02-Business Intelligence.ppt
- 1. R. Radian Baratasena, M.Kom. 1 Data Warehouse, Data Mart, OLAP, dan Data Mining
- 2. R. Radian Baratasena, M.Kom. 2 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 penting bagi manajemen dalam organisasi dan ditujukan untuk keperluan analisis dan pelaporan manajemen dalam rangka pengambilan keputusan Data warehouse digunakan untuk mendukung pengambilan keputusan, bukan untuk melaksanakan pemrosesan transaksi
- 3. 3 Data Warehouse Meliputi: extraction, transportation, transformation, loading solution, online analytical processing (OLAP),client analysis tool, dan aplikasi lain yang mengatur proses pengumpulan data dan mengirimkan ke business user Contoh: data penjualan pada suatu perusahaan. Dengan data warehouse maka dapat menjawab pertanyaan “siapakah customer terbesar pada akhir tahun?” R. Radian Baratasena, M.Kom.
- 4. 4 Data warehouve vs OLTP (Online Transaction Processing) Salah satu perbedaan utama data warehouse dengan OLTP adalah data warehouse tidak selalu dalam bentuk normal ketiga (3NF), sedangkan OLTP biasanya dalam bentuk normal ketiga (3NF) R. Radian Baratasena, M.Kom.
- 5. 5 Data warehouve vs OLTP Data modification Data warehouse biasanya ternormalisai secara sebagian bahkan dalam keadaan tidak ternormalisasi OLTP ternormalisasi penuh untuk meningkatkan proses update/insert/delete dan meningkatkan konsistensi data Workload Data warehouse diupdate secara regular (setiap minggu atau setiap hari) menggunakan teknik modifikasi data sehingga user tidak secara langsung mengupdate data warehouse Pada OLTP, user melakukan proses update data secara rutin dan langsung Schema Design Data warehouse didesain untuk menampung query dalam jumlah yang besar OLTP hanya mendukung operasi tertentu R. Radian Baratasena, M.Kom.
- 6. 6 Data warehouve vs OLTP Typical operation Data warehouse menjalankan query yang memproses banyak baris (ratusan atau milyaran), contoh : total penjualan semua customer pada akhir tahun OLTP hanya mengkases record tertentu, contoh : mencari data order untuk customer tertentu Historical data Data warehouse menyimpan data selama beberapa bulan atau tahun. Hal ini mendukung proses historical analysis OLTP menyimpan data hanya beberapa minggu atau bulan R. Radian Baratasena, M.Kom.
- 7. 7 Arsitektur Data Warehouse 1. Arsitektur Dasar Data Warehouse Gambar berikut menampilkan arsitektur sederhana dari suatu Data Warehouse. User dapat secara langsung mengakses data yang diambil dari beberapa source melalui data warehouse R. Radian Baratasena, M.Kom.
- 8. 8 Arsitektur Data Warehouse 2. Arsitektur Data Warehouse dengan menggunakan Staging Area Staging area menyederhanakan proses pembuatan summary dan management warehouse secara umum R. Radian Baratasena, M.Kom.
- 9. 9 Arsitektur Data Warehouse 3. Arsitektur Data Warehouse dengan menggunakan Staging Area dan Data Mart Data mart merupakan subset dari data resource, biasanya berorientasi untuk suatu tujuan yang spesifik atau subjek data yang didistribusikan untuk mendukung kebutuhan bisnis. R. Radian Baratasena, M.Kom.
- 10. 10 Sumber Data untuk DW 1. Data operasional dalam organisasi, misalnya basis data pelanggan dan produk, dan 2. Sumber eksternal yang diperoleh misalnya melalui Internet, basis data komersial, basis data pemasok atau pelanggan Berbagai data yang berasal dari sumber digabungkan dan diproses lebih lanjut oleh manajer data warehouse dan disimpan dalam basis data tersendiri. Selanjutnya, perangkat lunak seperti OLAP dan data mining dapat digunakan oleh pemakai untuk mengakses data warehouse R. Radian Baratasena, M.Kom.
- 11. 11 Prinsip Data Warehouse Sumber Data Internal Sumber Data Operasional 1 Sumber Data Operasional 2 Sumber Data Eksternal Manajer Data Warehouse · Perangkat EIS · Perangkat pelaporan · Perangkat pengembangan aplikasi OLAP Data Mining Data Warehouse R. Radian Baratasena, M.Kom.
