More Related Content
Similar to Snow flake presentasi (20)
Recently uploaded (20)
Snow flake presentasi
- 2. HENI PRASTIWI (105623010) RIANA SUPRAPTO (105623068) NETY HERAWATI (105623084) ISSA OKTAVIANI (105623276) INDRI SETYOWATI (105623284) CHUSNUL IMAMA (105623288) FAJAR HIDAYAT (105623303) IRWAN () FIKRI ()
- 3. Data warehouse memberikan storage, fungsionalitas yang lebih dan lebih responsif terhadap query dibandingkan kemampuan database yang bersifat transaksi Banyak orang hanya butuh data read-access tapi butuh akses yang cepat pada data yang sangat bear dan bisa diunduh ke desktop, seringkali data itu datangnya dari lebih dari 1 database. DW, DM dan OLAP menyediakan fungsi ini.
- 4. Subject-oriented, integrated, nonvolatile, time- variant collection of data in support of managements decisions (Inmon, 1992) Dibanding database tradisional, DW umumnya terdiri dari data yang berukuran sangat besar dari banyak sumber dan mungkin terdiri dari database dari model data yang berbeda dan kadang file dari sistem dan platform yang independen
- 5. Tidak seperti database transaksional, DW biasanya mendukung analisa tren dan time-series, di mana keduanya membutuhkan data historik DW itu nonvolatile. Artinya informasi dalam DW jarang diubah dan bisa dianggap non-real-time DW bisa digambarkan sebagai kumpulan teknologi pendukung keputusan, dimaksudkan untuk memungkinkan pekerja yang berhubungan dengan informasi (eksekutif, manajer dan analis) untuk membuat keputusan lebih baik dan lebih cepat
- 6. Konsep multidimensi Deminsi generic Tingkat agregasi dan dimensi tak terbatas Operasi lintas dimensi tak terbatas Penanganan matriks dinamis Arsitektur client-server Dukungan multi-user aksesibilitas Transparansi Manipulasi data yang intuitif Performa reporting yang konsisten Reporting yang fleksibel
- 7. Data warehouse ada untuk memfasilitasi queri ad hoc yang terjadi sering dan kompleks. Untuk itu, data warehouse harus menyediakan dukungan query yang lebih efisien Roll-up: data dirangkum dengan generalisasi Dril-down: meningkatkan tingkat detail Pivot: lintas tabulasi (juga disebut rotasi) Potong dan iris: melakukan operasi proyeksi terhadap dimensi Sorting: data diurut berdasarkan nilai ordinal Selection: data tersedia dalam nilai atau range Derived attributes: atribut dihitung oleh operasi dalam nilai yang disimpan atau turunan
- 8. Contoh dimensi dalam DW adalah periode fiskal, produk dan region perusahaan Spreadsheet standar biasanya matrix 2 dimensi. Contohnya spreadsheet sales regional berdimensi produk untuk satu jangka waktu tertentu. Produk ditampilkan per baris dengan pendapatan sales untuk masing-masing region ditampilkan per kolom. Menambah dimensi waktu seperti kuartal fiskal perusahaan menjadikannya matrix 3 dimensi yang ditampilkan sebagai kubus data Menambah dimensi tambahan, bisa menghasilkan hypercube, tapi sulit untuk divisualisasikan
- 9. Mengubah dari satu (orientasi) hirarki dimensi ke hirarki lain bisa dikerjakan dalam satu kubus data dengan teknik pivoting (juga disebut rotasi) Model multidimensi memiliki view hirarki yang dikenal dengan roll-up display dan drill-down. Roll-up display memindahkan ke atas secara hirarki, mengelompokkan ke unit yang lebih besar Drill-down display lebih mendetailkan
- 10. Model storage multidimensi melibatkan 2 tipe tabel: tabel dimensi dan tabel fakta Tabel dimensi terdiri dari tupel atribut tuples dari diemsni Tabel fakta bisa digambarkan memiliki banyak tupel. Satu tupel untuk satu fakta yang tercatat. Fakta ini berisikan data dan dimensi mengidentifikasikan masing-masing tupel dalam data tersebut
- 11. Skema multidimensi yang umum adalah skema bintang dan skema snowflake. Skema bintang terdiri dari sebuah tabel fakta dengan satu tabel untuk masing-masing dimensi Skema snowflake adalah variasi skema bintang di mana di dalamnya tabel dimensi dari skema bintang diorganisir menjadi hirarki dengan normalisasi.
- 13. Skema snowflake merupakan perluasan dari skema bintang, di mana setiap titik dari bintang meledak menjadi poin lebih.
- 15. Misalnya, DimensiWaktu yang terdiri dari 2 hirarki yang berbeda: 1.Tahun Bulan Hari 2. Minggu Day
- 16. Dalam beberapa kasus dapat meningkatkan kinerja karena meja kecil yang bergabung, Lebih mudah untuk mempertahankan, Meningkatkan fleksibilitas.
- 17. Meningkatkan jumlah tabel pengguna akhir harus bekerja dengan, Membuat query jauh lebih sulit untuk menciptakan karena lebih tabel perlu digabung.
- 18. Snowflake Schema merupakan varian dari skema bintang dimana table- table dimensi tidak terdapat data yang di denormalisasi. Snowflake Schema memberi kemudahan pada perawatan dimensi, dikarenakan strukturnya yang lebih normalisasi. Snowflake schema adalah model data dimensional yang memiliki sebuah tabel fakta sebagai pusatnya, dikelilingi tabel-tabel dimensi yang ternormalisasi. Snowflake schema adalah sebuah variasi dari star schema dimana tabel dimensinya boleh memiliki dimensi. Penggunaan tabel dimensi pada snowflake schema sangatlah mendasar, sedangkan pada star schema tidak. Snowflake schema dibuat berdasarkan OLTP sehingga semua data akan termuat detail dalam setiap tabel fakta dan tabel dimensi.
- 19. Keduanya merupakan model-model dimensional, perbedaannya terletak pada implementasi fisikal. Skema snowflake memberi kemudahan pada perawatan dimensi, dikarenakan strukturnya yang lebih normalisasi. Skema bintang lebih efisien serta sederhana dalam membuat query dan mudah diakses secara langsung oleh pengguna. Jika data yang digunakan kompleks sebaiknya menggunakan snowflake schema, namun jika data yang digunakan sederhana lebih baik kita menggunakan star schema.