Bab 2. Tinjauan Pustaka
|
|
- Budi Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Pada penelitian data warehouse terdahulu dengan judul Perancangan dan Pembangunan OLAP pada Data Warehose Menggunakan Pendekatan Multidimensional (Studi Kasus Tingkat Kelulusan di Salatiga), data warehouse digunakan untuk membantu penyediaan data yang dibutuhkan dalam pengukuran kinerja proses belajar mengajar. Informasi yang dihasilkan pada data warehouse adalah perbandingan hasil lulus dan tidak lulus, tingkat kelulusan mata pelajaran dan summary dari nilai tiap pelajaran. Proses multidimensional query dilakukan dengan menggunakan pivoting table dan chart. Pengguna dapat memanipulasi data yang tampil pada setiap sumbunya seperti yang dapat dilakukan pada pivot table (Pinem, 2009). Penelitian yang lain dengan judul Pembangunan Online Analytical Processing System untuk Representasi Informasi Pertanian Padi dan Palawija Provinsi Jawa Tengah pernah dilakukan sebelumya. Pada penelitian tersebut dibahas tentang pembuatan sistem yang berfungsi untuk merepresentasikan secara visual informasi hasil pertanian dan palawija pada daerah-daerah yang ada di Jawa Tengah yaitu berupa tabel, grafik, serta diagram (pie, batang ataupun garis) (Meganita, 2009). Dalam
2 penelitian ini data yang digunakan adalah data hasil panen padi dan palawija. Yang membedakan penelitian ini dengan penelitian diatas adalah jenis data yang digunakan dan terdapat menu tambahan yaitu menu input data yang hanya bisa dilakukan oleh admin selain itu juga terdapat menu proyeksi penduduk. 2.2 Landasan Teori Definisi Demografi Pengertian Demografi : 1. Ilmu yang mempelajari penduduk suatu wilayah dari segi jumlah, struktur (komposisi) dan perkembangannya (perubahannya), Multilingual Demographic Dictionary (IUSSP, 1982). 2. Ilmu yg mempelajari jumlah, persebaran, teritorial, komposisi penduduk, dan perubahan serta sebab-sebabnya yg biasa timbul karena natalitas, mortalitas, migrasi, dan mobilitas sosial. (Hauser dan Duncan, 1959). 3. Studi matematik dan statistik terhadap jumlah, komposisi, distribusi spasial dari penduduk manusia, dan perubahanperubahan dari aspek tersebut selalu terjadi akibat proses fertilitas, mortalitas, perkawinan, migrasi dan mobilitas sosial. (Bogue, 1969) Proyeksi Penduduk Proyeksi penduduk (population projections) dan peramalan penduduk (population forecast) sering dipergunakan sebagai dua istilah yang sering dipertukarkan. Meskipun
3 demikian, kedua istilah ini sebenarnya memiliki perbedaan yang sangat mendasar. Berbagai literature menyatakan proyeksi penduduk sebagai prediksi (ramalan) yang didasarkan pada asumsi rational tertentu yang dibangun untuk kecenderungan masa yang akan datang dengan menggunakan peralatan statistik atau perhitungan matematik. Disisi lain peramalan (forecast) penduduk bisa saja dengan atau tanpa asumsi dan atau kalkulasi. Tanpa kondisi/syarat tertentu atau pendekatan tertentu. (Smith, 2001) Dari berbagai literature, terdapat banyak metode dalam proyeksi penduduk. Masing-masingnya memiliki asumsi sendiri, kekuatan dan kelemahan. Model-model yang umum yang biasanya digunakan untuk proyeksi penduduk diantaranya adalah: 1. Model ekstrapolasi trend, yang diantaranya terdiri dari: o Model Linear (Aritmethic) o Model Geometric o Model Parabolic 2. Model Komponen Kohor 3. Model Ratio o Model Constant Share o Model Shift Share o Model Share of Growth Model Ektrapolasi Trend Model ekstrapolasi trend secara sederhana menggunakan trend penduduk masa yang lalu untuk memperkirakan jumlah
4 penduduk masa yang akan datang. Metode ini adalah metode yang digunakan dalam rangka proyeksi penduduk. Selain itu, metode ini juga digunakan untuk menghitung tingkat dan ratio pada masa yang akan datang berdasarkan tingkat dan ratio pada masa yang lalu. Model ekstrapolasi trend yang banyak digunakan adalah model linear, geometric dan parabolic. Asumsi dasar dari model ini adalah pertumbuhan atau penurunan akan berlanjut tanpa batas. Namun demikian, asumsi tersebut tidak mungkin diberlakukan jika proyeksi yang disusun adalah proyeksi jangka panjang. Misalnya jika populasi di suatu daerah berkurang, dalam jangka panjang model ini akan memproyeksikan penduduk menjadi nol, dan bahkan menjadi negatif. Demikian juga, jika jumlah penduduk di suatu daerah yang meningkat, tidak mungkin akan meningkat pada jumlah yang tanpa batas. Dalam kenyataannya, penduduk hanya akan meningkat sampai suatu tingkat dengan kapasitas yang maksimum dan kemudian akan kembali turun atau stabil dalam kaitannya dengan kepadatan penduduk, biaya hidup dan kualitas hidup. Oleh karenanya, penggunaan model ekstrapolasi trend membutuhkan pemahaman yang baik tentang kecenderungan pertumbuhan masa lalu untuk membuat estimasi dengan batasan yang masuk akal (reasonable). a. Model Linear (Aritmethic) Model linear adalah teknik proyeksi yang paling sederhana dari seluruh model trend. Model ini menggunakan
5 persamaan derajat pertama (first degree equation). Berdasarkan hal tersebut, penduduk diproyeksikan sebagai fungsi dari waktu, dengan persamaan (Klosterman, 1990): P t =α + βt Dimana : Pt = penduduk pada tahun proyeksi t α = intercept = penduduk pada tahun dasar β = koefisien = rata-rata pertambahan penduduk T = periode waktu proyeksi = selisih tahun proyeksi dengan tahun dasar Hasil proyeksi akan berbentuk suatu garis lurus. Model ini berasumsi bahwa penduduk akan bertambah/berkurang sebesar jumlah absolute yang sama/tetap (β) pada masa yang akan datang sesuai dengan kecenderungan yang terjadi pada masa lalu. Ini berarti bahwa, jika P t+1 dan P t adalah jumlah populasi dalam tahun yang berurutan, P t+1 P t yang adalah perbedaan pertama yang selalu tetap (konstan). Mengacu pada (Pittengar, 1976), mengemukakan bahwa model ini hanya digunakan jika data yang tersedia relatif terbatas, sehingga tidak memungkinkan untuk menggunakan model lain. Model ini hanya dapat diaplikasikan untuk wilayah kecil dengan pertumbuhan yang lambat, dan tidak tepat untuk proyeksi pada wilayah-wilayah yang lebih luas dengan pertumbuhan penduduk yang tinggi (Isserman, 1977).
6 b. Model Geometric. Asumsi dalam model ini adalah penduduk akan bertambah/berkurang pada suatu tingkat pertumbuhan (persentase) yang tetap. Misalnya, jika P t+1 dan P t adalah jumlah penduduk dalam tahun yang berurutan, maka penduduk akan bertambah atau berkurang pada tingkat pertumbuhan yang tetap (yaitu sebesar P t+1 /P t ) dari waktu ke waktu. Proyeksi dengan tingkat pertumbuhan yang tetap ini umumnya dapat diterapkan pada wilayah, dimana pada tahun-tahun awal observasi pertambahan absolut penduduknya sedikit dan menjadi semakin banyak pada tahun-tahun akhir. Model geometric memiliki persamaan umum (Klosterman, 1990): Pn= Po(1+r) t (2.1) Persamaan diatas dapat ditransformasi kedalam bentuk linear melalui aplikasi logaritma, menjadi sebagai berikut: Log ( 1+r) = log Pn Log Po (2.2) t Dimana : Pn = jumlah penduduk pada akhir periode (orang ), Po = jumlah penduduk pada awal periode ( orang ), r = tingkat pertumbuhan penduduk (%), t = jangka waktu (Tahun).
