tugas Sistem Basis Data Lanjut

Data Warehousing

Data warehouse berisi data gabungan dari banyak sumber, ditambah dengan ringkasan dan mecakup periode waktu yang lama. Arsitektur data warehousing umum diilustrasikan pada Gambar 25.10.

Gambar 25.10 Arsitektur Data Warehouse

Tugas penting dalam mengatur warehouse adalah mencatat data yang sedang disimpan di dalamnya.pembukuan ini dilalakukan dengan menyimpan informasi tentang data warehouse dalam katalog sistem. Katalog sistem yang berhubungan dengan warehouse sangat besar dan sering disimpan dan diatur dalam database terpisah yang disebut repositor metadata. Ukuran dan komplekasitas katalog sebagian berkaitan dengan ukuran dan kompleksitas warehouse dan sebagian karena banyak informasi administratif yang harus diatur.

Nilai warehouse pada akhirnya berada dalam analisis yang di-enable-nya, data dalam warehouse biasanya diakses dan dianalisis menggunakan berbagai alat, termasuk mesin query OLAP,algoritma data mining, alat visualisasi informasi, paket statistik dan report generator.

Online Analitycal Processing (OLAP)

OLAP merupakan salah satu bagian dari Data Warehouse, OLAP adalah sebuah sistem informasi yang sering digunakan pada suatu organissasi atau perusahaan dalam mengelola bisnis. Sedangkan seperti kita tahu, bisnis intelegen berguna mengumpulkan semua data mentah untuk diproses menjadi informasi yang berguna sebagai alat untuk menentukan keputusan/kebijakan.

Di dalam OLAP terdapat beberapa proses dalam pengambilan keputusan, yaitu :
1.Slicing dan Dicing
Slicing dan dicing adalah operasi untuk melihat data sebagai visualisasi dari kubus. Dengan slicing dan dicing pengguna dapat melihat data dari beberapa perspektif. Pengguna dapat mengekstrak bagian dari data agregrated dan dapat memeriksa dengan detail berdasarkan dimensi-dimensi yang diinginkan. Data Agregrated merupakan data praperhitungan (precalculated) dalam bentuk rangkuman data (data summarized) sehingga query pada kubus (cube) lebih cepat. Slicing memotong kubus sehingga dapat memfokuskan pada perspektif yang spesifik (pada suatu dimensi). Sedangkan dicing memberikan kemampuan untuk melihat pemilihan data pada dua dimensi atau lebih. Yaitu dengan merotasi cube pada perspektif yang lain sehingga pengguna dapat melihat lebih spesifik terhadap data yang dianalisis.

2.Roll up dan drill down
Drill down dan roll up adalah operasi untuk melihat data global atau detail disepanjang level hiraraki dimensi. Roll up untuk melihat data secara global atau rangkuman (summary). Drill down memandu pengguna untuk memperoleh data yang lebih detail. Drill down ini biasa digunakan untuk menjawab pertanyaan atas suatu kasus tertentu. Misalnya untuk menjawab pertanyaan ketika sebuah summary number (ratarata atau jumlah) di bawah atau di atas harapan.

Dari tiga jurnal yang kami peroleh, disebutkan beberapa tahapan dalam membuat sistem informasi akademik dengan metode Data Warehouse dan OLAP, yaitu :
1.Perancangan Arsitektur Data Warehouse
Perancangan dibuat untuk menentukan informasi yang akan ditampilkan. Jurnal ini mengambil contoh sistem informasi akademik, di dalamnya meliputi informasi mengenai jumlah calon mahasiswa, jumlah mahasiswa baru pada fakultas tersebut, jumlah lulusan yang sekaligus dikelompokkan berdasarkan nilai Indeks Prestasi Kumulatif beserta prosentasenya.

2.Pemodelan Data Dimensional
Seperti yang telah dijelaskan, bahwa Data Warehouse memiliki banyak model skema, pemodelan berguna untuk mengelompokkan data yang akan digunakan dalam sistem.

