Karakteristik Datawarehouse, Data Mart, Meta Data dan Data Mining

RESUME PERTEMUAN 2

KARAKTERISTIK DATAWAREHOUSE, DATA MART, META DATA dan DATA MINING

A. Karakteristik Datawarehouse

1. Subject Oriented (Berorientasi Subject

· Datawarehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu.

· Datawarehouse diorganisasikan disekitar subjek-subjek utama dari perusahaan (customers, products dan sales) dan tidak  diorganisasikan pada area-area aplikasi utama (customer invoicing, stock control dan product sales). Hal ini dikarenakan kebutuhan dari data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari pada aplikasi yang berorientasi terhadap data.

· Jadi dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan terhadap proses. Secara garis besar perbedaan antara data operasional dan data warehouse yaitu :

2. Integrated (Terintegrasi)

· Data Warehouse dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.

· Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.

· Contoh pada lingkungan operasional terdapat berbagai macam aplikasi yang mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin dalam aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang sama tetapi nama dan format nya berbeda. Variable tersebut harus dikonversi menjadi nama yang sama dan format yang disepakati bersama. Dengan demikian tidak ada lagi kerancuan karena perbedaan nama, format dan lain sebagainya. Barulah data tersebut bisa dikategorikan sebagai data yang terintegrasi karena kekonsistenannya.

3. Time-variant (Rentang Waktu)

· Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam mengukur keakuratan suatu data warehouse, kita dapat menggunakan cara antara lain :

Ø  Cara yang paling sederhana adalah menyajikan data warehouse pada rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.

Ø  Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang disajikan dalam data warehouse baik implicit maupun explicit secara explicit dengan unsur waktu dalam hari, minggu, bulan dsb. Secara implicit misalnya pada saat data tersebut diduplikasi pada setiap akhir bulan, atau per tiga bulan. Unsur waktu akan tetap ada secara implisit didalam data tersebut.

Ø  Cara yang ketiga, variasi waktu yang disajikan data warehouse melalui serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data yang ada bersifat read-only.

4. Non-Volatile

· Karakteristik keempat dari data warehouse adalah non-volatile, maksudnya data pada data warehouse tidak di-update secara real time tetapi di refresh dari sistem operasional secara reguler. Data yang baru selalu  ditambahkan sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah perubahan. Database tersebut secara kontinyu menyerap data baru ini, kemudian secara incremental disatukan dengan data sebelumnya.

· Berbeda dengan database operasional yang dapat melakukan update,insert dan delete terhadap data yang mengubah isi dari database sedangkan pada data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data (mengambil data) dan akses data (mengakses data warehouse seperti melakukan query atau menampilan laporan yang dibutuhkan, tidak ada kegiatan updating data).

B.    Data Mart

1. Pengertian Data Mart

· Menurut Scheps (2008:208) Data Mart dapat menerima data dari data warehouse, atau secara langsung dari sistem transaksional. Data mart dapat menampilkan transformasi dan kalkulasi pada data yang sama dengan data warehouse. Tapi data mart selalu terbatas pada ruang lingkupnya dan tujuan bisnis.

· Menurut Turban, Sharda, Delen dan King (2011:53), data mart adalah subset dari data warehouse dan berfokus pada topik tertentu atau departemen, yang biasanya terdiri dari suatu subyek (misalnya pemasaran, operasi). Terdapat dua jenis data mart, antara lain:

a. Dependent Data Mart, adalah sebuah subset yang dibuat secara langsung dari data warehouse. Memiliki keuntungan dari penggunaan data model yang konsisten dan menyediakan kualitas data.

b. Independent Data Mart, adalah data mart yang mendukung konsep dari single enterprise-wide data model, tetapi data warehouse harus dibuat terlebih dahulu.

· Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat disimpulkan bahwa pengertian data mart adalah subset dari data warehouse atau data secara langsung dari sistem transaksional yang berfokus pada topik tertentu atau departemen yang biasanya terdiri dari suatu subyek (misalnya pemasaran).

C. Meta Data

1. Pengertian Meta Data

Menurut Kimball dan Ross (2010:566), Metadata adalah semua informasi dalam lingkungan data warehouse yang bukan merupakan data itu sendiri. Metadata ini hampir sama dengan sebuah insiklopedia untuk data warehouse.

D. Data Mining

1. Pengertian Data Mining

· Menurut Han dan Kamber (2011:36), data mining adalah proses menemukan pola yang menarik dan pengetahuan dari data yang berjumlah besar.

· Menurut Vercellis (2009:77), data mining adalah aktivitas yang menggambarkan sebuah proses analisis yang terjadi secara iteratif pada database yang besar, dengan tujuan mengekstrak informasi dan knowledge yang akurat dan berpotensial berguna untuk knowledge workers yang berhubungan dengan pengambilan keputusan dan pemecahan masalah.

· Aktivitas data mining dapat dipisahkan menjadi 2, berdasarkan tujuan dari analisis yaitu:

a. Interpretasi : Tujuan dari interpretasi adalah untuk mengetahui pola dari data dan menghasilkannya dalam bentuk aturan dan kriteria yang dapat dimengerti eksekutif.

b. Prediksi : Tujuan dari prediksi adalah untuk mengestimasikan kejadian-kejadian yang terjadi di masa depan. Contohnya, perusahaan retail dapat menggunakan data mining untuk memprediksikan penjualan dari produk mereka di masa depan dengan menggunakan data-data yang telah didapatkan dari beberapa minggu.

· Berdasarkan pengertian yang dijabarkan oleh para ahli diatas dapat disimpulkan bahwa pengertian data mining adalah sebuah proses analisis yang terjadi secara interatif dan menemukan pola yang menarik, serta pengetahuan dari data yang berjumlah besar.

Referensi :

1.      file .doc dari library.binus.ac.id/

2.      file .doc dari zakki.dosen.narotama.ac.id/