Dimensional Modelling

Dimensional Modellingsering digunakan pada data warehouseyang memungkinkan untuk mengakses data dengan performa yang tinggi.

Menurut (Kimball &Ross, 2013, p7), dimensional modellingadalah teknik yang digunakan untuk menyajikan data analitik untuk men-deliverdata yang dapat dimengerti pengguna bisnis. Menurut (Gupta & Krishna, 2013, p396), dimensional modellingmerupakan pemodelan data untuk menangkap data dan menjadikan informasi yang mendukung analisis yang kompleks dan pendekatan yang berbeda dari perancangan sistem operasional. Menurut (Connolly & Begg, 2015, p1261), dimensional modellingadalah sebuah teknik desain logika yang bertujuan untuk menampilkan data dalam bentuk standar, intuitif yang memungkinkan akses cepat. Dimensional modellingmenggunakan konsep model Entity-Relationship (ER)dengan beberapa batasan penting. Setiap model dimensi terdiri dari satu table dengan satu composite primary keyyang disebut tabel fakta dan memiliki kumpulan dari tabel yang lebih sederhana yang disebut tabel dimensi (dimension table). Tiap tabel dimensi memiliki primary key (non composite)yang akan berkorespondensi tepat satu dengan komponen pada composite keydalam tabel fakta.
Jadi dapat disimpulkan dimensional modellingadalah teknik pemodelan yang data yang digunakan pada data warehouseyang terdiri dari kumpulan tabel fakta dan tabel dimensi.

Komponen Dimensional Modelling

Dalam dimensional modellingterdapat dua komponen utama yaitu tabel fakta dan tabel dimensi.

1. Tabel Fakta
   Tabel fakta dalam dimensional modelingmerupakan tabel utama dalam data warehouseyang memuat data-data transaksi. Menurut (Akintola et al,2011, p19), tabel fakta merupakan tabel yang berisi atribut dimensi dan nilai. Atribut dimensi adalah FK atau atribut lainnya disebut degenerate dimension. Menurut (Kimball & Ross, 2013, p10), tabel fakta adalah tabel utama dalam dimensional model dengan performa perhitungan karakteristik numerik berdasarkan composite key, serta setiap elemen foreign keyyang diambil dari tabel dimensi. Menurut (Han & Kamber, 2011, p136), tabel fakta merupakan tabel yang terdiri nama fakta, atau ukuran, serta keypada masing-masing tabel dimensi yang terhubung.
   Jadi dapat disimpulkan tabel fakta merupakan tabel utama yang terdiri dari foreign keyyang diambil dari tabel dimensi serta nilai numerik sebagai measurement.
   
2. Tabel Dimensi
   Menurut (Kimball & Ross, 2013, p13), tabel dimensi adalah sebuah tabel dengan primary keydan kolom atribut-atribut yang deskriptif. Tabel dimensi berisi konteks tekstual yang terkait dengan kegiatan pengukuran proses bisnis, menjelaskan “siapa, apa, dimana, kapan, bagaimana, dan mengapa” berkaitan dengan kegiatan tersebut.
   Menurut (Connolly & Begg, 2015, p1261) tabel dimensi adalah tabel yang berisikan kategori dengan ringkasan data detil yang dapat dilaporkan, seperti laporan keuntungan pada tabel fakta dapat dilaporkan sebagai dimensi waktu (yang berupa perbulan, dan pertahun). Menurut (Han & Kamber, 2011, p136), tabel dimensi merupakan tabel yang dimiliki setiap dimensi dari entitas yang berkaitan dengannya. Misalnya sebuah perusahaan membuat data warehouseuntuk menyimpan catatan penjualan sehubungan dengan dimensi waktu, barang,cabang, dan lokasi tempat barang-barang tersebut terjual. Contoh tabel dimensi yaitu terdiri dari atribut nama barang, merek, dan jenis.
   

Star Schema (Skema Bintang)

Istilah star schema dalam data warehouse karena entity-relationship diagram atau ERD-nya yang menyerupai konstelasi bintang, beberapa bintang besar (tabel fakta) dikelilingi bintang-bintang yang lebih kecil (tabel dimensi).