3.Pembuatan Prototipe Data
Tujuan dari pembuatan prototipe data warehouse adalah untuk mengetahui kesesuaian antara kebutuhan pengguna dengan data warehouse yang dibuat.

Kesimpulan OLAP merupakan salah satu bagian dari Data Warehouse, Data Warehouse sebuah kumpulan database namun tidak bisa mengambil keputusan, maka dibutuhkan metode OLAP. Dalam prosesnya, Data disimpan dalam data warehouse dalam bentuk multidimensi dioptimasi untuk pencarian kembali (retrieval) untuk OLAP (Online Analytical Processing). Setelah itu dilakukan analisis multidimensi yang memberikan kemampuan untuk melakukan query dan membuat laporan (reporting). Suatu cara melihat data dengan multidimensi tersebut dikenal dengan nama kubus (cube). Kubus ini menjadi struktur OLAP yang utama yang digunakan untuk melihat data (view). Analisis menggunakan kubus ini memberikan fasilitas banyak dimensi untuk melihat data yang diinginkan. Sehingga memungkinkan untuk mengakses data dengan lebih mudah dan cepat untuk menjawab pertanyaan yang dikemukakan.

DATA MINING

Data mining terdiri dari penemuan tren atau pola yang menarik dalam dataset besar untuk memamdu

Pengambilan keputusan mengenai aktifitas yang akan dating. Pola yang di identifikasi oleh alat tersebut dapat diberikan pandangan yang berguna dan tidak terduga kepada analis data sehingga dapat di investigasi secara lebih cermat dan berurutan, mungkin dengan menggunakan alat decision support lain.

Pengantar data mining

Data mining dihubungkan dengan subarea statistik yang disebut exploratory data analysis, yang mempunyai tujuan yang sama dan berdasarkan pada ukuran statistic. Data mining jjuga berhubungan dekat dengan subarea dari kecerdasan buatan yang disebut knowledge discovery dan machine learning. Karakteristik penting yang membedakan data mining adalah volume data yang sangat besar , meskipun ide dari area studi yang bersangkutan dapat diterapkkan pada masalah data mining, skalabillitas yang berhubungan dengan ukuran data adalah criteria baru yang penting.

Menemukan tren yang bergguna dalam dataset adalah definisi data mining yang agak tidak tetap Dallam hal tertentu semua query database dapat dianggap hanya melakukan hal ini. Query SQL dikonstruksi dengan menggunakan aljabar relasional (dengan beberapa perluasan). Olap menyeddiakan idiom query dengan level lebih tinggi berdasarkan pada model data multidimensi dan data mining menyediakan operasi anallisyang penting abstrak. Kita dapat menganggap tugas data mining lain sebagai “Query” yang kompleks yang ditentukkkan pda level tinggi, dengan beberapa parameter yang dapat di deffinisikan pengguna dan dimana algoritma tertentu di implementasikan.

SQL/MM : SQL/MM Data Mining : SQL/MM: perluasan data mining standar SQL:1999 mendukung empat jjenis model data mining: frequent item dan aturan asosiasi, cluster dari record, regression tree dan classification tree. Jenis data ini memainkan beberapa peranan . beberapa dari mereka mempresentasikan kelas model tertentu (misalnya, DM_Regresionmodal, DM_Clusteringmodal); beberapa menentukan parameterinput untuk algooritma mining (misalnya, DM_logicalDataSpec, DataMiningData); dan beberapa mempresentasikan hasil pengeksekusian algoritma minning (misalnya,, DM_RegResult, DM_ClusResult; dapat ddigunakan dari system database SQL:1999. Model data mining dapat ddieksportasi dalam format XML standar yang disebut Predictive model markup language (PMML).

   Sumber :  ramakrisnan ,raghu., sistem manajemen database, edisi 3, 2003, jurnal sistem informatika hlm. 667 – 668.

   Jurnal Online Universitas Dhyana Pura Bali - jurnal.undhirabali.ac.id 

     gehrke, johannes., sistem manajemen database, edisi 3, jurnal sistem informasi hlm. 351-353