Mahasiswa Informatika

Raihan Daris.

BerandaBlog

Mata Kuliah • Data Warehouse

Catatan Perkuliahan

Catatan mengenai metodologi desain dan arsitektur data warehouse hngga sistem basis data analitik besar.

Kembali ke daftar matkul
Reset
Filter Cepat:Minggu 14Minggu 13Minggu 12Minggu 11Minggu 10Minggu 9Minggu 7Minggu 6Minggu 5Minggu 4Minggu 3Minggu 2
Minggu 144 Juli 20263 min read

Pertemuan 14 - Pengujian Operasi OLAP pada Data Warehouse

Operasi **OLAP (Online Analytical Processing)** merupakan salah satu kemampuan utama dalam Data Warehouse yang digunakan untuk menganalisis data dari berbagai sudut pandang. Melalui operasi seperti **Roll Up**, **Drill Down**, **Slice**, **Dice**, **Pivot**, **Drill Across**, dan **Drill Through**, pengguna dapat menyajikan data dalam bentuk yang lebih ringkas, lebih detail, maupun lebih spesifik sesuai kebutuhan analisis. Pada pembahasan ini dilakukan pengujian terhadap setiap operasi OLAP menggunakan query yang telah dibuat pada praktikum sebelumnya untuk melihat bagaimana masing-masing operasi bekerja dalam menghasilkan informasi dari data yang tersedia.

Raihan Daris Ramadhan

Informatics Engineering Student · Mahasiswa Informatika ITPLN

raihan2431033@itpln.ac.id
Buka catatan
Buka catatan
Sampul catatan Pertemuan 13 - HRI dan HRIS
Minggu 1328 Juni 20263 min read

Pertemuan 13 - HRI dan HRIS

HRI (Human Resource Integration) dan HRIS (Human Resource Information System) merupakan dua konsep yang saling melengkapi dalam pengelolaan sumber daya manusia. HRI berfokus pada penyatuan data dan proses SDM, sedangkan HRIS berfungsi sebagai sistem yang mendukung implementasi konsep tersebut secara digital

Buka catatan
Buka catatan
Sampul catatan Pertemuan 12 - Tipe - Tipe SCD
Minggu 1220 Juni 202611 min read

Pertemuan 12 - Tipe - Tipe SCD

| Tipe SCD | Prinsip | Kapan Dipakai | |---|---|---| | Type 1 | Overwrite, histori hilang | Data tidak penting historinya, hanya kondisi terkini | | Type 2 | Tambah baris baru, histori lengkap | Histori sangat penting, perlu audit & analisis tren | | Type 3 | Tambah kolom histori, hanya 1 langkah terakhir | Cukup tahu perubahan terakhir, histori lengkap tidak diperlukan |

Buka catatan
Buka catatan
Sampul catatan Pertemuan 11 -
Minggu 1113 Juni 20267 min read

Pertemuan 11 -

OLAP (Online Analytical Processing) adalah teknologi yang berada di atas Data Warehouse untuk melakukan analisis data multi-dimensi dengan kecepatan tinggi. Kalau Star Schema dan Snowflake Schema adalah cara kita menyusun "rumah" (struktur data), maka OLAP adalah mesin pencari canggih untuk menjelajahi isi rumah tersebut.

Buka catatan
Buka catatan
Sampul catatan Pertemuan 10 - Pemanfaatan Data Warehouse
Minggu 107 Juni 20268 min read

Pertemuan 10 - Pemanfaatan Data Warehouse

Data Warehouse merupakan sistem yang digunakan untuk mengintegrasikan dan menyimpan data dari berbagai sumber sehingga dapat diolah menjadi informasi yang mendukung proses analisis dan pengambilan keputusan. Pemanfaatannya telah diterapkan di berbagai bidang, seperti perbankan, industri, pemerintahan, transportasi, serta jual beli dan pemasaran. Dengan dukungan teknologi seperti OLAP dan Business Intelligence (BI), Data Warehouse membantu organisasi menganalisis data historis, mengidentifikasi pola, meningkatkan efisiensi operasional, serta menyusun strategi yang lebih tepat berdasarkan data.

Buka catatan
Buka catatan
Sampul catatan Pertemuan 9 - OLAP
Minggu 931 Mei 20263 min read

Pertemuan 9 - OLAP

OLAP (Online Analytic Processing) — pemrosesan yang memungkinkan pengguna mengekstrak & menganalisis data dari berbagai sudut pandang, biasanya multi-user dan lintas sistem database. OLAP Cube — struktur data yang menyimpan fakta numerik (measure) dikategorikan berdasarkan dimensi (waktu, produk, lokasi, dll), mengatasi keterbatasan database relasional untuk analisis cepat. 7 Operasi OLAP: Roll Up — agregasi, level rendah → tinggi (harian → bulanan) Drill Down — kebalikannya, level tinggi → rendah (bulanan → harian) Slice — filter 1 dimensi Dice — filter 2+ dimensi jadi sub-cube Pivot — ubah orientasi tampilan data Drill-across — pindah antar-cube yang berhubungan Drill-through — tembus sampai ke data transaksi mentah Intinya: OLAP Cube dibuat dari data warehouse, lalu operasi-operasi di atas dipakai buat "memutar-mutar" cube tersebut supaya bisa lihat data dari berbagai angle.