- 12. 12 Sifat Data Warehouse Multidimensional yang berarti bahwa terdapat banyak lapisan kolom dan baris (Ini berbeda dengan tabel pada model relasional yang hanya berdimensi dua) Berdasarkan susunan data seperti itu, amatlah mudah untuk memperoleh jawaban atas pertanyaan seperti: “Berapakah jumlah produk 1 terjual di Jawa Tengah pada tahun n-3?” Jawa Tengah Jawa Barat Produk 2 Produk 3 Produk 1 Tahun n-4 Tahun n-3 Tahun n-2 Tahun n-1 R. Radian Baratasena, M.Kom.
- 13. 13 Multidimensional Database Structure R. Radian Baratasena, M.Kom.
- 14. 14 Data Warehouse Data warehouse dapat dibangun sendiri dengan menggunakan perangkat pengembangan aplikasi ataupun dengan menggunakan perangkat lunak khusus yang ditujukan untuk menangani hal ini Beberapa contoh perangkat lunak yang digunakan untuk administrasi dan manajemen data warehouse: HP Intelligent Warehouse (Hewlett Packard) FlowMark (IBM) SourcePoint (Software AG) R. Radian Baratasena, M.Kom.
- 15. 15 Petunjuk Membangun DW Menentukan misi dan sasaran bisnis bagi pembentukan data warehouse Mengidentifikasi data dari basis data operasional dan sumber lain yang diperlukan bagi data warehouse Menentukan item-item data dalam perusahaan dengan melakukan standarisasi penamaan data dan maknanya Merancang basis data untuk data warehouse Membangun kebijakan dalam mengarsipkan data lama sehingga ruang penyimpanan tak menjadi terlalu besar dan agar pengambilan keputusan tidak menjadi terlalu lamban. Menarik data produksi (operasional) dan meletakkan ke basis data milik data warehouse R. Radian Baratasena, M.Kom.
- 16. 16 Data Mart Bagian dari data warehouse yang mendukung kebutuhan pada tingkat departemen atau fungsi bisnis tertentu dalam perusahaan. Karakteristik yang membedakan data mart dan data warehouse adalah sebagai berikut (Connolly, Begg, Strachan 1999). Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis. Data mart biasanya tidak mengandung data operasional yang rinci seperti pada data warehouse. Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami dan dinavigasi. R. Radian Baratasena, M.Kom.
- 17. 17 Contoh Software Data Mart SmartMart (IBM) Visual Warehouse (IBM) PowerMart (Informatica) R. Radian Baratasena, M.Kom.
- 18. 18 OLAP OnLine Analytical Processing Suatu jenis pemrosesan yang memanipulasi dan menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi. R. Radian Baratasena, M.Kom.
- 19. 19 OLAP (Lanjutan…) Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut ukuran adalah jumlah barang R. Radian Baratasena, M.Kom.
- 20. 20 OLAP : Contoh Data 2 Dimensi Kota à Triwulanâ Kudus Magelang Semarang … 1 6.000.000 8.500.000 12.500.000 … 2 4.500.000 3.500.000 14.000.000 … 3 7.600.000 5.500.000 13.700.000 … 4 5.400.000 7.200.000 12.800.00 … R. Radian Baratasena, M.Kom.
- 21. 21 Kemampuan OLAP Konsolidasi melibatkan pengelompokan data. Sebagai contoh kantor-kantor cabang dapat dikelompokkan menurut kota atau bahkan propinsi. Transaksi penjualan dapat ditinjau menurut tahun, triwulan, bulan, dan sebagainya. Kadangkala istilah rollup digunakan untuk menyatakan konsolidasi Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampuan untuk melihat data dari berbagai sudut pandang R. Radian Baratasena, M.Kom.
- 22. 22 Contoh Tabel Pivoting Rasa Strawberry Mangga Nanas Total Sirup Biasa 3.500.000 1.750.000 500.000 5.750.000 Rendah Kalori 2.300.000 1.500.000 250.000 4.050.000 Total 5.800.000 3.250.000 750.000 9.800.000 Sirup Rasa Pendapatan Biasa Strawberry 3.500.000 Biasa Mangga 1.750.000 Biasa Nanas 500.000 Rendah Kalori Strawberry 2.300.000 Rendah Kalori Mangga 1.500.000 Rendah Kalori Nanas 250.000 R. Radian Baratasena, M.Kom.