7 c. Model Parabolic. Model parabolic seperti model geometric berasumsi bahwa penduduk suatu daerah tidak tumbuh dalam bentuk linear. Namun demikian, tidak seperti model geometrik (yang berasumsi tingkat pertumbuhan konstan dari waktu ke waktu), pada model parabolic tingkat pertumbuhan penduduk dimungkinkan untuk meningkat atau menurun. Model ini menggunakan persamaan derajat kedua yang ditunjukkan sebagai berikut: P t =α + β 1 T + β 2 T 2 Model parabolic memiliki dua koefisien yaitu β 1 dan β 2. β 1 adalah koefisien linear (T) yang menunjukkan pertumbuhan konstan, dan β 2 adalah koefisien non-linear yang (T 2 ) yang menyebabkan perubahan tingkat pertumbuhan. Tanda positif atau negatif pada β 1 dan β 2 bervariasi tergantung pada apakah tingkat pertumbuhan tersebut akan meningkat atau menurun. Berdasarkan variasi pada tanda β 1 dan β 2, model akan menghasilkan empat skenario sebagai berikut: Tabel 2.1 Skenario dalam Model Parabolik β 1 β 2 Efek terhadap pertumbuhan penduduk + + Pertambahan yang semakin meningkat Penduduk bertambah Kurva cekung ke atas (Concave upward) + - Pertambahan yang semakin berkurang Penduduk berkurang
8 Kurva cekung ke bawah (concave downward) Pertambahan yang semakin berkurang Penduduk bertambah Kurva cekung ke atas (Concave upward) Pertambahan yang semakin meningkat Penduduk berkurang Kurva cekung ke bawah (concave downward) Disarankan demographer untuk terlebih dahulu mencermati (menguji coba) model ini ketika akan diaplikasikan pada suatu daerah. Menurutnya, meskipun model ini baik untuk daerah dengan pertumbuhan atau penurunan yang cepat, namun demikian proyeksi jangka panjang akan menghasilkan angka yang sangat besar atau sangat kecil (Klosterman, 1990) Online Analytical Processing (OLAP) Online Analytical Processing (OLAP) adalah salah satu tools yang digunakan untuk mengakses informasi dalam data warehouse. Teknologi OLAP memungkinkan data warehouse digunakan secara efektif untuk proses online analysis, serta memberikan respon yang cepat terhadap analytical query yang kompleks (Amo, 2000). Dengan kemampuannya OLAP dapat menaikkan atau menurunkan dimensi data sehingga dapat menggali data sampai pada level yang sangat detail dan memperoleh pandangan yang lebih luas mengenai objek yang sedang dianalisis. OLAP
9 digunakan untuk menemukan hubungan antara suatu item yang belum ditemukan. Pada basis data OLAP tidak perlu memiliki ukuran besar seperti data warehouse, karena tidak semua transaksi membutuhkan analisis tren. Dengan menggunakan open database connectivity (ODS), data dapat diimpor dari basis data relasional menjadi suatu basis data multidimensi untuk OLAP. OLAP adalah suatu teknologi yang menawarkan high performance akses pada data untuk dapat dianalisis secara multidimensional. OLAP dapat digunakan untuk melaksanakan perbandingan volume data yang besar. Berdasarkan struktur basis datanya OLAP dibedakan menjadi 3 kategori utama: a. Relational Online Analytical Processing (ROLAP) Secara umum OLAP dibangun diatas relational database sistem yang dikenal dengan relational OLAP (ROLAP). ROLAP menggunakan relational database (RDBMS) untuk menyimpan data dengan menggunakan star schema atau snowflake schema yang menghasilkan query analisis didalam SQL. Relational Online Analytical Processing (ROLAP) adalah suatu format pengolahan OLAP yang melakukan analisis data secara dinamis yang disimpan dalam basis data relational bukan pada basis data multidimensi. ROLAP cenderung digunakan untuk menganalisis query dimensi data dalam volume data yang besar.rolap merupakan bentuk teknologi OLAP yang paling berkembang. Karakteristik ROLAP meliputi :
10 1. Skala data yang digunakan besar. 2. Menggunakan teknologi yang terbaru. 3. Lambat dalam menjalankan query. 4. Desain dan perawatan yang tinggi. b. Multidimensional Online Analytical Processing (MOLAP) Multidimensional Online Analytical Processing (MOLAP) adalah OLAP yang secara langsung mengarah pada basis data multidimensi. MOLAP memproses data yang telah disimpan dalam array multidimensional dimana semua kombinasi data yang mungkin dicerminkan, masing-masing di dalam suatu sel yang dapat diakses secara langsung. Database menyajikan model geometrik objek (point, line, polygon dll) di dalam ruang multidimensional. MOLAP dapat digunakan sebagai poin pada ruang multidimensional sebagai atribut dan manfaat dari teknik database. Walaupun berbeda dengan operasi pada database yang overlap (tumpang tindih), MOLAP bermanfaat untuk mengembangkan ruang lingkup yang ada pada database. (Guting, 1994) MOLAP dibangun secara rinci untuk menangani multidimensional query secara cepat dan efisien pada multidimensional data yang didalamnya terdapat agregasi data.karakteristik MOLAP meliputi : 1. Memiliki respon yang tinggi pada saat query dilakukan. 2. Multidimensional query. 3. Mudah dalam perawatan.
11 4. Skala dan volume data rendah. Pada tugas akhir ini sistem yang dibangun akan menggunakan MOLAP, karena pertimbangan karakteristik MOLAP yang bersifat multidimensional query. c. Hybrid Online Analytical Processing (HOLAP) Hybrid Online Analytical Processing (HOLAP) merupakan kombinasi antara ROLAP dengan MOLAP. HOLAP dikembangkan untuk mengkombinasikan antara kapasitas data pada ROLAP yang besar dengan kemampuan proses pada MOLAP. (Weinberger, 1999) OLAP (On-Line Analytical Processing) adalah suatu pernyataan yang bertolak belakang atau kontras dengan OLTP (On-Line Transaction Processing). OLAP menggambarkan sebuah kelas teknologi yang dirancang untuk analisis dan akses data secara khusus. Apalabila pada proses transaksi pada umumnya semata-mata adalah pada relational database, OLAP muncul dengan sebuah cara pandang multidimensi data. Cara pandang multidimensi ini didukung oleh teknologi multidimensi database. Cara ini memberikan teknik dasar untuk kalkulasi dan analisis oleh sebuah aplikasi bisnis. Konsep dasar OLAP bersumber dari kebutuhan untuk efisiensi. Rangkuman atau agregasi data, penjumlahan, rerata, nilai maksimum dan minimum dikalkulasi dan disimpan dalam data cube yang bersifat multidimensional (Song dan Brown, 2002).
