More Related Content
What's hot (20)
Similar to Data Mining 2 - Pemodelan Data.pptx (20)
Recently uploaded (8)
Data Mining 2 - Pemodelan Data.pptx
- 3. PENGANTAR Mengapa Pemodelan Data itu penting ? Tujuan Meyakinkan semua objek data yang diperlukan oleh database telah terpenuhi.
- 4. TABEL RELATIONAL Tabel Relasional dibangun oleh baris dan kolom Terdapat dua sudut pandang, yaitu: Baris sebagai sumbu x dan kolom sebagi sumbu y, tapi sebenarnya tabel relasional tersebut hanya mempunyai satu dimensi.
- 5. Karakteristik: 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, judul, jenis buku, pengarang menyimpan fakta yang sama atau sejenis, dimana setiap fakta tersebut merujuk pada primary key yaitu Kode Buku. Hal inilah yang menunjukkan bahwa tabel relasional hanya mempunyai satu dimensi.
- 6. DATA MULTIDIMENSI Data multidimensi adalah ketika kita dapat melihat sebuah data dari berbagai sudut pandang atau dimensi. Sebagai contoh, penjualan buku dapat dilihat dari segi 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.
- 7. PEMODELAN DATA MULTIDIMENSI What is Dimensional Modeling ? .. Menggunakan dua konsep yaitu tabel fakta (fact table) dan tabel dimensi (dimensional table) Berbeda dengan konsep normalisasi normal form)
- 8. TABEL FAKTA ? Tabel Fakta berisi measurement atau metric dari proses bisnis dan foreign key dari tabel dimensi. Tabel fakta merupakan tabel utama dari cube. Karakteristik dari tabel fakta : kumpulan key dimensi dari tabel ada measure(yang ingin diukur) data akan selalu berubah Misal : Jika anda mempunyai bisnis penjualan sepeda motor maka measurement dari bisnis anda adalah jumlah penjualan motor atau rata-rata penjualan sepeda motor merk x.
- 9. TABEL DIMENSI? Tabel Dimensi berisi atribut dari measurement yang disimpan pada tabel fakta. Tabel dimensi merupakan hierarki, kategori dan logic yang dapat digunakan untuk menganalisa measurement dari sudut pandang tertentu. Tabel dimensi bersifat statis(tidak berubah).
- 15. Sebagai contoh Automaker Sales, terdapat tiga tipe entity, yaitu: 1. Measurement atau metric 2. Business dimension 3. Atribut untuk masing-masing business dimension
- 21. DIMENSI PRODUK
- 22. Menaruh semuanya Bersama-sama itu menunjukkan bagaimana berbagai dimensi tables dibentuk dari information package diagram.
- 24. ARSITEKTUR DW
- 25. DEFINISI ARSITEKTUR Sekumpulan aturan-aturan atau struktur yang menyediakan kerangka kerja untuk disain keseluruhan sistem atau produk.
- 26. TIGA KOMPONEN UTAMA ARSITEKTUR DW Populasi Warehouse Downloading vs Volume Data Administrasi Warehouse Perawatan Metadata Mesin Pendukung Keputusan Query dan Pelaporan
- 27. HAL YANG PERLU DIPERHATIKAN DALAM ARSITEKTUR DW Cost Effective Adaptable Easily Implemented
- 28. HAL YANG PERLU DIPERTIMBANGKAN DALAM MEMILIH MEDIA & METODE PENYIMPANAN Data load times Synchronization Recovery Summarization levels Method of data implementation Security Data distribution Data access and query speed Ease of maintenance
- 29. AKSES INFORMASI Komponen kunci: Memberikan akses pada orang yang tepat untuk informasi yang tepat pada waktu yang tepat. Memudahkan pengambilan informasi secara cepat dan mudah.
- 30. TUJUAN UTAMA ARSITEKTUR DW Mendefinisikan suatu struktur yang membantu customer membuat implementasi data warehouse yang efektif, yaitu implementasi yang memberikan kemudahan akses data pada pengguna dan aplikasi. Arsitektur mengidentifikasi dan mendefinisikan komponen-komponen, antar muka, dan protokol- protokol.
- 31. MASALAH AKSES DATA/ INFORMASI Data yang banyak dan tersebar. Kebutuhan sistem analisis yang cepat dan mudah dalam mengakses data. Mempertahankan investasi organisasi terhadap sistem informasi yang telah ada.
- 32. PERMASALAHAN CUSTOMER YANG DISELESAIKAN DENGAN ARSITEKTUR DW No single view of data Different user tools Lack of consistency Lack of useful historical capability Conflict between application type Problems in administering data Proliferation of complex extract application
- 33. KONFIGURASI DATA Single copy configuration Reconciled data configuration Derived data configuration Hybrid data configuration
- 34. KOMPONEN-KOMPONEN KUNCI ARSITEKTURAL DW Model data yang mendefinisikan isi warehouse. Desain database warehouse, apakah hirarsikal, relasional, atau multidimensional. Utilitas untuk data scrubbing, copy management, data transport, data replication, cross platform communication. Optimasi warehouse server untuk pelaporan dan pemrosesan query yang cepat. DSS untuk pelaporan dan analisis.
