Dimensi termasuk sebagai kebutuhan data warehouse, dimensi adalah obyek skema yang mendefinisikan hubungan hirarki antara kolom atau set kolom. Dimensi juga bisa diartikan sebagai struktur yang mengkategorikan data untuk memudahkan pengguna dalam menjawab pertanyaan-pertanyaan bisnis.
Dalam dimensional modeling, ada beberapa pendekatan yang digunakan untuk membuat data warehouse :
1. Skema Bintang (star schema)
Skema berbentuk seperti bintang, dimana ada satu tabel fakta (fact table) di pusat bintang dengan beberapa tabel dimensi (dimensioal tables) yang mengelilinginya. Semua tabel dimensi berhubungan dengan tabel fakta. Tabel fakta memiliki beberapa key yang merupakan kunci indeks dalam tabel dimensi.
Contoh Gambar Skema Bintang |
2. Skema Bola Salju (snowflake schema)
Skema bola salju merupakan perluasan dari skema bintang dengan beberapa tambahan tabel dimensi yang tidak berhubungan secara langsung dengan tabel fakta. Tabel dimensi tersebut berhubungan dengan tabel dimensi yang lain.
Contoh Gambar Skema snowflake |
3. Fact Constellation
Pada skema ini terdapat beberapa tabel fakta yang menggunakan satu atau beberapa tabel dimensi secara bersama-sama, sehingga jika digambarkan akan terlihat seperti bintang. Skema ini juga dikenal dengan galaxy schema.
Contoh Gambar Skema Fact Constellation |
Paket Informasi (information package) mengidentifikasi semua dimensi yang akan digunakan dalam analisa suatu aktivitas tertentu.
Arsitektur Data Warehouse
Arsitektur adalah sekumpulan atau struktur yang memberikan kerangka keseluruhan rancangan suatu sistem atau produk. Arsitektur data menyediakan kerangka dengan mengidentifikasi dan memahami bagaimana data akan pindah melalui sistem yang digunakan oleh perusahaan. Arsitektur data untukdata warehouse memiliki komponen utama yaitu read only database.
Contoh Gambar Arsitektur Data Warehouse |
Karakteristik Arsitektur Data Warehouse :
1. Data diambil dari sistem asal (sistem informasi yang ada), database dan file.
2. Data dari sistem asalah diintegrasikan dan ditransformasi sebelum disimpan ke dalam database management system (DBMS) seperti Oracle, SQL Server, Sybase, My SQL, dan lain-lain.
3. Data Warehouse merupakan sebuah database terpisah dan bersifat hanya dapat dibaca dan dibuat khusus untuk mendukung pengambilan keputusan.
4. Pemakai mengakses data warehouse melalui aplikasi front and tool.
Requirement Gathering Math :
1. Pemilihan proses.
2. Pemilihan.
3. Pemilihan ke dua,
4. Menyalin pre-kalkulasi ke tabel data.
5. Melengkapi tabel dimensi.
6. Pemilihan durasi basisdata.
7. Menelusuri perubahan dimensi.
8. Menentukan prioritas dan mode query.
Data Storage Page : adalah penyimpanan data ke dalam data warehouse.
Pendekatan Dimensional :
Dalam pendekatan ini, data transaksi di partisi menjadi fakta (umumnya data transaksi numeric) atau dimensi (referensi ke informasi dari fakta).
(+) Data Warehouse akan lebih mudah dimengerti dan dipahami oleh pengguna.
(+) Penerimaan data dari data warehouse akan lebih cepat dan mudah.
(-) Untuk meningkatkan integritas, fakta, dan dimensi, meload data warehouse dari sistem operasi yang berbeda akan lebih kompleks.
(-) Akan lebih sulit untuk merubah struktur data warehouse jika organisasi tersebut melakukan perubahan dalam proses bisnisnya.
Pendekatan Normalisasi :
(+) Mudah untuk menambahkan informasi ke database.
(-) Karena banyaknya tabel yang terlibat, maka akan lebih sulit bagi pengguna untuk menggabungkan data dari sumber yang berbeda menjadi informasi atau untuk mengakses informasi tanpa benar-benar mengerti isi dari sumber data dan struktur data dari data warehouse.
Tidak ada komentar:
Posting Komentar