12 Sistem yang memungkinkan para manajer untuk memperoleh penjelasan tentang pencapaian perusahaan melalui suatu pandangan data yang bervariasi, luas, dan terorganisir untuk mencerminkan multidimensional data menyangkut data dari perusahaan (Codd, 1993). OLAP memberikan pengertian yang mendalam tentang data dengan cepat, konsisten, akses variasi data yang luas pada informasi data yang dihasilkan. Kontras dengan database, OLAP menjawab pertanyaan seperti jika? dan mengapa? sebagai tambahan untuk siapa? dan apa?. OLAP digunakan untuk membangun sistem pengambilan keputusan yang membantu penjabaran data.(goil, 1997) Data Warehouse Data Warehouse merupakan sekumpulan informasi yang disimpan dalam basisdata yang digunakan untuk mendukung pengambilan keputusan dalam sebuah organisasi. Data dikumpulkan dari berbagai aplikasi yang telah ada. Data yang telah dikumpulkan tersebut kemudian difalidasi dan direstrukturisasi lagi, untuk selanjutnya disimpan dalam data warehouse. Pengumpulan data ini memungkinkan para pengambil keputusan untuk pergi hanya ke satu tempat untuk mengakses seluruh data yang ada tentang organisasinya (Freeze, 2000).
13 Kebutuhan pemanfaatan Data Warehouse disejumlah organisasi didasarkan pada dua pertimbangan, pertama kebutuhan operasional, yang mendukung fungsional kegiatan transaksi bisnis setiap hari, optimasi dengan respon yang cepat pada proses transaksi dan representasi bersifat waktu nyata pada identifikasi status bisnis. Kedua kebutuhan informasi, digunakan untuk pengelolaan dan pengendalian bisnis dalam bentuk analisis data untuk pengambilan keputusan status organisasi dimasa sekarang dan masa mendatang (Gatziu dan Athanasios, 1999). Beberapa karakteristik Data Warehouse sebagai berikut : 1. Subject oriented Aplikasi untuk operasi perusahaan berorientasi pada proses (mengotomasi fungsi-fungsi dari proses bersangkutan atau function oriented). Misalnya di bank, aplikasi kredit mengotomasi fungsi-fungsi: verifikasi lamaran dan credit checking, pemeriksaan kolateral, approval, pendanaan, tagihan, dan seterusnya. Didalam data warehouse data-data yang dihasilkan dari proses kredit ini, diatur kembali dan diintegrasikan dengan data-data dari fungsi-fungsi lain, agar berorientasi pada misalnya nasabah dan produk. 2. Integrated Data dari macam-macam aplikasi transaksi (untuk bank misalnya: tabungan, kredit, rekening koran) semua mengandung data nasabah, ada yang sama ada yang spesifik (yang sama misalnya: nama dan alamat, yang spesifik misalnya: untuk kredit
14 ada kolateral, untuk rekening koran ada overdraft) di dalam data warehouse data-data yang sama harus diintegrasikan disatu database, termasuk misalnya diseragamkan formatnya (sederhana tetapi paling sering terjadi aplikasi-aplikasi sering dibeli vendor berbeda, dibuat dengan atau dijalankan di teknologi berbedabeda). 3. Time variant Data warehouse menyimpan sejarah (historical data). Waktu merupakan tipe atau bagian data yang sangat penting didalam data warehouse. Di dalam data warehouse sering disimpan macam-macam waktu, seperti waktu suatu transaksi terjadi atau dirubah atau dibatalkan, kapan data dibutuhkan, kapan masuk ke komputer, kapan masuk ke data warehouse; juga hampir selalu disimpan versi, misalnya terjadi perubahan definisi kode pos, maka yang lama dan yang baru ada semua didalam data warehouse kita. 4. Non-volatile Sekali masuk kedalam data warehouse, data-data, terutama data tipe transaksi, tidak akan pernah di update atau dihapus. (Inmon, 2003)
15 Gambar 2.1 Arsitektur Data Warehouse (Bimonte, 2006) Gambar 2.1 dijelaskan mengenai arsitektur data warehouse. Data warehouse didesain untuk bisa melakukan query secara cepat. Informasi diturunkan dari data lain, dilakukan rolling up data untuk dijadikan ringkasan (summaries), dilakukan operasi drilling down untuk mendapatkan informasi yang lebih detail atau melihat pola yang menarik atau melihat trend (kecenderungan). Konsep dan teknologi data warehouse tidak dapat diterapkan dalam satu langkah, terdapat langkah-langkah fundamental yang disarankan diikuti demi tercapainya keberhasilan penerapan tanpa mengganggu sistem aplikasi yang sudah ada. 1. Melakukan penyalinan dan konversi data dari aplikasi atau suatu sistem yang sudah ada menjadi satu jenis basis data. Langkah ini dikenal dengan Offline Operasional Database.
16 2. Melakukan penyalinan dan konversi data secara regular dalam jangka waktu yang telah ditentukan dari aplikasi atau system yang sudah ada menjaadi satu jenis basis data. Mekanisme ini dilakukan dalam interval waktu tertentu dengan dukungan otomatisasi yang dimiliki oleh aplikasi teknologi data warehouse. Langkah ini dikenal dengan Offline Data Warehouse. 3. Melakukan penyalinan dan konversi data secara real time atau dengan kata lain otomatisasi dilakukan setiap kali terjadi perubahan pada data dari aplikasi atau system yang sudah ada. Langkah ini dikenal dengan Real Time Data Warehouse. 4. Setiap tejadi perubahan data baik pada data warehouse maupun pada data opersional aplikasi keduanya saling mensinkronisasi. Langkah ini dikenal dengan Integrated Data Warehouse. (Ferdiana, 2008) Data Mining Banyak sekali definisi mengenai apa itu data mining. Secara garis besar data mining merupakan suatu alat yang memungkinkan para pengguna untuk mengakses secara cepat data dengan jumlah yang besar. Pengertian yang lebih khusus lagi dari data mining yaitu suatu alat dan aplikasi dengan menggunakan analisis statistik pada data. Data mining juga dikenal sebagai KDD (Knowledge Data Discovery) di dalam basis data.
17 Data mining adalah suatu proses ekstraksi atau penggalian data dan informasi yang besar, yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting. (Connolly dan Begg, 2005). Data mining menggambarkan sebuah pengumpulan teknik-teknik dengan tujuan untuk menemukan pola-pola yang tidak diketahui pada data yang telah dikumpulkan. Data mining memungkinkan pemakai "menemukan pengetahuan" dalam database yang tidak mungkin diketahui keberadaannya oleh pemakai. (Berson dan Smith, 2001) Data mining mengidentifikasikan fakta-fakta atau kesimpulan-kesimpulan yang disarankan berdasarkan penyaringan melalui data untuk menjelajahi pola-pola atau anomali-anomali data. Data mining mempunyai lima fungsi yaitu: 1. Classification Classification yaitu menyimpulkan definisi-definisi karakteristik dari sebuah grup. Contoh: pelanggan-pelanggan perusahaan yang telah berpindah ke saingan perusahaan yang lain. 2. Clustering Clustering yaitu mengidentifikasikan kelompok-kelompok dari barang-barang atau produk-produk yang berbagi karakteristik yang khusus (clustering berbeda dengan classification dimana
18 pada clustering tidak terdapat definisi-definisi karakteristik awal yang diberikan pada waktu classification). 3. Association Association yaitu mengidentifikasikan hubungan antara kejadiankejadian yang terjadi pada suatu waktu seperti isi-isi dari keranjang belanja. 4. Sequencing Hampir sama dengan association, sequencing mengidentifikasikan hubungan-hubungan yang berada pada suatu periode waktu tertentu seperti pelanggan-pelanggan yang mengunjungi supermarket secara berulang-ulang. 5. Forecasting Forecasting memperkirakan nilai pada masa yang akan datang berdasarkan pola-pola dengan sekumpulan data yang besar seperti peramalan permintaan pasar. (Turban,Rainer, dan Potter, 2005) Tujuan dari data mining antara lain : 1. Explanatory Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up meningkat di Colorado. 2. Confirmatory Untuk mempertegas hipotesis, seperti halnya 2 kali pendapatan keluarga lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan 1 kali pendapatan keluarga.
