Ketersediaan/Availability : Basis Data harus diorganisasi sedemikian rupa sehingga data selalu tersedia ketika diperlukan.
Kecepatan dan kemudahan : Basis Data harus bisa menjamin bahwa data dapat diakses dengan mudah dan cepat ketika diperlukan.
Kelengkapan/Completeness : Data yang tersimpan dalam Basis Data harus lengkap, agar dapat melayani semua kebutuhan penggunanya.
Keakuratan/Accuracy
: Menurut saya bagian ini merupakan hal yang penting dalam Database
(basis data), agar dapat meminimalisir kesalahan baik pada penginputan
maupun pada penyimpanan.
keamanan/Security
: Ini juga Penting nih (skalian smuanya aja penting ya..he..he.) , mana
ada yang mau data-data diliat orang(apalagi yang Nggak bertanggung
jawab).
Pemakaian
bersama/Data Sharing : basis data umumnya dirancang agar dapat digunakan
oleh berbagai unit kerja dan tidak terbatas pada satu pemakai , satu
lokasi atau satu aplikasi saja.
Efisiensi
penyimpanan / storage efficiency : organisasi basis data sebaiknya
menghindari duplikasi karena duplikasi data , karena duplikasi data
memperbesar pemakaian ruang penyimpanan.System pengkodean dan relasi
data diterapkan agar dapat menghemat ruang penyimpanan.
Telah
diketahui bahwa secara fisik data dalam bentuk kumpulan bit dan direkam
dengan basis track didalam media penyimpan eksternal. Dalam prakteknya,
untuk kemudahan dalam mengakses data, data disusun dalam suatu struktur
logis yang menjelaskan bahwa:
Kumpulan tabel menyusun basis data,
Tabel tersusun atas sejumlah record,
Sebuah record mengandung sejumlah field, dan
Sebuah field disimpan dalam bentuk kumpulan bit.
Pengertian masing-masing istilah diatas adalah seperti berikut:
Field
(medan) menyatakan data terkecil yang memiliki makna. Istilah lain
untuk field yaitu elemen data, kolom item, dan atribut. Contoh field
yaitu nama seseorang, jumlah barang yang dibeli, dan tanggal lahir
seseorang.
Record
(rekaman) menyatakan kumpulan dari sejumlah elemen data yang saling
terkait. Sebagai contoh, nama, alamat, tanggal lahir, dan jenis kelamin
dari seseorang menyusun sebuah record. Istilah lain yang juga menyatakan
record yaitu tupel dan baris.
Tabel menghimpun sejumlah record. Sebagai contoh, data pribadi dari semua pegawai disimpan dalam sebuah tabel.
Basis
data (database) adalah suatu pengorganisasian sekumpulan data yang
saling terkait sehingga memudahkan aktivitas untuk memperoleh informasi.
Sebagai contoh, basis data akademis mengandung tabel-tabel yang
berhubungan dengan data mahasiswa, data jurusan, data mata kuliah, data
pengambilan mata kuliah pada suatu semester, dan nilai yang diperoleh
mahasiswa.
Jenis Data Menurut Pengaksesan
Basis
Data Individual, Basis data yang digunakan oleh perorangan, misalnya
Microsoft Access, Corel Paradox, Visual dBASE dan Filemaker Pro.
Basis
Data Perusahaan, basis data yang dimaksudkan untuk diakses oleh
sejumlah pegawai dalam sebuah perusahaan dalam sebuah lokasi. Basis data
ini disimpan dalam server dan para pemakai dapat mengakses dari masing
-masing computer yang berkedudukan sebagai client.
Basis
Data Terdistribusi, basis data yang disimpan pada sejumlah computer
yang terletak pada beberapa lokasi. Misalnya pada bank yang memiliki
sejumlah cabang di berbagai kota dan melayani perbankan secara online.
Bank
Data Publik, Jenis basis data yang dapat diakses siapa saja (public).
Contoh google yang menyediakan banyak data yang bersifat public dan
dapat diambil siapa saja secara gratis.
Basis
data perusahaan, basis data terdistribusi, basis data public didesain
oleh administrator data (Data Administrator/ DA) dan dikelola oleh
seorang spesialis yang dinamakan administrator basis data (Database
Administratr/ DBA).