Menurut (Kimball & Ross, 2013, p40), star schema merupakan struktur dimensional yang terdiri atas tabel fakta yang terhubung dengan tabel dimensi melalui primary atau foreign key. Menurut (Connolly & Begg, 2015, p1261), star schema adalah sebuah dimensional data model mempunyai tabel fakta terdiri dari factual data di tengah, dikelilingi oleh tabel dimensi yang terdiri dari data reference (yang bisa di-denorrnalized). Star schema mengambil karakteristik dari factual data yang di-generate oleh event yang tecjadi di masa lampau. Menurut (Akintolaet al,2011, p18), star schema merupakan satu atau beberapa tabel fakta yang sangat besar yang berisi informasi utama di data warehouse, dan sejumlah tabel dimensi (tabel lookup) yang jauh lebih kecil, yang masing-masing berisi informasi tentang entri untuk atribut dalam tabel fakta. Jadi dapat disimpulkan star schema adalah sebuah dimensional data model yang terdiri dari tabel fakta yang dikelilingi oleh tabel dimensi.

Snow Flake Schema

Snow Flake Schemaadalah data model yang lebih kompleks daripada Star Schema, dan merupakan jenis Star Schema. Snow Flake Schemamenormalisasi dimensi untuk menghilangkan redundansi. Menurut (Connolly & Begg, 2015, p1261), snowflake schemaadalah sebuah model data dimensional yang memiliki tabel fakta pada pusatnya dan dikelilingi oleh tabel dimensi yang sudah di normalisasi.

Jadi dapat disimpulkan Snow Flake Schemajuga merupakan sebuah dimensional data model yang terdiri dari tabel fakta yang dikelilingi oleh tabel dimensi namun dengan tabel dimensi yang sudah di normalisasi.

Metadata

Secara definisi, metadata sebenarnya adalah “data tentang data” yang mencakup informasi terstruktur yang mendeskripsikan, menjelaskan, menemukan, atau setidaknya menjadikan suatu informasi mudah untuk ditemukan kembali.

Menurut (Kimball & Ross, 2013), metadata adalah semua informasi dalam data warehouse yang bukan data aktual itu sendiri. Menurut (Han & Kamber, 2011, p134), metadata adalah data yang mendefinisikan obyek-obyek warehouse. Sebuah penyimpanan metadata menyediakan rincian dari struktur warehouse, riwayat data, algoritma yang digunakan untuk merangkum, proses pemetaan dari data sumber ke dalam bentuk warehouse, kinerja sistem, serta kondisi dan permasalahan bisnis. Menurut (Connolly & Begg, 2015, p1240), manajemen metadata pada data warehouse sangat kompleks dan merupakan tugas yang sulit. metadata adalah menjelaskan obyek ke dalam system seperti kelas, atribut, dan operasi. Metadata berisi informasi mengenai asal data, bagaimana data diproses, dan lain-lain. Tujuan utama dibangun metadata yaitu untuk menunjukkan jejak mulai dari data itu dibuat sehingga pengguna dapat mengetahui sejarah dari setiap data pada data warehouse.

Jadi dapat disimpulkan metadata merupakan data yang memberikan informasi tentang data mencakup asal data, waktu data diproses, dsb.

Data Mart

Data mart merupakan subset dari data resource, biasanya berorientasi untuk suatu tujuan yang spesifik atau subyek data yang didistribusikan untuk mendukung kebutuhan bisnis. Menurut (Connolly & Begg, 2015, p1242), data mart adalah sebuah database yang berisikan sebuah subset dari data corporate atau perusahaan, untuk mendukung kebutuhan analisis dari sebuah unit bisnis yang sesuai atau untuk mendukung pengguna yang membagi kebutuhan yang sama untuk menganalisis sebuah proses bisnis yang sejenis Menurut (Han & Kamber, 2011, p132), data mart merupakan sekumpulan data dari data sebuah organisasi/perusahaan yang luas, dimana data tersebut bernilai bagi kelompok pengguna tertentu. Selain itu ruang lingkup terbatas pada subyek yang dipilih. Misalnya, data pemasaran mungkin membatasi subyeknya pada pelanggan, barang, dan penjualan. Berikut karakteristik yang membedakan data martdengan data warehouse, yaitu:

