Merancang Data Warehouse

·         Tugas yang dilakukan data warehouse:

1. Pembuatan Laporan, pembuatan laporan merupakan salah satu kegunaan DW yang  paling umum silakukan. Dengan menggunakan query sederhana didapatkan laporan perhari, perbulan, pertahun atau jangka waktu yang diinginka
2. On-Line Analytical Processing (OLAP), dengan adanya DW, semua informasi baik detail maupun hasil summary yang dibutuhkan dalam proses analisa mudah didapat, OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai menganalisa data samapi mendetail, tanpa mengetikkan satupun perintah SQL. Hal ini memungkinkan karena pada konsep multi dimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fungsi yang berbeda.Fasilitas lain yang ada pada software OLAP adalah fasilitas rool-up dan drill-down. Drill-down adalah kemampuan melihat detail dari suatu informasi, dan Roll-up adalah kebalikannya.
3. Proses informasi eksekutif, DW dapat membuat ringkasan informasi yang penting dengan tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data. Dengan menggunakan DW, segala laporan telah diringkas dan dapat pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah proses pengambilan keputusan informasi, dan data pada laporan DW menjadi target informative bagi pengguna.

• Komponen dari struktur data warehouse:

1. Current detail data

Current detail data merupakan data detil yang efektif saat ini, mencerminkan keadaan yang sedang berjalan dan merupakan level terendah dalam data warehouse. Didalam area ini warehouse menyimpan seluruh detail data yang terdapat pada skema basis data. Jumlah data sangat besar sehingga memerlukan storage yang besar pula dan dapat siakses secara cepat. Dampak negatif yang ditimbulkan adalah kerumitan untuk mengatur data menjadi meningkat dan biaya yang diperlukan menjadi mahal

2. Older detail data

Data ini merupakan data historis dari current detail data, dapat berupa hasil cadangan atau archive data yang disimpan dalam storage terpisah.

Karena bersifat back-up(cadangan), maka biasanya data disimpan dalam storage alternatif seperti tape-desk.

Data ini biasanya memiliki tingkat frekuensi akses yang rendah. Penyusunan file atau directory dari data ini disusun berdasarkan umur dari data yang bertujuan mempermudah untuk pencarian atau pengaksesan kembali.

3. Lightly summarized data

Data ini merupakan ringkasan atau rangkuman dari current detail data.Data ini dirangkum berdasarkan periode atau dimensi lainnya sesuai dengan kebutuhan.

Ringkasan dari current detail data belum bersifat total summary. Data-data ini memiliki detail tingkatan yang lebih tinggi dan mendukung kebutuhan warehouse pada tingkat departemen.Tingkatan data ini disebut juga dengan data mart. Akses terhadap daa jenis ini banyak digunakan untuk view suatu kondisi yang sedang atau sudah berjalan.

4. Highly summarized data

Data ini merupakan tingkat lanjutan dari Lightly summarized data, merupakan hasil ringkasan yang bersifat totalitas, dapat diakses misal untuk melakukan analisis perbandingan data berdasarkan urutan waktu tertentu dan analisis menggunakan data multidimensi.

5. Metadata

Metadata bukan merupakan data hasil kegiatan seperti keempat jenis data diatas. Menurut Poe, metadata adalah ”data tentang data” dan menyediakan informasi tentang struktur data dan hubungan anatara struktur data di dalam atau antara storage (tempat penyimpanan data).

Metadata berisikan data yang menyimpan proses perpindahan data meliputi basisdata structure, contents, detaul data dan summary data, matrics, versioning, aging criteria, versioning, transformation criteria. Metadata khusus dan memegang peranan yang sangat penting dalam data warehouse.

Metadata sendiri mengandung:

Ø  Struktur data

Sebuah directory yang membantu user untuk melakukan analisis DSS dalam pencarian letak/lokasi dalam data warehouse

Ø  Algoritma

Algoritma digunakan untuk summary data. Metadata sendiri merupakan paduan untuk algoritma dalam melakukan pemrosesan summary data antaea current detaiil data dengan hightly summarized data.

Ø  Mapping

Sebagai panduan pemetaan data pada saat di ubah dari lingkup operasional menjadi lingkup data warehouse

• Ada 2 pendekatan dalam membuat data warehouse:

1. Skema Bintang (Star Schema)

Mengikuti bentuk bintang. Skema bintang terdiri atas 1 tabel fakta (fact table) dipusat bintang dengan beberapa table dimensi (dimensional tables) mengelilinginya. Semua table dimensi secara langsung berhubung ke table fakta.

contohnya : 

2. Skema Bola Salju (Snowflake Schema)

Skema bola salju merupakan perluasan dari skema bintang dengan tambahan berupa beberapa table dimensi yang tidak terhubung secara langsung ke tabel fakta, melainkan melalui tabel dimensi lainnya.