19 3. Exploratory Untuk menganalisis data untuk hubungan yang baru dan tidak diharapkan, seperti halnya pola apa yang cocok untuk kasus penggelapan kartu kredit. (Hoffer, Prescott, dan McFadden, 2004) Banyak perusahaan-perusahaan menggunakan data mining untuk : - Correct data Pada saat proses menggabungkan basis data secara besar-besaran, banyak perusahaan menemukan data yang digabungkan tersebut tidak lengkap, dan terdiri dari informasi yang salah dan bertentangan. Dengan menggunakan teknik data mining, dapat membantu untuk mengidentifikasi dan membetulkan kesalahan dengan cara yang konsisten. - Discover Knowledge Proses mencari pengetahuan bertujuan untuk menentukan dengan jelas relationship, pattern, atau correlations yang tersembunyi dari berbagai tempat penyimpanan data di dalam basis data. - Visualize Data Seorang analis harus bisa merasakan sebuah informasi yang besar yang disimpan di dalam basis data. Tujuannya untuk mempermanusiakan data yang banyak dan menemukan cara yang terbaik untuk menampilkan data. (Berson dan Smith, 2001)
20 Sebagai salah satu bagian dari sistem informasi, data mining menyediakan perencanaan dari ide hingga implementasi akhir. Komponen-komponen dari rencana data mining adalah sebagai berikut : 1. Analisis Masalah (Analyzing the Problem) Data asal atau data sumber harus bisa ditaksir untuk dilihat apakah data tersebut memenuhi kriteria data mining. Kualitas kelimpahan data adalah faktor utama untuk memutuskan apakah data tersebut cocok dan tersedia sebagai tambahan. Hasil yang diharapkan dari dampak data mining harus dengan hati-hati dimengerti dan dipastikan bahwa data yang diperlukan membawa informasi yang bisa diekstrak. 2. Mengekstrak dan Membersihkan data (Extracting and Cleansing The Data) Data pertama kali diekstrak dari data aslinya, seperti dari OLTP basis data, text file, Microsoft Access Database, dan bahkan dari spreadsheet, kemudian data tersebut diletakkan dalam data warehouse yang mempunyai struktur yang sesuai dengan data model secara khas. Data Transformation Services (DTS) dipakai untuk mengekstrak dan membersihkan data dari tidak konsistennya dan tidak kompatibelnya dengan format yang sesuai. 3. Validitas Data (Validating The Data) Sekali data telah diekstrak dan dibersihkan, ini adalah latihan yang bagus untuk menelusuri model yang telah kita ciptakan
21 untuk memastikan bahwa semua data yang ada adalah data sekarang dan tetap. 4. Membuat dan melatih model (Creating and Training The Model) Ketika algoritma diterapkan pada model, struktur telah dibangun. Hal ini sangatlah penting pada saat ini untuk melihat data yang telah dibangun untuk memastikan bahwa data tersebut menyerupai fakta di dalam data sumber. 5. Query data dari model data mining (Querying the Model Data) Ketika model yang cocok telah diciptakan dan dibangun, data yang telah dibuat tersedia untuk mendukung keputusan. Hal ini biasanya melibatkan penulisan front end query aplikasi dengan program aplikasi / suatu program basis data. 6. Evaluasi validitas dari mining model (Maintaining The Validity of The Data Mining Model) Setelah model data mining terkumpul, lewat beberapa waktu karakteristik data awal seperti granularitas dan validitas mungkin berubah. Karena model data mining dapat terus berubah seiring perkembangan waktu. (Seidman, 2001) Data Cube Basisdata OLAP dibutuhkan untuk meringkas data pada berbagai tingkatan dan berbagai rekombinasi atribut. Data cube dalam OLAP merupakan basisdata multidimensional yang
22 dibangun dari subset berbagai atribut dalam basisdata. Dengan demikian atribut digunakan untuk menentukan atribut lainnya. Beberapa atribut diseleksi dan dipilih dan ditetapkan sebagai atribut dimensi atau fungsional. (Ivanova dan Rachev, 2004). Sebagai contoh adalah atribut dalam bentuk multidimensional dalam data cube produksi panen padi dan palawija di wilayah Jawa Tengah, (a) dan klasifikasi hierarkikal dimensi waktu dan tempat dari data cube (b) Operator data cube berfungsi untuk mendukung berbagai agregat. Data cube menggunakan agregat untuk menghitung semua kemungkinan kombinasi yang dapat dicapai dari keseluruhan dimensi yang ada. Operasional ini digunakan untuk menjawab query OLAP yang menggunakan agregasi dalam berbagai kombinasi atribut. Data dapat diorganisir ke dalam data cube oleh kalkulasi semua kemungkinan kombinasi menggunakan group-by. Jadi, jika suatu himpunan data dengan atribut k maka besarnya kalkulasi kombinasi yang mungkin pada agregat adalah 2k group-by. (Gray, 1996) Operator data cube dapat digeneralisasi pada histogram, cross tabulation, roll-up, drill down dan subtotal yang dibutuhkan dalam analisis financial (Handojo, 2004). Hal ini dapat ditempuh dengan cara : 1. Pivoting, rotasi pada cube untuk merubah orientasi dimensional pada laporan, misalkan pada cube 2D terdapat baris dan kolom.
23 2. Slicing-dicing, melakukan proses seleksi subset pada cube. Memberikan nilai yang tepat pada atribut dalam dimensi, melakukan visualisasi dalam bentuk 3D-cube. 3. Roll-up, beberapa dimensi memiliki hirarkikal yang ditentukan sebelumnya. Agregasi dapat menentukan tingkatan hirarkikal data. Sebagai contoh adalah penentuan hierarkikal waktu hari minggu bulan tahun. 4. Drill-down, Operasional kebalikannya, dari hierarkikal rendah menuju hierarkikal lebih tinggi secara detail. 5. Analisis trend melalui urutan periode waktu tertentu Star schema dan Snowflake Schema Star schema adalah struktur logikal yang mempunyai sebuah tabel fakta berisi data faktual ditempatkan di tengah, dikelilingi oleh tabel dimensi berisi data referensi (yang dapat didenormalisasi). Skema bintang mengeksploitasi karakteristik dari data faktual di mana fakta dibuat dari peristiwa yang muncul di masa lalu dan mustahil untuk berubah, dengan mengabaikan bagaimana mereka dianalisis. Kebanyakan fakta yang digunakan dalam tabel fakta adalah angka dan additive karena aplikasi data warehouse tidak pernah diakses sebagai sebuah record tunggal, tetapi mereka diakses ratusan, ribuan bahkan jutaan record pada suatu waktu dan hal yang paling berguna untuk dilakukan dengan record yang begitu banyak tersebut adalah dengan mengagregasikan mereka. Tabel dimensi, berisi deksripsi
24 informasi berupa teks. Skema bintang dapat digunakan untuk mempercepat kinerja query dengan denormalisasi informasi ke dalam sebuah tabel dimensi. Denormalisasi tepat ketika terdapat sejumlah entity yang berhubungan dengan tabel dimensi yang sering diakses, menghindari overhead dari penggabungan tabel tambahan untuk mengakses atribut. Denormalisasi tidak tepat di mana data tambahan tidak sering diakses, karena overhead table dimensi yang diperluas tidak mungkin offset oleh berbagi perolehan dalam query. (Connolly dan Begg, 2005) Gambar 2.2 Contoh Skema Star (Connolly dan Begg, 2005)
25 Terdapat variasi dari skema bintang yang disebut snowflake schema, yang memungkinkan dimensi untuk mempunyai dimensi. Snowflake schema adalah variasi dari skema bintang di mana tabel dimensi tidak berisi data yang dinormalisasi. Gambar 2.3 Contoh Skema Snowflake (Connolly dan Begg, 2005) Dalam mendesain data warehouse perlu diperhatikan skema yang akan digunakan. Snowflake schema mempunyai hirarki dimension table jamak sehingga informasi yang didapat
26 dari setiap dimension table bisa lebih detail sesuai dengan kebutuhan (Handoyo, 2008).