1. Data marthanya berfokus pada kebutuhan pengguna yang berhubungan dengan satu departemen atau fungsi bisnis.
2. Data marttidak mengandung data operasional yang detail seperti data warehouse.
3. Karena data martmempunyai data yang lebih sedikit dibandingkan dengan data warehouse, data martlebih mudah untuk dimengerti dan dijalankan.

Ada beberapa alasan membuat data martyaitu:

1. Memberikan akses ke data yang paling sering dianalisa oleh pengguna.
2. Dalam bentuk yang sesuai dengan kebutuhan sekelompok pengguna dalam sebuah departemen atau fungsi bisnis.
3. Meningkatkan waktu respon end-userkarena pengurangan jumlah data yang akan diakses.
4. Menyediakan data yang terstruktur seperti yang ada pada ketentuan dari alat akses end-useryang memungkinkan membutuhkan struktur basis data internal sendiri.
5. Biaya implementasi data martbiasanya lebih sedikit dari biaya yang diperlukan untuk membangun data warehouse

Online Transaction Processing (OLTP)

Online Transaction Processingatau sering dikenal dengan OLTP adalah sistem yang berorientasi proses yang memproses transaksi secara langsung. Konsep dari OLTP adalah bagaimana memproses transaksi yang ada di dalam sebuah unit bisnis dapat berjalan secara real time.

Menurut (Connolly & Begg, 2015, p1286), OLTP adalah sistem yang memiliki performa tinggi, dirancang untuk menangani proses transaksi yang terjadi pada perusahaan dan data perusahaan tersebut dimasukkan ke dalam database. Menurut (Kimball & Ross, 2013), OLTP adalah gambaran pasti dari segala aktifitas dan asosiasi sistem dengan menginput data yang dapat dipercaya ke dalam database. OLTP menggambarkan sebuah kebutuhan sistem dalam ruang lingkup operasional dan merupakan proses yang dapat mendukung kegiatan bisnis sehari – hari.

Jadi disimpulkan bahwa OLTP adalah sebuah sistem pemrosesan data yang menyimpan transaksi data operasional dalam sebuah perusahaan.

Online Analytical Processing (OLAP)

OLAP adalah singkatan dari Online Analytical Processingyang merupakan suatu proses atau sistem yang digunakan untuk melakukan permintaan terhadap data dalam bentuk yang kompleks dan menganalisa data yang bervolume besar.

Menurut (Connolly & Begg, 2015, p1286), OLAP adalah sebuah proses sintesis, analisis, dan konsolidasi dinamis dari sejumlah data multi-dimensional. OLAP merupakan istilah teknologi yang menggunakan tampilan multi-dimensionaldari data agregat untuk menyediakan akses cepat kepada informasi strategis, yang akan digunakan untuk tujuan analisis tingkat lanjut. Menurut (Kimball & Ross, 2013), OLAP merupakan kumpulan aturan yang menyediakan sebuah kerangka dimensional untuk mendukung keputusan. Menurut (Vaisman & Zimanyi, 2014, p79), OLAP memungkinkan mengeksplorasi dan manipulasi interkatif data warehousedan memfasilitasi perumusan querykompleks yang melibatkan sejumlah data besar. Menurut (Ralph & George, 2016, p348) Online Transaction Processing(OLTP) merupakan suatu bentuk pengolahan data dimana setiap transaksi diproses langsung tanpa adanya keterlambatan dari akumulasi transaksi kedalam sebuah batch.

Jadi dapat disimpulkan OLAP adalah proses analis dan konsolidasi sejumlah data multi-dimensionalyang menyediakan akses cepat terhadap informasi strategis untuk mendukung keputusan.