Jenis Data pada Basis Data
DBMS
masa kini mendukung berbagai jenis data, dari teks, suara, hingga
gambar. Contoh berbagai nama tipe data pada berbagai DBMS adalah sebagai
berikut:
Contoh berbagai jenis data
Character (Visual dBASE), Char (SQL), Text (Access), Alpha (Paradox)
Menyatakan tipe data untuk menyimpan deretan karakter seperti nama orang atau nama mobil
Memo (Access dan Visual dBASE), Text (PostgresSQL)
Untuk menyimpan deretan karakter dengan ukuran yang besar (melebihi 256 karakter)
Number (Access), Numeric (Visual dBASE)
Untuk menyimpan data bilangan
Date/Time (Access)
Untuk menyimpan data jam dan tanggal
Date (Visual dBASE), Date (PostgresSQL)
Untuk menyimpan tanggal
Time (PostgresSQL)
Untuk menyimpan data jam
Currency (Access), Money (Paradox)
Untuk menyimpan data uang
Yes/No (Access), Logical (Visual dBASE), Bool (PostgresSQL)
Untuk menyimpan data logika (benar atau salah)
OLE (Visual dBASE), OLE Object (Access)
Untuk menyimpan OLE. Dapat berupa objek seperti gambar atau bahkan suara
Binary (Visual dBASE) Untuk menyimpan data gambar atau suara
Graphics (Paradox) Untuk menyimpan data gambar
Hyperlink (Access) Untuk menyimpan data hyperlink
Model Data
Model
basisdata adalah kumpulan dari konsepsi basisdata yang biasanya
mewakili struktur dan relasi data yang terdapat pada suatu basis data.
Esensi sebuah model basisdata adalah tempat dimana data atau suatu
metodologi untuk menyimpan data. Kita tidak dapat melihat model
basisdata tetapi kita dapat melihat algoritma yang digunakan oleh model
basisdata tersebut.
Ada 2 macam model basis data :
Model konseptual
Model
konseptual terfokus kepada representasi basis data secara alam logika.
Model ini lebih memperhatikan tetang apa yang disajikan dibanding dengan
bagaimana cara menyajikannya.
Model Implementasi
Ditekankan pada Bagaimana cara data disajikan pada basis data atau Bagaimana struktur data diimplementasikan
Dari konsep Model basisdata implementasi terdapat beberapa konsep basisdata yang berkembang antara lain :
Model basisdata hierarki (hierarchical database)
Sistem
basisdata hierarki merupakan konsep model basisdata yang tertua, tidak
ada kepastian kapan konsep ini mulai digunakan. Model ini berupa suaty
tree dengan relasi Parent Child Relationships dengan hubungan
satu-banyak (1-N).
Struktur dasar basisdata hierarki :
Kumpulan
record-record yang secara logika terorganisir seperti struktur pohon
dari atas ke bawah (berbentuk hirarki). Model ini banyak digunakan pada
saat awal komputer database mainframe. Sistem ini banyak digunakan pada
tahun 50-an dan 60-an, yang banyak digunakan oleh bank dan lembaga
asuransi pada masa itu.
Lapisan
paling atas bertindak sebagai induk/root dari segmen yang tepat berada
di bawahnya dan lapisan bawah tidak bisa memiliki lebih dari satu root.
Segmen yang berada di bawah dari suatu segmen lainnya merupakan anak dari segmen yang ada di atasnya.
Struktur pohon mewakili urutan hierarki dari media penyimpan pada komputer.
Keuntungan :
Secara konseptual model basisdata ini sederhana.
Keamanan basisdata lebih baik
Kebebasan data
Integritas data dalam satu tree lebih baik
Basisdata skala besar lebih efisien
Kerugian :
Sistem lebih rumit
Kekurangan pada kebebasan struktural
Model basisdata jaringan (Network database)
Model
basisdata ini dikemukakan pada tahun 1969 oleh CODASYL consorsium. Pada
prinsipnya model basisdata jaringan hampir sama dengan basisdata
hierarki yaitu berupa model tree, akan tetapi pada model basisdata
jaringan child dapat memiliki lebih dari satu parent.
Struktur data basisdata jaringan :
Set
- Sebuah hubungan disebut set. Setiap set terdiri dari paling tidak dua
macam record : satu record pemilik (induk) dan satu record anggota
(anak).
Satu set mewakili satu hubungan 1:M antara pemilik dan anggota.
Model basisdata relasional
Model
basisdata relasional merupakan model basisdata yang dirancang agar
memiliki konsistensi informasi dalam bentuk normalisasi database. Yang
secara implementatif dan operasional dikendalikan oleh mesin Database
Managemen System (DBMS).
Struktur dasar basisdata relasional :
Relasional Database Management System (RDBMS) beroperasi pada lingkungan logika manusia.