- 35. BAGIAN DARI MODEL ARSITEKTURAL DW Operational database/external database layer (Lapisan database Operational) Information access layer (Lapisan Akses Informasi) Data access layer (Lapisan Akses Data) Data directory (metadata) layer Process management layer Application messaging layer Data warehouse layer Data staging layer
- 36. PILIHAN PEMINDAHAN KE DATA WAREHOUSING 1. Rehosting mainframe applications 2. Two tier architecture using mainframe as a server 3. Three tier data warehouse architecture 4. Four tier data warehouse architecture
- 37. DEFINISI ISTILAH DI PENDUKUNG KEPUTUSAN Facts variabel-variabel atau pengukuran yang biasanya disimpan dalam bentuk numerik yang merupakan fokus dari investigasi pendukung keputusan. Metrics Analisis pengukuran yang dikalkulasi dari fakta secara langsung. Dimensions Pengelompokkan secara logika dari atribut- atribut yang memiliki relasi kunci terkecil yang
- 38. PERMASALAHAN DISAIN SKEMA Keseimbangan kebutuhan-kebutuhan yang konflik dari: fungsionalitas analisis kinerja query kemampuan perawatan database
- 39. DUA TIPE TABEL UTAMA YANG ADA DALAM DATA WAREHOUSE Fact Tables Dimensions Tables
- 40. CONCEPTUAL MODELING OF DATA WAREHOUSES Modeling data warehouses: dimensions & Measures: Star schema: A fact table in the middle connected to a set of dimension tables. Snowflake schema: A refinement of star schema where some dimensional hierarchy is normalized into a set of smaller dimension tables, forming a shape similar to snowflake. Fact constellations: Multiple fact tables share dimension tables, viewed as a collection of stars, therefore called galaxy schema or fact constellation.
- 41. Skema Star KOMPONEN MODEL TABLE 1) Sebuah fact table yang besar dan tersentralisasi. 2) Satu tabel untuk setiap dimensi. 3) Setiap fact points untuk satu tuple dalam setiap dimensinya dan memiliki atribut tambahan. 4) Mudah dimengerti dan mengurangi jumlah dari physical joins. 5) Mudah untuk mendefinisikan hirarkinya.
- 42. SKEMA STAR (BINTANG) Skema tabel yang sering digunakan adalah skema bintang (star schema), yang digunakan pada OLAP. Skema tabel ini membentuk struktur informasi multidimensi yang kompatibel dengan kebutuhan bisnis.
- 43. CONTOH 1: SKEMA STAR (BINTANG)
- 44. CONTOH 2: SKEMA STAR
- 45. CONTOH 3: SKEMA STAR
- 46. CONTOH 4: SKEMA STAR
- 47. CONTOH 5: MODEL STAR
- 48. KARAKTERISTIK STAR SCHEMA Pusat dari star (skema bintang) adalah fact table (berisi indikator indikator kinerja pokok). Tabel di sekeliling fact table adalah dimension table. Setiap tabel dimensi berelasi langsung dengan fact table berdasarkan primary key-nya. Primary key pada tabel dimensi akan menjadi key pada fact table. Relasi antara fact table dengan dimensi- dimensinya adalah 1-N (one to many). Skema bintang diimplementasikan menggunakan teknologi relational database.
- 49. KEUNTUNGAN & KERUGIAN STAR Keuntungan : Lebih simple Mudah dipahami. Hasil dari proses query juga relatif lebih cepat Kerugian : Boros dalam space.
- 50. SKEMA SNOWFLAKE 1) Merupakan variant dari model skema star. 2) Sebuah fact tables yang besar dan tersentralisasi serta satu atau lebih tabel untuk setiap dimensi. 3) Tabel dimensi dinormalisasi dengan cara men- split data pada tabel dimensi ke dalam tabel tambahan. 4) Mudah untuk maintenance dan menghemat storage.
- 51. SNOWFLAKE SCHEMA Model snowflake merupakan perluasan dari star dimana ia juga mempunyai satu atau lebih dimensi. Hanya saja pada snowflake, tabel yang berelasi pada fact table hanya tabel dimensi utama, sedangkan tabel yanhg lain dihubungkan pada table dimensi utama. Model snowflake ini hamper sama seperti Teknik normalisasi.