- 23. 23 Hierarki Dimensi untuk Drill-down Tahun Triwulan Bulan Tanggal Nama Hari Wilayah Negara Provinsi Kota Kecamatan (a) Hierarki Waktu (b) Hierarki Lokasi R. Radian Baratasena, M.Kom.
- 24. 24 Software OLAP Express Server (Oracle) PowerPlay (Cognos Software) Metacube (Informix/Stanford Technology Group) HighGate Project (Sybase) R. Radian Baratasena, M.Kom.
- 25. 25 Data Mining Perangkat lunak yang digunakan untuk menemukan pola-pola tersembunyi maupun hubungan-hubungan yang terdapat dalam basis data yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku di masa medatang Data mining sering dikatakan berurusan dengan “penemuan pengetahuan” dalam basis data. Suatu aturan yang dihasilkan oleh data mining misalnya seperti berikut : “Kebanyakan pembeli mobil Forsa adalah wanita berusia di atas 30 tahun”. R. Radian Baratasena, M.Kom.
- 26. 26 R. Radian Baratasena, M.Kom. Mengotomatisasi penemuan pola-pola yang tidak diketahui sebelumnya. Contoh dari penemuan pola ini adalah analisis pada data penjulan ritel untuk mengidentifikasi produk-produk,yang kelihatannya tidak berkaitan, yang seringkali dibeli secara bersamaan oleh kustomer. Contoh lain adalah pendeteksian transaksi palsu dengan kartu kredit Data Mining
- 27. 27 R. Radian Baratasena, M.Kom. Cara Kerja Data MINING 1. Data MINING untuk menentukan Prospek Model ini dapat diterapkan untuk menarik kesimpulan dari informasi khusus (sebagai data prospek), dimana saat ini informasi khusus tersebut tidak dimiliki oleh perusahaan. Dengan model ini, calon-calon kustomer baru dapat ditarget secara selektif.
- 28. 28 R. Radian Baratasena, M.Kom. Cara Kerja Data MINING 2. Data MINING untuk prediksi memprediksi apa yang akan terjadi di masa mendatang
- 29. 29 R. Radian Baratasena, M.Kom. Data MINING dan Teknologi Databases Increasing potential to support business decisions End User Business Analyst Data Analyst DBA Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTP Increasing potential to support business decisions End User Business Analyst Data Analyst DBA Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTP
- 30. 30 Data MINING dan Teknologi Databases Dari gambar di atas terlihat bahwa teknologi data warehouse digunakan untuk melakukan OLAP(On-line Analytical Processing) datamining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang Data Analyst dan Business Analyst. Dalam prakteknya, data mining juga mengambil data dari data warehouse. Hanya saja aplikasi dari data mining lebih khusus dan lebih spesifik dibandingkan OLAP mengingat database bukan satu-satunya bidang ilmu yang mempengaruhi data mining, R. Radian Baratasena, M.Kom.
- 31. 31 Prinsip Data Mining Data Warehaouse Data Mining Pola R. Radian Baratasena, M.Kom.
- 32. 32 Aplikasi Data Mining Bidang Contoh Pemasaran · Mengidentifikasi pembelian yang dilakukan konsumen · Menemukan hubungan di antara karakteristik demografi pelanggan · Memperkirakan tanggapan penawaran melalui surat Bank · Mendeteksi pola penyalahgunaan kartu kredit · Mengidentifikasi tingkat loyalitas pelanggan Asuransi · Analisis klaim · Memperkirakan pelanggan yang akan membeli produk baru R. Radian Baratasena, M.Kom.
- 33. 33 Teknologi Untuk Data Mining Statistik Jaringan saraf (neural network) Logika kabur (fuzzy logic) Algoritma genetika dan berbagai teknologi kecerdasan buatan yang lain R. Radian Baratasena, M.Kom.
- 34. 34 Data Mining : Visualisasi Data Pendekatan data mining juga ada yang melalui visualisasi data Pada sistem seperti ini, pemakai akan dibantu untuk menemukan sendiri pola dari sejumlah data berukuran besar dengan didasarkan visualisasi oleh data mining R. Radian Baratasena, M.Kom.
- 35. 35 Data Mining : Visualisasi Data R. Radian Baratasena, M.Kom.