Basisdata relasional diasumsikan sebagai sekumpulan tabel-tabel.
Setiap tabel terdiri dari serangkaian per-potongan baris/kolom
Tabel-tabel (atau relasi) terhubung satu dengan lainnya menggunakan entitas tertentu yang digunakan secara bersama
Tipe hubungan seringkali ditunjukkan dalam suatu skema
Setiap tabel menghasilkan data yang lengkap dan kebebasan struktural
Keuntungan model data entity relationship :
Secara konseptual sangat sederhana
Gambaran secara visual
Alat bantu komunikasi lebih efektif
Terintegrasi dengan model basis data relasional
Kerugian model entity relationship :
Gambaran aturan-aturan terbatas
Gambaran relasi terbatas
Tidak ada bahasa untuk memanipulasi data
Kehilangan isi informasi
Komponen DBMS
Kamus Data
Kamus
data (data dictionary) digunakan untuk menyimpan deskripsi data yang
digunakan dalam basis data. Setiap elemen data antara lain memiliki tipe
dan ukuran. Kamus data terkadang juga berisi ketentuan yang mengatur
nilai yang bisa dimasukkan dalam field. Sebagai contoh, jika definisi
sebuah field menyatakan bahwa hanya huruf P dan W yang dimasukkan ke
dalam field bernama Jenis_Kelamin, maka sistem akan menolak sekiranya
pemakai memasukkan data L ke field tersebut.
Utilitas
Utilitas digunakan untuk memudahkan pemakai dalam menciptakan basis data dan tabel serta dalam memanipulasi data.
Pembangkit Laporan
Pembangkit Laporan adalah fasilitas yang disediakan kepada pemakai untuk membuat laporan dengan mudah.
Pembangkit Aplikasi
Pembangkit
Aplikasi adalah fasilitas yang digunakan untuk membuat tampilan yang
digunakan oleh pemakai yang akan menggunakan aplikasi basis data
(tampilan seperti ini dikenal dengan istilah formulir), misalnya untuk
mengisikan data.
Keamanan Akses
Fasilitas
keamanan akses digunakan untuk mengatur hak akses pemakai. Keamanan
akses dapat berupa pengaturan wewenang akses terhadap pemakai tertentu.
Misalnya, pemakai dapat mengubah isi tabel Mahasiswa, tetapi pemakai B
tidak. DBMS seperti pemakai B tidak.
Pemulihan Sistem
Fasilitas
pemulihan sistem berfungsi untuk mengembalikan data semula ke basis
data sekiranya terjadi kegagalan sistem. Beberapa teknik yang umum
digunakan untuk menangani pemulihan sistem yaitu mirroring,
reprocessing, dan rollback.
SQL
SQL
(Structured Query Language) adalah sebuah bahasa yang dipergunakan
untuk mengakses data dalam basis data relasional. Bahasa ini secara de
facto merupakan bahasa standar yang digunakan dalam manajemen basis data
relasional. Saat ini hampir semua server basis data yang ada mendukung
bahasa ini untuk melakukan manajemen datanya.
Standarisasi
SQL dimulai pada tahun 1986, ditandai dengan dikeluarkannya standar SQL
oleh ANSI. Standar ini sering disebut dengan SQL86.Standar tersebut
kemudian diperbaiki pada tahun 1989 kemudian diperbaiki lagi pada tahun
1992. Versi terakhir dikenal dengan SQL92. Pada tahun 1999 dikeluarkan
standar baru yaitu SQL99 atau disebut juga SQL99, akan tetapi kebanyakan
implementasi mereferensi pada SQL92.
Saat
ini sebenarnya tidak ada server basis data yang 100% mendukung SQL92.
Hal ini disebabkan masing-masing server memiliki dialek masing-masing.
Secara
umum, SQL terdiri dari dua bahasa, yaitu Data Definition Language (DDL)
dan Data Manipulation Language (DML). Implementasi DDL dan DML berbeda
untuk tiap sistem manajemen basis data (SMBD)[1], namun secara umum
implementasi tiap bahasa ini memiliki bentuk standar yang ditetapkan
ANSI. Artikel ini akan menggunakan bentuk paling umum yang dapat
digunakan pada kebanyakan SMBD.
Data Definition Language (DDL)
DDL
digunakan untuk mendefinisikan, mengubah, serta menghapus basis data
dan objek-objek yang diperlukan dalam basis data, misalnya tabel, view,
user, dan sebagainya. Secara umum, DDL yang digunakan adalah CREATE
untuk membuat objek baru, USE untuk menggunakan objek, ALTER untuk
mengubah objek yang sudah ada, dan DROP untuk menghapus objek. DDL
biasanya digunakan oleh administrator basis data dalam pembuatan sebuah
aplikasi basis data.