Buka catatan
Buka catatan
Minggu 730 April 20265 min read

Pertemuan 7 - Physical Design dalam Data Warehouse

proses mengubah logical design (Star Schema) jadi struktur database nyata, fokus ke performa query & kemudahan maintenance data dalam jumlah besar. 4 langkah utamanya: Gambar PDM — entity/atribut/relasi/PK diterjemahkan jadi tabel, kolom, FK, PK Konversi ke DDL — bikin query CREATE TABLE beneran Buffer Pool & Table Space — buffer pool = cache di memory biar query cepat; table space (page size 16KB/32KB) = tempat simpan tabel & index untuk data besar Partisi Tabel — pecah tabel besar jadi beberapa bagian (PARTITION BY RANGE) biar query & maintenance lebih ringan, gak perlu nyisir seluruh data Intinya: Logical design = konsep, Physical design = implementasi teknis siap pakai di DBMS.

Buka catatan
Buka catatan
Sampul catatan Pertemuan 6 – Snowflake Schema & Fungsi Agregasi + INSERT Data
Minggu 626 April 20263 min read

Pertemuan 6 – Snowflake Schema & Fungsi Agregasi + INSERT Data

Fungsi agregasi pada SQL digunakan untuk mengolah data menjadi ringkasan informasi. Fungsi utama yang sering digunakan yaitu `SUM`, `COUNT`, `AVG`, `MIN`, dan `MAX`. Pada database dengan beberapa tabel, fungsi agregasi biasanya digabung dengan `JOIN` untuk menghubungkan tabel dan `GROUP BY` untuk mengelompokkan data berdasarkan kategori tertentu.

Buka catatan
Buka catatan
Minggu 517 April 20263 min read

Pertemuan 5 - Logical Desain

Desain logikal database dimulai dengan memahami proses bisnis berdasarkan kebutuhan end-user, dimodelkan menggunakan ERM. Ada dua schema utama: **Star Schema** yang sederhana dan query-nya cepat namun boros storage karena denormalisasi, dan Snowflake Schema yang hemat storage karena dinormalisasi hingga 3NF namun query-nya lebih lambat. Dalam praktiknya, Fact Table hanya boleh berisi Foreign Key, tabel dimensi dibuat lebih dulu sebelum Fact Table, dan tipe data harus disesuaikan dengan kebutuhan nyata — pilihan schema pun dikonsultasikan dengan user berdasarkan kondisi storage dan kebutuhan jangka panjang mereka.

Buka catatan
Buka catatan
Sampul catatan Pertemuan 4 - Praktikum Snowflakes & Star Scheme
Minggu 410 April 20262 min read

Pertemuan 4 - Praktikum Snowflakes & Star Scheme

⭐ Star Schema adalah model data dengan tabel dimensi yang digabung (denormalized) sehingga query jadi lebih cepat dan sederhana, tetapi cenderung boros storage karena ada redundansi data, sedangkan ❄️ Snowflake Schema memecah tabel dimensi (normalized) agar lebih hemat penyimpanan dan menjaga integritas data, namun membuat query lebih kompleks dan biasanya lebih lambat karena membutuhkan lebih banyak join.

Buka catatan
Buka catatan
Sampul catatan Pertemuan 3 - ETL
Minggu 39 April 20262 min read

Pertemuan 3 - ETL

ETL adalah proses wajib pembentukan Data Warehouse yang terdiri dari tiga tahap: Extract (mengambil data dari berbagai sumber), Transform (membersihkan dan mengubah format data), dan Load (memasukkan data ke target akhir). Prosesnya bisa dijalankan secara terjadwal (Periodik ETL) atau langsung saat data berubah (Real-Time ETL menggunakan CDC).

Buka catatan
Buka catatan
Sampul catatan Pertemuan 2 - Pengantar Data Warehouse
Minggu 29 April 20262 min read

Pertemuan 2 - Pengantar Data Warehouse

Data Warehouse adalah database besar berisi data historis yang didenormalisasi untuk keperluan analisis (OLAP), berbeda dengan database biasa yang fokus pada transaksi harian (OLTP). Data dari berbagai sumber dikumpulkan dan dibersihkan lewat proses ETL, lalu disimpan dalam format dimensi (DDS) yang siap dianalisis. Teknologi ini menjadi fondasi utama Business Intelligence, Data Mining, dan CRM di organisasi besar.

Buka catatan
Buka catatan