Model-Model Proyeksi Penduduk
Model-Model Proyeksi Penduduk Junaidi, Junaidi (Staf Pengajar Fakultas Ekonomi dan Bisnis Universitas Jambi) Kebijakan pembangunan seharusnya tidak hanya diarahkan untuk mengatasi permasalahan kependudukan
Lebih terperinciOLAP - PERTEMUAN 8 OLAP
OLAP - PERTEMUAN 8 OLAP OLTP & OLAP (1) OLTP adalah singkatan dari On Line Transaction Processing. OLTP sering kita jumpai di sekitar kita seperti toko atau swalayan contohnya database pada sistem informasi
Lebih terperincijumlah keluarga, dan jumlah rumah. Data diambil dari hasil sensus potensi desa yang dilakukan BPS tahun 1996, 1999, 2003, dan 2006.
1 Latar Belakang PENDAHULUAN Kemajuan teknologi komputer semakin memudahkan proses penyimpanan dan pengolahan data berukuran besar. Namun demikian, seringkali data yang sudah tersimpan belum dimanfaatkan
Lebih terperinciTUGAS DATA WAREHOUSE & DATA MINING OLAP, OPERASI OLAP & MOLAP
TUGAS DATA WAREHOUSE & DATA MINING OLAP, OPERASI OLAP & MOLAP OLEH: VIVIAN WIJAYA (15 62 003) JURUSAN SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS ATMA JAYA MAKASSAR 2017 OLAP, OPERASI OLAP
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinci[Data Warehouse] [6/C2 & 6/D2]
[Data Warehouse] [6/C2 & 6/D2] [ Chapter 6] Pemodelan Data Warehouse Dedy Alamsyah, S.Kom, M.Kom [NIDN : 0410047807] Pemodelan Data Ada dua pendekatan yang diterima sebagai best practice untuk memodelkan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Analisis data historis dan pengolahan data multidimensi bukan merupakan hal yang baru untuk mendukung suatu pengambilan keputusan. Namun perubahan objek data yang dicatat, membuat
Lebih terperinciFAST berarti sistem ditargetkan untuk memberikan response terhadap user dengan secepat mungkin, sesuai dengan analisis yang dilakukan.
OLAP OLAP (Online Analytical Processing), merupakan metode pendekatan untuk menyajikan jawaban dari permintaan proses analisis yang bersifat dimensional secara cepat. Pengertian OLAP itu sendiri dapat
Lebih terperinciData dan Informasi dalam Perencanaan
Data dan Informasi dalam Perencanaan Sensus Penduduk (SP) dan Survey Penduduk antar Sensus (Supas) Data yang dikumpulkan meliputi Demografi : fertilitas, mortalitas dan migrasi, serta riwayat kelahiran
Lebih terperinciBab 2 Tinjauan Pustaka 2. 1 Penelitian Terdahulu
Bab 2 Tinjauan Pustaka 2. 1 Penelitian Terdahulu Perancangan dan Pembangunan Data Warehouse pada PLN Salatiga menggunakan skema snowflake. Perusahaan Listrik Negara merupakan suatu aset berharga dibidang
Lebih terperinci6/26/2011. Menurut W.H. Inmon dan Richard D.H. Menurut Vidette Poe
Menurut W.H. Inmon dan Richard D.H. koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management
Lebih terperinciDATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP)
DATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP) Overview Data Warehouse dan OLAP merupakan elemen penting yang mendukung decision support. Terutama bagi perusahaan perusahaan besar dengan database
Lebih terperincihttp://www.brigidaarie.com Apa itu database? tempat penyimpanan data yang saling berhubungan secara logika Untuk apa database itu?? untuk mendapatkan suatu informasi yang diperlukan oleh suatu organisasi
Lebih terperinciinformation karena data yang terkumpul itu tidak dapat digunakan untuk aplikasi
ABSTRAK Perkembangan data mining (DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi sejalan dengan pertumbuhan teknologi informasi.
Lebih terperinciDATAMULTIDIMENSI. DATAWAREHOUSE vs DATAMART FIRDAUS SOLIHIN UNIVERSITAS TRUNOJOYO
DATAMULTIDIMENSI FIRDAUS SOLIHIN UNIVERSITAS TRUNOJOYO DATAWAREHOUSE vs DATAMART DATAWAREHOUSE Perusahaan, melingkupi semua proses Gabungan datamart Data didapat dari proses Staging Merepresentasikan data
Lebih terperinciMENGENAL DATA WAREHOUSE
MENGENAL DATA WAREHOUSE Kusumawardani wardhanik24@gmail.com :: http://ilmuti.org/author/kusumawardani/ Abstrak Tentu setiap orang kenal dengan yang namanya data, karena segala aktifitas sudah pasti merangkum
Lebih terperinciBAB II LANDASAN TEORI. Data adalah sesuatu yang mewakilkan objek dan peristiwa yang memiliki arti
BAB II LANDASAN TEORI 2.1 Data Data adalah sesuatu yang mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi pemakai (Hoffer, Prescott dan McFadden,2007, p6). 2.2 Basis Data Basis
Lebih terperinciTugas. Data Warehouse. OLAP, Operasi OLAP, dan Jenis Rolap
Tugas Data Warehouse OLAP, Operasi OLAP, dan Jenis Rolap Renhard Soemargono 1562001 PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS ATMA JAYA MAKASSAR 2017 OLAP (On-Line Analytical
Lebih terperinciBAB II. LANDASAN TEORIse. Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah
BAB II LANDASAN TEORIse 2.1 Data Warehouse Menurut McLeod dan Schell (2004, p405), data warehouse adalah sebuah tempat penyimpanan data dimana kapasitas penyimpanannya berskala besar; datanya diakumulasikan
Lebih terperinciData dan Informasi dalam Perencanaan
Data dan Informasi dalam Perencanaan http://en.wikipedia.org/wiki/data Data adalah sekumpulan fakta Data adalah suatu pernyataan yang diterima secara apa adanya, hasil pengukuran atau pengamatan suatu
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
Lebih terperinciHASIL DAN PEMBAHASAN. Studi pustaka. Analisis data. Versi struktur dan fungsi transformasi. Pemuatan data. Implementasi operasi OLAP
Uji Query Uji query adalah tahap untuk menguji temporal data warehouse apakah telah sesuai dengan kebutuhan dan berfungsi dengan baik serta memeriksa apakah operasi dasar data warehouse dan fungsi agregat
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Teknologi basis data saat ini berkembang sangat pesat. Data disimpan dalam basis data, diolah kemudian disajikan sebagai informasi yang bernilai bagi pengguna. Penyimpanan
Lebih terperinciDATABASE. Basis Data : Suatu pengorganisasian sekumpulan data yang saling terkait sehingga
DATABASE Basis Data : Suatu pengorganisasian sekumpulan data yang saling terkait sehingga memudahkan aktivitas untuk memperoleh informasi. Contoh : basis data akademis mengandung tabel tabel yang berhubungan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Saat ini sudah banyak organisasi yang telah mengadopsi teknologi data warehouse. Penerapan teknologi ini sangat membantu sekali bagi suatu organisasi yang memiliki data yang
Lebih terperinciData Warehouse, Data Mart, OLAP, dan Data Mining CHAPTER 6
1 Data Warehouse, Data Mart, OLAP, dan Data Mining CHAPTER 6 Data Warehouse 2 Data warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai sistem operasional
Lebih terperinciData Warehouse, Data Mart, OLAP, dan Data Mining. arifin, sistem informasi - udinus 1
Data Warehouse, Data Mart, OLAP, dan Data Mining arifin, sistem informasi - udinus 1 Data Warehouse Data warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai
Lebih terperinciBAB III METODE PENELITIAN
15 BAB III METODE PENELITIAN Sistem informasi geografis persebaran hotspot di Indonesia merupakan suatu sistem yang bertujuan untuk memantau dan memberikan informasi mengenai persebaran hotspot yang ada
Lebih terperinciBasis Data Oracle - Business Intelligence System. Ramos Somya, M.Cs.