CREATE
CREATE digunakan untuk membuat basis data maupun objek-objek basis data.
Data Manipulation Language (DML)
DML digunakan untuk memanipulasi data yang ada dalam suatu tabel. Perintah yang umum dilakukan adalah:
SELECT untuk menampilkan data
INSERT untuk menambahkan data baru
UPDATE untuk mengubah data yang sudah ada
DELETE untuk menghapus data
SELECT
SELECT
adalah perintah yang paling sering digunakan pada SQL, sehingga
kadang-kadang istilah query dirujukkan pada perintah SELECT. SELECT
digunakan untuk menampilkan data dari satu atau lebih tabel, biasanya
dalam sebuah basis data yang sama.
Fungsi aggregat
Beberapa
SMBD memiliki fungsi aggregat, yaitu fungsi-fungsi khusus yang
melibatkan sekelompok data (aggregat). Secara umum fungsi aggregat
adalah:
SUM untuk menghitung total nominal data
COUNT untuk menghitung jumlah kemunculan data
AVG untuk menghitung rata-rata sekelompok data
MAX dan MIN untuk mendapatkan nilai maksimum/minimum dari sekelompok data.
Fungsi aggregat digunakan pada bagian SELECT. Syarat untuk fungsi aggregat diletakkan pada bagian HAVING, bukan WHERE.
Subquery
Ada
kalanya query dapat menjadi kompleks, terutama jika melibatkan lebih
dari satu tabel dan/atau fungsi aggregat. Beberapa SMBD mengizinkan
penggunaan subquery.
Data Warehouse dan Data Mart
Data
yang terdapat dalam data warehouse dapat dibagi perbagian sesuai dengan
kebutuhan dalam informasi. Inilah yang dsebut dengan data mart. Data
mart memiliki karakteristik yang sama dengan data warehouse,
perbedaannya hanya terdapat pada jumlah data yang dimiliki. Dalam data
mart, data yang ada hanya berasal dari satu bagian atau satu departemen
saja, sedangkan pada data warehouse, data yang ada berasal dari seluruh
bagian dalam perusahaan tersebut.
Dalam pembuatan data warehouse, ada dua pendekatan yang dapat digunakan, yaitu :
Pendekatan Top Down (Top Down Approach)
Pendekatan
ini dilakukan dengan membuat perancangan data warehouse terlebih dahulu
secara keseluruhan. Dalam pembuatannya, ditentukan apa yang menjadi
sumber data dan bagaimana cara untuk memasukkannya ke dalam data
warehouse yang telah dirancang terlebih dahulu. Pendekatan ini
menyatakan bahwa pembangunan desain arsitektur data warehouse adalah hal
pertama yang dilakukan dalam membangun suatu data warehouse.
Pendekatan Bottom Up (Bottom Up Approach)
Berbeda
dengan pendekatan Top Down, pendekatan ini menyatakan bahwa data
warehouse berawal dari kumpulan data mart yang telah dibangun terlebih
dahulu untuk masing-masing departemen. Data mart yang telah dibangun
kemudian digabungkan untuk membangun suatu data warehouse yang utuh.
Dalam
pembangunan data mart, terdapat 2 arsitektur, yaitu : Dependent Data
Mart dan Independent Data Mart (IDM). Perbedaan dari kedua arsitektur
tersebut hanya terletak pada ketergantungannya terhadap data warehouse.
Pada Dependent Data Mart, data yang diperoleh sangat tergantung pada
data warehouse terpusat sedangkan pada IDM, data yang digunakan terpisah
dari data warehouse terpusat dan bersifat independent (berdiri
sendiri).
