Arsitektur Data WarehouseMinggu 4

PengantarMengapa Pemodelan Data itu penting ? …

• Tujuan Meyakinkan semua objek datayang diperlukan oleh database telahterpenuhi.

Mengapa Pemodelan Data itu penting ? …

• Tujuan Meyakinkan semua objek datayang diperlukan oleh database telahterpenuhi.

Tabel Relational• Tabel Relasional dibangun oleh baris dan kolom• Terdapat dua sudut pandang , yaitu :

– Baris sebagai sumbu x dan kolom sebagi sumbu y

Tapi sebenarnya tabel relasional tersebut hanya mempunyaisatu dimensi

Lihat pada slide berikut ini

• Tabel Relasional dibangun oleh baris dan kolom• Terdapat dua sudut pandang , yaitu :

– Baris sebagai sumbu x dan kolom sebagi sumbu y

Tapi sebenarnya tabel relasional tersebut hanya mempunyaisatu dimensi

Lihat pada slide berikut ini

• Karakteristik :• setiap record atau baris merepresentasikan data buku

yang berbeda-beda.• Satu baris dengan baris lainnya diidentifikasikan dengan

sebuah key yaitu primary key.• Sedangkan bagian kolom seperti, judul, jenis buku,

pengarang menyimpan fakta yang sama atau sejenis,dimana setiap fakta tersebut merujuk pada primary keyyaitu Kode Buku.

• Hal inilah yang menunjukkan bahwa tabel relasionalhanya mempunyai satu dimensi.

• Karakteristik :• setiap record atau baris merepresentasikan data buku

yang berbeda-beda.• Satu baris dengan baris lainnya diidentifikasikan dengan

sebuah key yaitu primary key.• Sedangkan bagian kolom seperti, judul, jenis buku,

pengarang menyimpan fakta yang sama atau sejenis,dimana setiap fakta tersebut merujuk pada primary keyyaitu Kode Buku.

• Hal inilah yang menunjukkan bahwa tabel relasionalhanya mempunyai satu dimensi.

Data Multidimensi• Data multidimensi adalah “ketika kita dapat melihat

sebuah data dari berbagai sudut pandang atau dimensi”• Sebagai contoh, penjualan buku dapat dilihat dari segi

Buku, waktu, lokasi penjualan / toko dan sebagainya.• Jika digambarkan , maka akan terdapat tiga koordinat

yaitu sumbu x mewakili buku, sumbu y mewakili dimensiwaktu dan sumbu z untuk dimensi lokasi.

• Hal inilah yang menjadi perbedaan mendasar antaratabel relasional dan data multidimensi.

• Data multidimensi adalah “ketika kita dapat melihatsebuah data dari berbagai sudut pandang atau dimensi”

• Sebagai contoh, penjualan buku dapat dilihat dari segiBuku, waktu, lokasi penjualan / toko dan sebagainya.

• Jika digambarkan , maka akan terdapat tiga koordinatyaitu sumbu x mewakili buku, sumbu y mewakili dimensiwaktu dan sumbu z untuk dimensi lokasi.

• Hal inilah yang menjadi perbedaan mendasar antaratabel relasional dan data multidimensi.

Spreadsheet

WaktuPenj

Pemodelan data MultidimensiWhat is Dimensional Modeling ? …..• Menggunakan dua konsep yaitu tabel fakta

(fact table) dan tabel dimensi (dimensionaltable)

• Berbeda dengan konsep normalisasi (3rd

normal form)

What is Dimensional Modeling ? …..• Menggunakan dua konsep yaitu tabel fakta

(fact table) dan tabel dimensi (dimensionaltable)

• Berbeda dengan konsep normalisasi (3rd

normal form)

Pengantar

Tabel Fakta? … danTabel Dimensi ? …

• Tabel Fakta berisi measurement ataumetric dari proses bisnis dan foreign key daritabel dimensi. Tabel fakta merupakan tabelutama dari cube. Karakteristik dari tabelfakta :– kumpulan key dimensi dari tabel– ada measure(yang ingin diukur)– data akan selalu berubah

Tabel Fakta? … danTabel Dimensi ? …

• Tabel Fakta berisi measurement ataumetric dari proses bisnis dan foreign key daritabel dimensi. Tabel fakta merupakan tabelutama dari cube. Karakteristik dari tabelfakta :– kumpulan key dimensi dari tabel– ada measure(yang ingin diukur)– data akan selalu berubah

Pengantar• Measurement ?Misal :Jika anda mempunyai bisnis penjualan sepeda motor maka

measurement dari bisnis anda adalah “jumlahpenjualan motor” atau “rata-rata penjualan sepedamotor merk x”

Contoh lainJika Proses bisnis anda pruduksi kertas maka

measurementnya adalah ” rata-rata produksi kertaspada suatu mesin” atau “produksi kertas setiapbulan”

• Measurement ?Misal :Jika anda mempunyai bisnis penjualan sepeda motor maka

measurement dari bisnis anda adalah “jumlahpenjualan motor” atau “rata-rata penjualan sepedamotor merk x”

Contoh lainJika Proses bisnis anda pruduksi kertas maka

measurementnya adalah ” rata-rata produksi kertaspada suatu mesin” atau “produksi kertas setiapbulan”

• Tabel Dimensi berisi atribut darimeasurement yang disimpan pada tabelfakta.

• Tabel dimensi merupakan hierarki, kategoridan logic yang dapat digunakan untukmenganalisa measurement dari sudutpandang tertentu.