Basis Data Oracle - Business Intelligence System Ramos Somya, M.Cs. Menurut W.H. Inmon dan Richard D.H., data warehousing adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Data adalah sebuah rekaman dari fakta-fakta, konsep-konsep, atau instruksiinstruksi pada media penyimpanan untuk komunikasi perolehan, dan pemrosesan dengan cara otomatis
Lebih terperinciTugas Akhir (KI091391) Muhamad Adi Prasetyo
Tugas Akhir (KI091391) Muhamad Adi Prasetyo 5105100159 Prolog Sebuah Program Aplikasi Web yang dibuat untuk melaporkan kuantitas Proses Produksi Menggunakan Metode OLAP pada PT. Aneka Tuna Indonesia (ATI).
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum Teori umum adalah suatu pernyataan yang dianggap benar secara universal. Teori umum merupakan dasar untuk mengembangkan teori selanjutnya yang lebih khusus (spesifik).
Lebih terperinciData Warehousing dan Decision Support
Bab 9 Data Warehousing dan Decision Support POKOK BAHASAN: Hubungan antara Data Warehouse dan Decision Support Model Data Multidimensi Online Analytical Processing (OLAP) Arsitektur Data Warehouse Implementasi
Lebih terperinciBAB 2 LANDASAN TEORI. Berikut ini akan dijelaskan teori umum atau dasar yang digunakan, yaitu sebagai berikut:
BAB 2 LANDASAN TEORI 2.1 Teori Umum Berikut ini akan dijelaskan teori umum atau dasar yang digunakan, yaitu sebagai berikut: 2.1.1 Pengertian Data Menurut Hoffer & Venkataraman (2011: 5) menjelaskan bahwa
Lebih terperinciBAB I PENDAHULUAN. I.1 Pendahuluan
BAB I PENDAHULUAN I.1 Pendahuluan Dalam kegiatan manusia sehari-hari, terutama dalam kegiatan transaksi, seperti transaksi perbankan, rekam medis, transaksi jual beli dan transaksi lainnya harus dicatat
Lebih terperinciAnggota Kelompok 3 :
Anggota Kelompok 3 : Customer relationship management (CRM) Adalah manajemen hubungan antara perusahaan dengan pelanggan sehingga baik perusahaan maupun pelanggannya akan menerima nilai maksimum dari hubungan
Lebih terperinciData Warehouse dan Decision Support System. Arif Basofi
Data Warehouse dan Decision Support System Arif Basofi Referensi Data Warehouse, STMIK Global Informatika MDP. M. Syukri Mustafa,S.Si., MMSI, Sistem Basis Data II (Data Warehouse), 2008. Hanim MA, Data
Lebih terperinciBAB 2 LANDASAN TEORI. Database adalah suatu koleksi / kumpulan dari data yang persistent, yaitu ada
BAB 2 LANDASAN TEORI 2.1 Teori Database Database adalah suatu koleksi / kumpulan dari data yang persistent, yaitu ada yang berbeda satu dengan yang lainnya dan biasanya merupakan data yang bersifat sementara
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Dalam bab ini akan dijelaskan tentang beberapa konsep tentang supra desa, business intelligence, data warehouse, staging area, ETL, OLAP, ROLAP, Pentaho Data Integration, dan PHP.
Lebih terperinciHASIL DAN PEMBAHASAN Dalam pembuatan data warehouse potensi desa wilayah Bogor melalui beberapa tahap yaitu:
8 memeriksa apakah masukan dari pengguna akan memberikan keluaran yang sesuai dengan tidak memperhatikan proses yang terjadi di dalamnya (Sommerville 2000). HASIL DAN PEMBAHASAN Dalam pembuatan data warehouse
Lebih terperinciSIE/nts/TIUAJMks 9/26/2013
N. Tri Suswanto Saptadi 1 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
Lebih terperinciBusiness Intelligence. Data Warehousing, Data Acquisition, Data Mining, Business Analytics, and Visualization
Business Intelligence Data Warehousing, Data Acquisition, Data Mining, Business Analytics, and Visualization DEFINISI DATA WAREHOUSE Data warehouse adalah database yang saling bereaksi yang dapat digunakan
Lebih terperinciDATA WAREHOUSE KONSEP Konsep dasar data warehouse adalah perbedaan antara data dan informasi. Data terdiri dari fakta-fakta yang dapat diamati dan
DATA WAREHOUSE KONSEP Konsep dasar data warehouse adalah perbedaan antara data dan informasi. Data terdiri dari fakta-fakta yang dapat diamati dan direkam yang sering ditemukan dalam sistem operasional
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini kesadaran masyarakat akan arti pentingnya informasi statistik semakin meningkat. Mulai dari pemerintah, kalangan dunia usaha swasta, perguruan tinggi sampai
Lebih terperinciBAB 2 2 LANDASAN TEORI. Menurut Inmon (2002, p388), data adalah rekaman dari fakta-fakta, konsepkonsep,
BAB 2 2 LANDASAN TEORI 2.1 Pengertian Data Menurut Inmon (2002, p388), data adalah rekaman dari fakta-fakta, konsepkonsep, atau instruksi-instruksi pada media penyimpanan untuk komunikasi, pengambilan,
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi...Volume..., Bulan 20..ISSN : PEMBANGUNAN INDEPENDENT DATA MART PADA OPTIK YUDA
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 PEMBANGUNAN INDEPENDENT DATA MART PADA OPTIK YUDA Dinar Priskawati 1, Dian Dharmayanti 2 Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur
Lebih terperinciPERANCANGAN DATA WAREHOUSE CALON MAHASISWA BARU POLITEKNIK NEGERI LHOKSEUMAWE
PERANCANGAN DATA WAREHOUSE CALON MAHASISWA BARU POLITEKNIK NEGERI LHOKSEUMAWE Nanang Prihatin 1 1 Dosen Politeknik Negeri Lhokseumawe ABSTRAK Bagi sebuah perguruan tinggi, penerimaan calon mahasiswa merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Pengertian Data Menurut (Inmon, 2005, p. 493) data merupakan kumpulan faktafakta, konsep-konsep dan instruksi-instruksi yang disimpan dalam media penyimpanan yang
Lebih terperinciKARAKTERISTIK DATA WAREHOUSE
KARAKTERISTIK DATA WAREHOUSE Karakteristik data warehouse menurut Inmon, yaitu : 1. Subject Oriented (Berorientasi subject) Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Pada bab ini dijabarkan tentang latar belakang, rumusan masalah, batasan masalah, tujuan dan manfaat penelitian, metode penelitian, serta sistematika penulisan laporan dari tugas akhir
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Rekapitulasi Laporan Rekapitulasi laporan sangat penting artinya bagi seorang pimpinan karena merupakan salah satu alat untuk melaksanakan kegiatan-kegiatan dalam perencanaan,
Lebih terperinciPERKEMBANGAN BASIS DATA SAAT INI
PERKEMBANGAN BASIS DATA SAAT INI Sejak tahun 1960-an penggunaan basis data sudah digunakan untuk bidang komersial, dimana pemrosesan file-nya masih berbasis manajemen file tradisional. Perkembangan komputer
Lebih terperinciData Mining. Pengenalan Sistem & Teknik, Serta Contoh Aplikasi. Avinanta Tarigan. 22 Nov Avinanta Tarigan Data Mining
Data Mining Pengenalan Sistem & Teknik, Serta Contoh Aplikasi Avinanta Tarigan 22 Nov 2008 1 Avinanta Tarigan Data Mining Outline 1 Pengertian Dasar 2 Classification Mining 3 Association Mining 4 Clustering
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Pembuatan data warehouse telah banyak dilakukan oleh perusahaanperusahaan industri yang berorientasi profit. Data warehouse diharapkan mampu
Lebih terperinciBAB 2 LANDASAN TEORI. Prescott, dan McFadden, 2005, p5). obyek, kejadian ataupun suatu konsep. (http://kuliah.dinus.ac.id).