Data
telah berkembang sangat pesat dalam beberapa dekade terakhir. Banyak
bentuk-bentuk yang dulu “hanya“ mempunyai teknologi sebagai tempat
penyimpanan data yang terdiri dari field-field, record dan diolah serta
ditampilkan menjadi informasi dalam berbagai format tampilan yang
sederhana, bermula dari bentuk yang sederhana tersebut maka didapatkan
suatu metoda untuk menampilkan suatu database yang berguna untuk
menganalisa data untuk suatu keperluan tertentu. Sejak tahun 1980-an ,
baik organisasi swasta maupun pemerintahan telah bekerja dengan data
dalam interval megabyte sampai gigabyte bahkan terabyte. Oleh karena
itu, kebutuhan akan alat cangih dan cepat dalam menganalisis data
semakin meningkat. Hal ini dikarenakan maju atau mundurnya perusahaan
akan sangat bergantung oleh seberapa cepat dan canggihnya sistem
informasi yang mereka miliki serta kemampuan mereka dalam menganalisis
informasi dengan sistem tersebut. Dengan memanfaatkan relational
database yang sudah ada maka didapat suatu cara untuk mengantisipasi
kebutuhan guna menganalisa data secara cepat untuk membantu mendapatkan
keputusan dalam suatu aplikasi atau organisasi
Sudah
sekian lama, perusahaan menganalisis data dengan menggunakan relational
DBMS yang sangat sederhana, dan tentunya memiliki keterbatasan dalam
melakukan aggregate, summarize, consolidate, sum, view, dan analyze.
Kekurangan tersebut akan muncul jika datanya bersifat multidimensi,
karena banyak perusahaan menganalisis berbagai data dalam satu waktu
yang bersamaan. Oleh karena itu, dibutuhkan suatu multidimensional data
analysis sehingga muncullah Online Analytical Processing (OLAP).
SEJARAH
Produk
pertama menggunakan query OLAP adalah Express yang dirilis tahun 1970 (
dan dipakai oleh Oracle tahun 1995 sebagai Information Resources ).
Tetapi istilah OLAP baru muncul tahun 1993 diperkenalkan oleh E. F. Codd
yang merupakan bapak relational databases. Karangan Codd berisi
konsultasi pendek yang Codd lakukan dengan pendiri Arbor Software (
sekarang disebut Hyperion Solutions, dan pada tahun 2007 dibeli oleh
Oracle ) untuk memperbaiki pemasaran. Perusahaan tersebut kemudian
merilis produk OLAP, Essbase, yang menerapkan 12 aturan Codd untuk
online analytical processing. OLAP market tumbuh dengan cepat pada akhir
tahun 90an dengan banyak komersial produk yang muncul di pasaran. Pada
tahun 1998, Microsoft merilis OLAP server pertamanya, Microsoft Analysis
Services yang dikembangkan dengan mengadopsi teknologi OLAP.
DEFINISI
Online
Analytical Processing (OLAP ) merupakan suatu metode pendekatan untuk
menyajikan jawaban dari permintaan proses analisis yang bersifat
dimensional secara cepat, yaitu desain dari aplikasi dan teknologi yang
dapat mengoleksi, menyimpan, memanipulasi suatu data multidimensi untuk
tujuan analisis.
OLAP
(Online Analytical Processing) adalah teknologi yang memproses data di
dalam data warehouse dalam struktur multidimensi, menyediakan jawaban
yang cepat untuk query analisis yang kompleks.
TEKNIK OLAP
Selain
itu, teknik OLAP itu sendiri dapat dirangkum menjadi 5 garis besar
yaitu Fast Analysis of Shared Multidimensional Information atau
disingkat menjadi FASMI yang masing-masing berarti sebagai berikut:
FAST,
berarti sistem ditargetkan untuk memberikan response terhadap user
dengan secepat mungkin, sesuai dengan analisis yang dilakukan.
ANALYSIS,
berarti sistem dapat mengatasi berbagai logika bisnis dan analisis
statistik yang relevan dengan aplikasi dan user, dan mudah.
SHARED,
berarti sistem melaksanakan seluruh kebutuhan pengamanan data, jika
dibutuhkan banyak akses penulisan terhadap data, disesuaikan dengan
level dari user. Tidak semua aplikasi membutuhkan user untuk menulis
data kembali. Sistem harus dapat meng-handle multiple update dalam satu
waktu secara aman.
MULTIDIMENSIONAL,
berarti sistem harus menghasilkan conceptual view dari data secara
multidimensional, meliputi full support untuk hierarki dan mutiple
hierarki. Hal ini merupakan cara yang logic untuk menganalisis bisnis
dan organisasi.
INFORMATION,
adalah semua data dan informasi yang dibutuhkan dan relevan untuk
aplikasi. Kapasitas produk OLAP berbeda untuk menghandle input data
tergantung beberapa pertimbangan meliputi duplikasi data, RAM yang
dibutuhkan, penggunaan disk space, performance, integrasi dengan data
warehouse, dan lainnya.
