous
atmosphere
 Istilah Pada Data Warehouse

On-Line Analytical
Data Mart Processing (OLAP)
Data Mining
Venus has a beautiful name Despite being red, Mars is
and is the second planet actually a cold place. It’s
from the Sun full of iron oxide dust
 Arsitektur
DataWarehouse
Yulya Muharmi,.M.Kom
STMIK Dharmapala Riau
2023
Arsitektur Data
Warehouse
1. Arsitektur Dasar Data Warehouse
Gambar berikut menampilkan arsitektur sederhana dari suatu Data Warehouse.
User dapat secara langsung mengakses data yang diambil dari beberapa source
melalui data warehouse
Arsitektur Data
Warehouse
2. Arsitektur Data Warehouse dengan menggunakan Staging
Area

Staging area menyederhanakan proses pembuatan summary

dan management warehouse secara umum
Arsitektur Data
Warehouse
3. Arsitektur Data Warehouse dengan menggunakan Staging
Area dan Data Mart
Data mart merupakan subset dari data resource, biasanya
berorientasi untuk suatu tujuan yang spesifik atau subjek data
yang didistribusikan untuk mendukung kebutuhan bisnis.
Sumber Data
untuk DW
1. Data operasional dalam organisasi, misalnya basis
data pelanggan dan produk, dan
2. Sumber eksternal yang diperoleh misalnya melalui Internet, basis
data komersial, basis data pemasok atau pelanggan

 Berbagai data yang berasal dari sumber digabungkan dan

diproses lebih lanjut oleh manajer data warehouse dan disimpan
dalam basis data tersendiri.
 Selanjutnya, perangkat lunak seperti OLAP dan data mining dapat
digunakan oleh pemakai untuk mengakses data warehouse
Multidimensional
Database Structure
DATAWAREHOUSE vs DATAMART
DATAWAREHOUSE
✔ Perusahaan, melingkupi semua
proses
✔ Gabungan datamart
✔ Data didapat dari proses Staging
✔ Merepresentasikan data dari
perusahaan atau organisasi
✔ Diorganisasi dlm E-R Model
DATA MART
✔ Departemen
✔ Satu bisnis proses
✔ Start-Join (fakta dan dimensi)
✔ Teknologinya optimal untuk
pengaksesan dn analisis data
✔ Cocok untuk merepresentasikan
data departemen
DATAWAREHOUSE vs DATAMART