BAB 2 LANDASAN TEORI 2.1 Data Data adalah sebuah representasi penyimpanan dari obyek-obyek dan kejadian-kejadian yang berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2005, p5).
Lebih terperinciOnline Analytical Processing (OLAP)
Online Analytical Processing (OLAP) OLAP 1/16 Outline Keuntungan OLAP Penyajian Data Multidimensi Peralatan OLAP dan Kategorinya Penerapan SQL pada OLAP OLAP 2/16 OLAP : Sintesa dinamis, analisis, dan
Lebih terperinciBASIS DATA MODEL BASIS DATA
BASIS DATA MODEL BASIS DATA APA ITU MODEL BASIS DATA? Model database menunjukkan struktur logis dari suatu basis data, termasuk hubungan dan batasan yang menentukan bagaimana data dapat disimpan dan diakses.
Lebih terperinciTUGAS DATA WAREHOUSE
TUGAS DATA WAREHOUSE PERANCANGAN DAN PEMBUATAN DATA WAREHOUSE DAN APLIKASI ONLINE ANALYTICAL PROCESSING UNTUK BANK X Oleh : Nama : Fitri Wahyu Apriliani Nim : 011.01.106 Kelas : Teknik Informatika VI A
Lebih terperinciPerancangan Basis Data
Modul ke: Perancangan Basis Data Fakultas FASILKOM DATA WAREHOUSE Program Studi Sistem Informasi www.mercubuana.ac.id Anita Ratnasari, S.Kom, M.Kom DATA WAREHOUSE Definisi Data Warehouse Salah satu efek
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Pengertian Data Warehouse Menurut Connolly (2010, p1197), data warehouse adalah sekumpulan data yang bersifat subject-oriented, terintegrasi, timevariant, dan
Lebih terperinciSistem Penunjang Keputusan, Pertemuan Ke-9 KECERDASAN BISNIS Data Warehouse, Data Mart, OLAP, dan Data Mining
KECERDASAN BISNIS Warehouse, Mart, OLAP, dan Mining Warehouse warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai sistem operasional dan sumber yang lain
Lebih terperinciPEMANFAATAN DATA WAREHOUSE SEBAGAI SARANA PENUNJANG PENYUSUNAN BORANG AKREDITASI STANDAR 3 PADA FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR
PEMANFAATAN DATA WAREHOUSE SEBAGAI SARANA PENUNJANG PENYUSUNAN BORANG AKREDITASI STANDAR 3 PADA FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR Windarto Program Pascasarjana Magister Ilmu Komputer
Lebih terperinciBAB 2 LANDASAN TEORI. each unit of data is relevant to some moment in time, atau kurang lebih dapat
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Data Warehouse Menurut Inmon (2002, p389), A data warehouse is a collection of integrated, subject oriented database designed to support the DSS function, where each
Lebih terperinciPerkembangan Teknologi Database
Konsep Teknologi Informasi Perkembangan Teknologi Database ARIF BASOFI PENS 2016 Referensi 1. Fitrianingsih, Perkembangan Basis Data, Universitas Gunadarma. 2. Yulia Kahitela, Perkembangan Teknologi Database,
Lebih terperinci[Data Warehouse] [6/C2 & 6/D2]
[Data Warehouse] [6/C2 & 6/D2] [ Chapter 3] Arsitektur dan Struktur Data Warehouse Dedy Alamsyah, S.Kom, M.Kom [NIDN : 0410047807] Arsitektur Data Warehouse Menurut Poe, arsitektur adalah sekumpulan atau
Lebih terperinciData Warehouse Data warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai sistem operasional dan
1 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
Lebih terperinciBAB II LANDASAN TEORI. Dasar-dasar teori tersebut akan digunakan sebagai landasan berpikir dalam
BAB II LANDASAN TEORI Dalam merancang dan membangun suatu sistem informasi, dasar-dasar teori yang akan digunakan sangatlah penting untuk diketahui terlebih dahulu. Dasar-dasar teori tersebut akan digunakan
Lebih terperinciDATAWAREHOUSE. Sukarsa:Pasca Elektro Unud. I Made Sukarsa
DATAWAREHOUSE I Made Sukarsa Evolusi Sistem Informasi Decision Support System database Database (I,U,D,R) ETL DW (Read) Masalah : integrasi /konsistensi OLTP Normalisasi/Den ormalisasi OLAP Denormalisasi
Lebih terperinciBAB II. 2.1 Model Data High Level Data Model (Conceptual Data Model)
BAB II PENGEMBANGAN SISTEM BASIS DATA Bab ini akan membahas lebih lanjut mengenai arsitektur sistem basis data dan pengembangan sistem basis data. Sistem basis data tidak berdiri sendiri, tetapi selalu
Lebih terperinciBAB 2 LANDASAN TEORI. berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2002, p5).