Karakteristik
Adapun karakteristik dari OLAP, yaitu:
Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada data warehouse
Memfasilitasi query yang komplek dan analisa bagi user
Mengijinkan
user melakukan drill down untuk menampilkan data pada level yang lebih
detil atau roll up untuk agregasi dari satu dimensi atau beberapa
dimensi
Menyediakan proses kalkulasi dan perbandingan data
Menampilkan hasil dalam bentuk number termasuk dalam tabel dan grafik.
TEMPAT PENYIMPANAN
Dari
OLAP tersebut terdapat 3 model penyimpanan data dalam cube yang
difasilitasi oleh Microsoft SQL Server 7.0. Ketiga model penyimpanan
data tersebut adalah:
MOLAP
Multidimensional
online analitycal processing (MOLAP) menyimpan data dan agregasi pada
struktur data multidimensi. Struktur MOLAP ini tidak tersimpan pada data
warehouse tapi tersimpan pada OLAP server. Sehingga performa query yang
dihasilkan olehnya sangat bagus. Model penyimpanan ini sesuai untuk
database dengan ukuran kecil sampai sedang.
ROLAP
ROLAP
(relational online Analitycal processing) menggunakan tabel pada
database relasional data warehouse untuk menyimpan detil data dan
agregasi kubus. Berbeda dengan MOLAP, ROLAP tidak menyimpan salinan
database, ia mengakses langsung pada tabel fact ketika membutuhkan
jawaban sebuah query. Sehingga query pada ROLAP mempunyai response time
yang lebih lambat dibandingkan ROLAP maupun HOLAP. Karakteristik model
ini digunakan untuk menyimpan data yang besar dan jarang dilakukannya
proses query. Misalkan, data histori dalam jumlah besar dari beberapa
tahun yang sebelumnya.
HOLAP
Gabungan
model MOLAP dan ROLAP dapat kita peroleh dari HOLAP (hibrid online
analitycal processing).Detil data tersimpan pada tabel relasional tapi
aggregasi data disimpan dalam format multidimensi. Misalkan proses drill
down dilakukan pada sebuah tabel fakta, maka retrive data akan
dilakukan dari tabel database relasional sehingga query tidak secepat
MOLAP. Kubus HOLAP lebih kecil daripada kubus MOLAP tapi response time
query masih lebih cepat jika dibandingkan dengan ROLAP. Model
penyimpanan HOLAP ini biasanya sesuai untuk kubus yang membutuhkan
performa query yang bagus dengan jumlah data yang besar.
Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut :
Meringkas dan mengumpulkan sejumlah besar data
Melakukan filtering, pengurutan, dan memberikan peringkat (rangking)
Membandingkan beberapa set dari data
Membuat sketsa/bagan/diagram
Menganalisis dan menemukan pola dari data
Menganalisis kecenderungan data
OLAP
menerangkan sebuah kelas dari teknologi yang didesain keberadaan data
adhoc dan analisis. Ketika proses umum transaksi terjadi pada hubungan
database, OLAP menjadi kurang lebih sama dengan pandangan multidimensi
dari data bisnis. Tampilan multidimensi ini didukung oleh teknologi
multidimensi database.
OLAP
adalah langkah maju yang logis dibawah pertanyaan dan laporan, dan
merupakan langkah lanjut dari pembuatan sebuah keputusan solusi tambahan
total. Tool software OLAP mengirim alat-alat teknologi untuk analisis
bisnis komplek dengan membuat pengguna dapat menganalisa data dalam
lingkungan multidimensi. Dengan tool OLAP seseorang dapat menganalisa
dan me-navigasi melalui data untuk menemukan trend, titik pengecualian,
dan mendapat detail tergaris bawah untuk pemahaman kemunduran yang lebih
baik dan menjalankan aktivitas bisnis mereka.
OLAP
merupakan suatu metode pendekatan untuk menyajikan jawaban dari
permintaan proses analisis yang bersifat dimensional secara cepat,
yaitu desain dari aplikasi dan teknologi yang dapat mengoleksi,
menyimpan, memanipulasi suatu data multidimensi untuk tujuan analisis.
OLAP DAN PENJADWALAN BERPRIORITAS
Berdasarkan algoritma penjadwalan berprioritas dibagi dua macam :
Statis, prioritas yang tidak berubah
Dinamis, prioritas yang bisa diubah
Pada
OLAP algoritma yang digunakan adalah algoritma berprioritas dinamis
karena merupakan mekanisme menanggapi perubahan lingkungan sistem saat
beroperasi di lingkungan nyata. Prioritas awal yang diberikan ke proses
mungkin hanya berumur pendek dalam hal ini sistem dapat menyesuaikan
nilai prioritasnya ke nilai yang lebih tepat sesuai lingkungan.