 Datawarehouse = gabungan dari beberapa datamart yang levelnya berada

pada perusahaan atau organisasi.
 Datamart = bagian dari datawarehouse yang berada level departemen pada
perusahaan atau organisasi tersebut.
 Data mart menangani sebuah business proses, misalkan penjualan.
Data Mart
Bagian dari data warehouse yang mendukung kebutuhan
pada tingkat departemen atau fungsi bisnis tertentu dalam
perusahaan. Karakteristik yang membedakan data mart dan data
warehouse adalah sebagai berikut (Connolly, Begg, Strachan 1999).
Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai
● yang terkait dalam sebuah departemen atau fungsi bisnis.
 Data mart biasanya tidak mengandung data operasional yang rinci seperti
pada data warehouse.
Data mart hanya mengandung sedikit informasi dibandingkan dengan
● data warehouse. Data mart lebih mudah dipahami dan dinavigasi.
Contoh Software
Data Mart
 SmartMart (IBM)
 Visual Warehouse
(IBM)
 PowerMart
(Informatica )
OLAP
(OnLine Analytical Processing )
 Suatu jenis pemrosesan yang memanipulasi dan
menganalisa data bervolume besar dari
berbagai perspektif (multidimensi).
 OLAP seringkali disebut analisis data multidimensi.
OLAP
(Lanjutan…)
▶ Data multidimensi adalah data yang dapat dimodelkan
sebagai atribut dimensi dan atribut ukuran
▶ Contoh atribut dimensi adalah nama barang dan
warna barang, sedangkan contoh atribut ukuran
adalah jumlah barang
OLAP : Contoh Data 2
Dimensi
Kemampuan
OLAP
 Konsolidasi melibatkan pengelompokan data. Sebagai
contoh kantor-kantor cabang dapat dikelompokkan
menurut kota atau bahkan propinsi. Transaksi penjualan
dapat ditinjau menurut tahun, triwulan, bulan, dan
sebagainya. Kadangkala istilah rollup digunakan untuk
menyatakan konsolidasi
 Drill-down adalah suatu bentuk yang merupakan
kebalikan dari konsolidasi, yang memungkinkan data
yang ringkas dijabarkan menjadi data yang lebih detail
 Slicing and dicing (atau dikenal dengan istilah pivoting)
menjabarkan pada kemampuan untuk melihat data
dari berbagai sudut pandang
Contoh Tabel
Pivoting
Hierarki Dimensi untuk Drill-
down
Software OLAP
 Express Server (Oracle)
 PowerPlay (Cognos Software)
 Metacube (Informix/Stanford Technology
Group)
 HighGate Project (Sybase)
Data
Mining
▶ Perangkat lunak yang digunakan untuk menemukan
pola-pola tersembunyi maupun hubungan-hubungan
yang terdapat dalam basis data yang besar dan
menghasilkan aturan-aturan yang digunakan untuk
memperkirakan perilaku di masa mendatang
▶ Data mining sering dikatakan berurusan dengan
“penemuan pengetahuan” dalam basis data. Suatu
aturan yang dihasilkan oleh data mining misalnya
seperti berikut : “Kebanyakan pembeli mobil Forsa
adalah wanita berusia di atas 30 tahun”.
Data
Mining
▶ Mengotomatisasi penemuan pola-pola yang tidak
diketahui sebelumnya.
▶ Contoh dari penemuan pola ini adalah analisis pada
data penjulan ritel untuk mengidentifikasi produk-
produk,yang kelihatannya tidak berkaitan, yang
seringkali dibeli secara bersamaan oleh kustomer.
▶ Contoh lain adalah pendeteksian transaksi palsu
dengan kartu kredit
Prinsip Data
Mining
Aplikasi Data 3
2
Mining
Teknologi Untuk Data 3
3
Mining
▶ Statistik
▶ Jaringan saraf (neural network)
▶ Logika kabur (fuzzy logic)
▶ Algoritma genetika
▶ dan berbagai teknologi kecerdasan buatan yang
lain
Data Mining : 3
4
Visualisasi Data
▶ Pendekatan data mining juga ada yang melalui
visualisasi data
▶ Pada sistem seperti ini, pemakai akan dibantu untuk
menemukan sendiri pola dari sejumlah data berukuran
besar dengan didasarkan visualisasi oleh data mining
Data Mining : Visualisasi 3
5
Data
Nama Anggota Kelompok
Presentasi
Kelp 1 : Perkembangan Data ✔ Kelp 2 : Planning & project
Warehouse dan fitur dalam management dalam
datawarehouse (bagaimana
data warehouse merencanakan sebuah project
✔ Anjas Asgita datawarehouse)
✔ Liza ✔ Hendra
✔ Gustino ✔ Ayuni
✔ Jason
✔ Haura
✔ Wahyu
Kelp 3: Defining the Business
Requirements dalam
datawarehouse (bagaimana
mendefinisikan kebutuhan bisnis
terhadap sistem DW)
✔ Jennie fransiska
✔ Chantriyana
✔ Jesiska
✔ Meniswan
Kelp 4: Requirement as the
Driving Force for Data warehouse
(Kebutuhan akan menentukan
seberapa perlu membangun DW)
✔ Junita
✔ Dwi meliani
✔ Lio
✔ Steven
Kelp 5 : Architectural Components
(arsitektur DW)
✔ Suci arnita
✔ Yuviman
✔ Tanto wijaya
✔ Alif novran
✔ Ade putra
ATURAN PRESENTASI
● Waktu presentasi maksimal 15 menit, waktu untuk menjawab pertanyaan max 15 menit.
● Tampilan slide presentasi harus menarik , boleh menggunakan selain ppt ,contoh prezi, canva dll.
● Setiap pertemuan yang tampil presentasi 2 kelompok, misalkan kelp1 dan kelp 2.
● 1 kelompok yang presentasi termasuk 1 kali kehadiran (diharapkan semua hadir karena akan
bolong 2x absen)
● Semua anggota mempunyai tanggungjawab dalam membuat dan memahami materi presentasi.
● Tampilan presentasi yang menarik mendapatkan nilai tambah
● Presentasi dimulai minggu depan tgl 15 feb 2023.
● Jika ada kelompok belum siap presentasi nilai presentasi 0 (nol). Penilaian presentasi 20% dalam
kriteria penilaian.
● Jika ada yang diragukan silahkan ditanyakan.