- 52. KEUNTUNGAN & KERUGIAN SNOWFLAKE Keuntungan menggunakan model Snowflake: Pemakain space yang lebih sedikit Update dan maintenance yang lebih mudah Kerugian menggunakan model ini yaitu: Model lebih komplek dan rumit Proses query lebih lambat Performance yang kurang bagus
- 53. CONTOH 1: SKEMA SNOWFLAKE ) p r o d T i m e date, custno, prodno, cityname, ... f a c t c u s t r e g i o n c i t y
- 54. CONTOH 2: SKEMA SNOWFLAKE ) Fact Table Time Dimension Store Dimension Store Key Product Key Period Key Units Price Period Key Year Quarter Month Store Key Store Name City Key City Dimension City Key City State Region Product Key Product Desc Product Dimension
- 55. CONTOH 3: SKEMA SNOWFLAKE )
- 56. SKEMA FACT CONSTELLATION 1) Beberapa fact tables berbagi tabel dimensi. 2) Ditampilkan sebagai koleksi dari kumpulan skema bintang yang sering disebut sebagai skema galaxy. 3) Dibutuhkan oleh aplikasi yang canggih. Promotion Hotels Booking Checkout Travel Agents Room Type Customer
- 57. Sales Fact Table Store Key Product Key Period Key Units Price Shipping Fact Table Product Dimension Product Key Product Desc Shipper Key Store Key Product Key Period Key Units Price Store Dimension Store Key Store Name City State Region CONTOH SKEMA FACT CONSTELLATION
- 58. DATA CUBE A data cube, such as sales, allows data to be modeled and viewed in multiple dimensions. Suppose ALLELETRONICS create a sales data warehouse with respect to dimensions: Time Item Location
- 59. CUBE
- 61. 4D DATA CUBE EXAMPLE
- 62. Membuat model untuk Data Warehouse
- 63. PERSIAPAN Untuk membuat data model untuk data warehouse sebaiknya harus diketahui: Spesifikasi kebutuhan informasi Data yang tersedia (sumber data) sudah harus tersedia
- 64. CONTOH Untuk menjawab : Berapa besar penjualan dan laba per bulan, per produk, per tipe pelanggan/pembeli (grosir, pabrikan, industri rumah, atau exportir), jenis industri (dari pelanggan/pembeli), dan kemana barang pesanan dikirim (propinsi atau nama negara). Output Output tersebut biasa disebut analisa multi- dimensi (multi-dimensional analysis). Besaran (measure) yang ditanyakan (dianalisa) adalah penjualan dan laba. Batasan (dimension) dari besaran tersebut adalah bulan (period), produk, tipe pelanggan, jenis
- 65. ER-DIAGRAM
- 66. Model yang digunakan adalah Star Schema dengan Bentuk:
- 67. DATA 3 DIMENSION 3 dimensi dibuat umum (common dimension), dapat dimanfaatkan untuk analisa lain (mendatang): 1) Waktu: untuk memenuhi spesifikasi perbulan, yang akan dihubungkan dengan data tanggal pesan. Table ini akan diisi semua bulan dan sekian tahun (harus diputuskan berapa tahun, karena tabel ini kecil volumenya, misalnya diisi untuk 50 tahun pada awal implementasi data warehouse). 2) Jenis industry: untuk memenuhi spesifikasi jenis industri, yang akan dihubungkan dengan data industri pelanggan. 3) Lokasi: untuk memenuhi spesifikasi propinsi/ negara pemakai, yang akan dihubungkan dengan bagian data alamat kirim, dengan kata lain didalam proses memasukkan data dari sumber kedalam warehouse harus mencari dan menentukan propinsi atau negara didalam/ dari data alamat kirim.
- 68. OUTPUT 1) Penjualan diakumulasikan per bulan (monthly aggregated), juga per dimensi yang lain sesuai spesifikasi: produk, tipe pelanggan, jenis industry, dan lokasi kirim. Pajak penjualan dan Ongkos kirim tidak diperhitungkan. 2) Data hasi perhitungan laba ikut disimpan (pre calculated), agar query cepat. Formula yang diberikan oleh user adalah: Laba penjualan = (Harga satuan (Harga bahan baku + Ongkos
- 69. 311 312 313 314 315 316 321 322 323 Food Manufacturing Beverage and Tobacco Product Manufacturing Textile Mills Textile Product Mills Apparel Manufacturing Leather and Allied Product Manufacturing Wood Product Manufacturing Paper Manufacturing Printing and Related Support Activities ISI TABEL Manufacturing
- 72. Berikut Contoh Isi Tabel Tabel Datawarehouse Dari Model Diatas. Semua Tabel Dimensi Diisi Data Pada Awal Data Warehouse Diimplementasikan (Pre-loaded). Sedangkan Untuk Tabel Fakta (Penjualan; Datanya Berasal Dari Sumber). Table-table Data Warehouse
- 75. Extract Scrub Transform Load Index Aggregation Design Mapping Replication Data Set Distribution Access & Analysis Resource Scheduling & Distribution System Monitoring Meta Data Extract//Transform/Load RDBMS Utilities MOLAP/ROLAP Replication/Distribution Tools CASE EIS Job Schedulers DB Design Data Mining Data Visualization Metadata Browsers Database & System Monitors Repositories Design/Transform/Extract/Aggregate/Monitor/Manage Suites / Environments DATA WAREHOUSE TOOLS
- 77. TERIMA KASIH