Algoritma ini dituntun untuk memenuhi kebijaksanaan tertentu yang menjadi tujuan sistem komputer.
Berbagai kelebihan bisa didapat dengan menggunakan OLAP ini diantaranya :
Dapat meningkatnya produktivitas bisnis, IT developers, dan seluruh organisasi
Akses yang lebih terkendali terhadap informasi yang dapat meningkatkan efektivitas pengambilan keputusan
Mempercepat respon terhadap permintaan pasar.
Data
mining adalah suatu proses yang digunakan untuk mencari informasi dan
knowledge yang berguna, dimana diperoleh dari data-data yang dimiliki.
Dari buku Data Mining Technique yang dikarang oleh Berry and Linoff,
proses terjadinya data mining dapat dideskripsikan sebagai virtous
cycle. Didasari oleh pengembangan berkelanjutan dari proses bisnis serta
didorong oleh penemuan knowledge ditindaklanjuti dengan pengambilan
tindakan dari penemuan tersebut.
Langkah-langkah Data mining
Identity The Business Problem
Yang
pertama dan juga dasar dari virtous cycle adalah mengetahui masalah
bisnis yang kita hadapi. Karena kita tidak bisa mengolah data jika kita
tidak tau yang sedang kita hadapi. Kita harus mengetahui masalah-masalah
apa yang sedang dihadapi. Dengan mengetahui masalah yang dihadapi kita
dapat menentukan data-data mana saja yang kita butuhkan untuk dapat
dilakukan tahap analisa.
Mine The Data For Actionable Information
Setelah
mengetajui identifikasi masalah, kita memperolah data-data mana saja
yang diperlukan untuk analisa. Barulah kita melakukan analisa terhadap
data-data tersebut. Dan dari analisa tersebut analisis akan dapat
memperolah sebuah knowledge baru dan baru lah dapat diambil suatu
keputusan/kebijaksanaan.
Take The Action
Dan
dari keputusan/kebijaksanaan yang didapat dari proses data mining itu
barulah kita terapkan dengan aksi berupa tindakan-tindakan yang
kongkrit/nyata dalam proses bisnis.
Measure Results
Setelah
diambil tindakan-tindakan dan keputusan, kita memonitori hasil
tersebut. Apakah sudah sesuai(memuaskan) dengan target2 yang ingin kita
capai, apakah bisa mengatasi masalah-masalah yang dihadapi.
Teknik-teknik/Jenis-jenis DataMining
Market Basket Analysis
Himpunan
data yang dijadikan sebagai objek penelitan pada area data mining.
Market basket analysis adalah proses untuk menganalisis kebiasaan
pelanggan dalam menyimpan item-item yang akan dibeli ke dalam keranjang
belanjaannya. Market basket analysis memanfaatkan data transaksi
penjualan untuk dianalisis sehingga dapat ditemukan pola berupa
item-item yang cenderung muncul bersama dalam sebuah transaksi.
Selanjutnya pola yang ditemukan dapat dimanfaatkan untuk merancang
strategi penjualan atau pemasaran yang efektif, yaitu dengan menempatkan
item-item yang sering dibeli bersamaan ke dalam sebuah area yang
berdekatan, merancang tampilan item-item di katalog, merancang kupon
diskon (untuk diberikan kepada pelanggan yang membeli item tertentu),
merancang penjualan item-item dalam bentuk paket, dan sebagainya. Dengan
menggunakan teknologi data mining, analisis data secara manual tidak
diperlukan lagi.
Memory-Based Reasoning
Metode
klasifikasi yang digabungkan dengan penalaran berbasis memori. proses
menggunakan satu set data untuk membuat model dari prediksi atau
asumsi-asumsi yang dapat dibuat tentang objek baru yang diperkenalkan.
Ada dua komponen dasar untuk metode MBR. Yang pertama adalah kesamaan
fungsi, yang mengukur bagaimana anggota yang sama dari setiap pasangan
object satu sama lain. Yang kedua adalah fungsi kombinasi, yang
digunakan untuk menggabungkan hasil dari himpunan tetangga untuk sampai
pada keputusan.
Cluster Detection
Ada
dua pendekatan untuk clustering. Pendekatan pertama adalah dengan
mengasumsikan bahwa sejumlah cluster sudah tersimpan dalam data,
tujuannya adalah untuk memecah data ke dalam cluster. Pendekatan lain,
disebut clustering agglomerative, dengan asumsi keberadaan setiap jumlah
yang telah ditetapkan cluster tertentu, setiap item keluar di cluster
sendiri, dan proses terjadi berulang-ulang yang berupaya untuk
menggabungkan cluster, meskipun proses komputasi sama.