BAB 2 LANDASAN TEORI 2.1 Data Data adalah sebuah representasi dari obyek - obyek dan kejadian - kejadian yang berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2002, p5). Data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Sistem Informasi Sistem Informasi adalah suatu kumpulan dari komponen yang berinteraksi untuk menyelesaikan tugas bisnis. pendapat ini didukung dengan pendapat Satzinger, Jackson,
Lebih terperinciLecture s Structure. Desain Data Warehouse (I): Dimensional Modelling. Mendisain Sebuah Data Warehouse
Desain Data Warehouse (I): Dimensional Modelling Yudi Agusta, PhD Data Warehouse and Data Mining, Lecture 3 Copyright Yudi Agusta, PhD 2006 Lecture s Structure Merancang Sebuah Data Warehouse Skema Perancangan
Lebih terperinci[Data Warehouse] [6/C2 & 6/D2]
[Data Warehouse] [6/C2 & 6/D2] [ Chapter 2] Jenis dan Karakteristik Data Warehouse Dedy Alamsyah, S.Kom, M.Kom [NIDN : 0410047807] Jenis Data Warehouse 1. Functional Data Warehouse (Data Warehouse Fungsional)
Lebih terperinciMATERI : OLAP DAN ANALISIS DATA MULTIDIMENSIONAL
MATERI : OLAP DAN ANALISIS DATA MULTIDIMENSIONAL O L A P - Singkatan dari : On line Analytical Processing - Konsep OLAP pertama diusulkan oleh E.F Codd, bapak dari basis data relasional - Pada basis data
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Teori Umum 2.1.1 Pengertian Data Menurut Inmon (2005:493), data adalah sebuah rekaman dari fakta, konsep ataupun instruksi pada sebuah media penyimpanan untuk komunikasi, pengambilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi yang semakin pesat ditunjukkan dengan munculnya beragam perangkat teknologi yang mempermudah manusia dalam memonitor perkembangan usahanya
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Data Data adalah sebuah representasi penyimpanan dari obyek-obyek dan kejadian-kejadian yang berarti dan penting di lingkungan pemakai. (Hoffer, Prescott, dan McFadden, 2005,
Lebih terperinciBAB II LANDASAN TEORI. Teori teori yang digunakan sebagai landasan dalam desain dan. implementasi dari sistem ini adalah sebagai berikut :
BAB II LANDASAN TEORI Teori teori yang digunakan sebagai landasan dalam desain dan implementasi dari sistem ini adalah sebagai berikut : 2.1. Sistem Informasi Manajemen Sistem Informasi Manajemen adalah
Lebih terperinciDatawarehouse dan OLAP (Overview) Diambil dari presentasi Jiawei Han
Datawarehouse dan OLAP (Overview) yudi@upi.edu Diambil dari presentasi Jiawei Han Apa Data warehouse? Database pendukung keputusan yang terpisah dengan database operasional Platform untuk konsolidasi
Lebih terperinciWeb browser Mozilla Firefox 2.0 dan Internet Explorer 7 HASIL DAN PEMBAHASAN. Analisis Data
6 Web browser Mozilla Firefox 2.0 dan Internet Explorer 7 Analisis Data HASIL DAN PEMBAHASAN Data hotspot yang digunakan adalah data dari tahun 2000 sampai dengan tahun 2004. Hal ini disebabkan data hotspot
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 15 Nomor
Jurnal Ilmiah Widya Teknik Volume 15 Nomor 2 2016 PEMBANGUNAN ONLINE ANALYTICAL PROCESSING YANG TERINTEGRASI DENGAN SISTEM INFORMASI HARGA BAHAN POKOK KOTA YOGYAKARTA C. Hutomo Suryolaksono 1, Paulina
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi informasi selalu dituntut untuk dapat memenuhi berbagai kebutuhan di segala bidang kehidupan yang semakin lama semakin meningkat dan
Lebih terperinciKegunaan Data Warehouse
Kegunaan Data Warehouse Dengan adanya data warehouse, akan mempermudah pembuatan aplikasi-aplikasi DSS dan EIS karena memang kegunaan dari data warehouse adalah khusus untuk membuat suatu database yang
Lebih terperinciBAB 2 LANDASAN TEORI. Data merupakan bentuk jamak dari datum (Vardiansyah, 2008, p3). Dalam
BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Umum Data dan Informasi Data merupakan bentuk jamak dari datum (Vardiansyah, 2008, p3). Dalam penggunaan sehari-hari data merupakan sesuatu pernyataan
Lebih terperinciPerancangan Dan Implementasi Aplikasi Olap Dengan Metode Pengembangan Waterfall Dan Evolutionary Untuk Analisis Data Pada Perguruan Tinggi
Perancangan Dan Implementasi Aplikasi Olap Dengan Metode Pengembangan Waterfall Dan Evolutionary Untuk Analisis Data Pada Perguruan Tinggi I Nyoman Mahayasa Adiputra, J. Wahyu Nugroho Joshua Sekolah Tinggi
Lebih terperinci80 Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI), 22 Agustus 2007
80 Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI), 22 Agustus 2007 PENGOLAHAN DATA WAREHOUSE TERHADAP SUMBER DATA AKADEMIK DAN KEMAHASISWAAN STIKOM SEBAGAI SISTEM PENDUKUNG KEPUTUSAN
Lebih terperinciIMPLEMENTASI OLAP PADA DATA PENJUALAN BBM MENGGUNAKAN PENTAHO TRIYONO
IMPLEMENTASI OLAP PADA DATA PENJUALAN BBM MENGGUNAKAN PENTAHO TRIYONO 41507120014 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA 2013 IMPLEMENTASI OLAP PADA DATA
Lebih terperinciPEMBUATAN DATA WAREHOUSE PENGUKURAN KINERJA PROSES BELAJAR MENGAJAR DI JURUSAN TEKNIK INFORMATIKA UNIVERSITAS KRISTEN PETRA
PEMBUATAN DATA WAREHOUSE PENGUKURAN KINERJA PROSES BELAJAR MENGAJAR DI.. (Andreas Handojo, et al.) PEMBUATAN DATA WAREHOUSE PENGUKURAN KINERJA PROSES BELAJAR MENGAJAR DI JURUSAN TEKNIK INFORMATIKA UNIVERSITAS
Lebih terperinciSUMBER DAYA-SUMBER DAYA SISTEM INFORMASI (BAGIAN 1) PSI Materi III Sesi 6
SUMBER DAYA-SUMBER DAYA SISTEM INFORMASI (BAGIAN 1) PSI Materi III Sesi 6 Sumber Daya-sumber Daya Sistem Informasi Sumber Daya Manusia Sumber Daya Data Sumber Daya Hardware Sumber Daya Software Sumber
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab pendahuluan ini penulis akan membahas tentang latar belakang, perumusan masalah, batasan masalah, metodogi penelitian, tujuan dan manfaat serta sistematika penulisan dalam tugas
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Informasi Menurut Inmon (2002, p388), data adalah suatu pencatatan dari sekelompok fakta, konsep, atau instruksi dalam suatu media penyimpanan untuk komunikasi,
Lebih terperinciDESAIN DATAWAREHOUSE AKADEMIK UNTUK MENDUKUNG SISTEM ADMINISTRASI DATA AKADEMIK DI UNIVERSITAS TADULAKO. Mohammad Yazdi 1
DESAIN DATAWAREHOUSE AKADEMIK UNTUK MENDUKUNG SISTEM ADMINISTRASI DATA AKADEMIK DI UNIVERSITAS TADULAKO Mohammad Yazdi 1 1 Jurusan Matematika FMIPA Universitas Tadulako Jl. Soekarno-Hatta Palu, Indonesia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Database 2.1.1 Definisi Data Menurut Inmon (2002, p388), data adalah sebuah rekaman fakta, konsep, atau instruksi pada sebuah media penyimpanan untuk komunikasi, pencarian,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Warehouse Mohammed (2014) mengatakan bahwa data warehouse merupakan database relasional yang dirancang untuk melakukan query dan analisis. Data warehouse biasanya berisi
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE MENGGUNAKAN SCHEMA SNOWFLAKE UNTUK MENGETAHUI TREND PRODUKSI DAN PEMASARAN PRODUK
PERANCANGAN DAN IMPLEMENTASI DATA WAREHOUSE MENGGUNAKAN SCHEMA SNOWFLAKE UNTUK MENGETAHUI TREND PRODUKSI DAN PEMASARAN PRODUK Novia Busiarli 1), Mardhiya Hayati 2) 1), 2,)3) Teknik Informatika STMIK AMIKOM
Lebih terperinciMEMBANGUN DATA WAREHOUSE
MEMBANGUN DATA WAREHOUSE A. Menentukan Bentuk Data Warehouse Data warehouse memiliki berbagai macam bentuk yang sering digunakan. Jadi sebelum membangun suatu data warehouse kita harus memutuskan bentuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Umum 2.1.1 Data dan Informasi Menurut Inmon (2005, p493), data adalah kumpulan dari fakta, konsep atau perintah pada sebuah media penyimpanan yang digunakan untuk komunikasi,
Lebih terperinciIMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G
IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G64103046 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPemodelan Data Warehouse
Pemodelan Data Warehouse Budi Susanto Teknik Informatika Universitas Kristen Duta Wacana Yogyakarta 10/31/11 budi susanto 1 Tujuan Memahami konsep dasar data warehouse Memahami pemodelan berbasis dimensi
Lebih terperinciBAB II LANDASAN TEORI. Pengertian data warehouse menurut Inmon (2002, p31), a data warehouse is a
BAB II LANDASAN TEORI 2.1 Data Warehouse Pengertian data warehouse menurut Inmon (2002, p31), a data warehouse is a subject oriented, nonvolatile, time variant collection of data in support of management
Lebih terperinci