Link Analysis
proses
mencari dan membangun hubungan antara object dalam kumpulan data juga
mencirikan sifat yang terkait dengan hubungan antara dua object. Link
Analysis berguna untuk aplikasi analitis yang mengandalkan teori grafik
untuk mengambil kesimpulan. Selain itu Link Analysis berguna untuk
proses optimasi.
Rule Induction
Ekstraksi
aturan sebab-akibat dari data secara statistic. identifikasi aturan
bisnis yang tersimpan di dalam data. Metode berhubungan dengan induksi
aturan yang digunakan untuk proses penemuan. Salah satu pendekatan untuk
penemuan aturan adalah menggunakan pohon keputusan.
Neural Networks
model
prediksi non linear yang melakukan pembelajaran melalui latihan dan
menyerupai struktur jaringan nerual yang terdapat pada mahluk hidup.
Mampu menurunkan pengertian dari data yang kompleks dan tidak jelas dan
dapat digunakan pula untuk mengekstrak pola dan mendeteksi tren2 yang
sangat kompleks untuk dibicarakan baik oleh manusia maupun teknik
komputer lainnya.
Tugas Data Mining (Six Tax Data Mining)
Classification
- Menyusun data menjadi kelompok-kelompok yang telah ditentukan, yang
melibatkan dengan memeriksa atribut-atribut dari suatu objek tertentu
dan menetapkannya ke kelas yang telah didefinisikan.
Estimation
- proses untuk menempatkan beberapa nilai numerik secara terus suatu
objek, estimasi juga dapat digunakan sebagai bagian dari proses
klasifikasi.
Prediction
- berbeda dengan Estimation dan Classification, Prediction adalah
upaya-upaya untuk mengklasifikasikan suatau objek berdasarkan dari
behaviour yang akan ditentukan(diharapkan) dari candidate behaviour.
Affinity
Grouping - proses yang mengevaluasi hubungan atau asosiasi antara
unsur-unsur data berupa attribute atau behaviour data yang menunjukkan
beberapa tingkat afinitas antar objek.
Clustering
- sama seperti klasifikasi tetapi kelompok yang tidak/belum di tentukan
standarnya, sehingga secara algoritma data tersebut akan dikelompokan
berdasarkan data yang serupa dengan data yg di submit.
Desciption
- proses yang menggambarkan apa yang telah terjadi dan di identifikasi
atau proses yang menjelaskan hasil akhir dari jalannya proses data
mining.
ERP
yang merupakan kependekan dari Enterprise Resource Planning adalah
integrasi dari praktek management bisnis dengan teknologi modern. IT
terintegrasi dengan 'core' proses bisnis dari unit bisnis untuk
merangkumkan dan menyelesaikan tujuan bisnis secara spesifik.
Pada
prinsipnya, ERP adalah sebuath gabungan dari 3 buah komponen penting,
yaitu: Praktek Management bisnis, IT dan Tujuan dari bisnis yang
spesifik.
Sederhananya,
ERP adalah sebuah arsitektur software yang membantu streaming dan
pendistribusian informasi terhadap seluruh bisnis unit. ERP memberikan
para eksekutif sebuah overview yang komprehensif yang akan mempengaruhi
keputusan bisnis secara produktif.
Pada
core ERP terdapat sebuah data respository terpusat dan ter'managed'
yang merequest dan mensupply informasi atau data untuk suatu aplikasi
operasional dalam platform universal komputer yang terintegrasi satu
sama lainnya.
Pada awalnya
ERP hanya diimplementasikan pada organisasi yang besar dengan
organisasi yang mengunakan resources yang sangat luas, namun sekaranga
penggunaan ERP sudah mengalami perubahan beberapa tahun terakhir ini,
dan ERP sekarang dapat diimplementasikan pada skala perusahaan menengah
dan berbagai macam industri.
Arsitektur
software ERP sekarang ini dapat merangkum fungsi-fungsi yang ada dalam
suatu bisnis dan mengintegrasikannya dalam satu tempat dari gabungan
database. Misalkan, fungsi dari HRD, Supply Chain Management, Customer
Relationship Management, Keuangan, produksi, management gudang dan
logistik, yang mana dulunya menggunakan aplikasi/software dan database
masing-masing & terpisah, maka sekarang ini masing-masing unit
aplikasi itu disatukan dengan satu payung, yaitu arsitektur ERP.
0 komentar:
Posting Komentar