• Tabel dimensi bersifat statis(tidak berubah)

• Tabel Dimensi berisi atribut darimeasurement yang disimpan pada tabelfakta.

• Tabel dimensi merupakan hierarki, kategoridan logic yang dapat digunakan untukmenganalisa measurement dari sudutpandang tertentu.

• Tabel dimensi bersifat statis(tidak berubah)

From Requirement (analisakebutuhan) to Data Design(design data)

From Requirement (analisakebutuhan) to Data Design(design data)

Contoh Information Package Diagram

Sebagai contoh Automaker Sales, terdapat tiga tipe entity,yaitu :

1. Measurement atau metric2. Business dimension3. Atribut untuk masing-masing business dimension

MeasurementAutomaker Sales

Sebagai contoh Automaker Sales, terdapat tiga tipe entity,yaitu :

1. Measurement atau metric2. Business dimension3. Atribut untuk masing-masing business dimension

MeasurementAutomaker Sales

Contoh : Automaker Sales

Dimensi Produk

Menaruh semuanya bersama-sama. Itu menunjukkanbagaimana berbagai dimension tables dibentuk dariinformation package diagram

E-R Modeling Vs Dimensional Modeling

Kita telah familiar dengan data modeling untuk operasional atau OLTPsistem. E-R modeling untuk membuat data model sistem.

Untuk Dimensional Model sesuai digunakan untuk modeling datawarehouse.

Definisi Arsitektur

Sekumpulan aturan-aturan atau strukturyang menyediakan kerangka kerja untukdisain keseluruhan sistem atau produk.

Tiga Komponen Utama Arsitektur DW

• Populasi WarehouseDownloading vs Volume Data

• Administrasi WarehousePerawatan Metadata

• Mesin Pendukung KeputusanQuery dan Pelaporan

• Populasi WarehouseDownloading vs Volume Data

• Administrasi WarehousePerawatan Metadata

• Mesin Pendukung KeputusanQuery dan Pelaporan

Hal yang perlu diperhatikan dalam ArsitekturDW

• Cost Effective• Adaptable• Easily Implemented

• Cost Effective• Adaptable• Easily Implemented

Hal yang perlu dipertimbangkan dalammemilih Media & Metode Penyimpanan

• Data load times• Synchronization• Recovery• Summarization levels• Method of data security implementation• Data distribution• Data access and query speed• Ease of maintenance

• Data load times• Synchronization• Recovery• Summarization levels• Method of data security implementation• Data distribution• Data access and query speed• Ease of maintenance

Akses Informasi• Komponen kunci teknik

– Memberikan akses pada orang yang tepatuntuk informasi yang tepat pada waktu yangtepat.

– Memudahkan pengambilan informasi secaracepat dan mudah.

• Komponen kunci teknik– Memberikan akses pada orang yang tepat

untuk informasi yang tepat pada waktu yangtepat.

– Memudahkan pengambilan informasi secaracepat dan mudah.

Tujuan Utama Arsitektur DW• Mendefinisikan suatu struktur yang

membantu customer membuat implementasidata warehouse yang efektif, yaituimplementasi yang memberikan kemudahanakses data pada pengguna dan aplikasi.

• Arsitektur mengidentifikasi danmendefinisikan komponen-komponen, antarmuka, dan protokol-protokol.

• Mendefinisikan suatu struktur yangmembantu customer membuat implementasidata warehouse yang efektif, yaituimplementasi yang memberikan kemudahanakses data pada pengguna dan aplikasi.

• Arsitektur mengidentifikasi danmendefinisikan komponen-komponen, antarmuka, dan protokol-protokol.

Masalah Akses Data/Informasi

• Data yang banyak dan tersebar• Kebutuhan sistem analisis yang cepat dan

mudah dalam mengakses data• Mempertahankan investasi organisasi

terhadap sistem informasi yang telah ada.

• Data yang banyak dan tersebar• Kebutuhan sistem analisis yang cepat dan

mudah dalam mengakses data• Mempertahankan investasi organisasi

terhadap sistem informasi yang telah ada.

Permasalahan Customer yangdiselesaikan dengan Arsitektur DW

• No single view of data• Different user tools• Lack of consistency• Lack of useful historical capability• Conflict between application type• Problems in administering data• Proliferation of complex extract application

• No single view of data• Different user tools• Lack of consistency• Lack of useful historical capability• Conflict between application type• Problems in administering data• Proliferation of complex extract application

Konfigurasi Data

• Single copy configuration• Reconciled data configuration• Derived data configuration• Hybrid data configuration

• Single copy configuration• Reconciled data configuration• Derived data configuration• Hybrid data configuration

Komponen-komponen Kunci ArsitekturalDW

• Model data yang mendefinisikan isi warehouse• Disain database warehouse, apakah hirarsikal,

relasional, atau multidimensional.• Utilitas untuk data scrubbing, copy management,

data transport, data replication, cross platformcommunication

• Optimasi warehouse server untuk pelaporan danpemrosesan query yang cepat

• DSS untuk pelaporan dan analisis

• Model data yang mendefinisikan isi warehouse• Disain database warehouse, apakah hirarsikal,

relasional, atau multidimensional.• Utilitas untuk data scrubbing, copy management,

data transport, data replication, cross platformcommunication

• Optimasi warehouse server untuk pelaporan danpemrosesan query yang cepat

• DSS untuk pelaporan dan analisis

Bagian dari Model Arsitektural DW

• Operational database/external database layer(Lapisan database Operational)

• Information access layer (Lapisan Akses Informasi)• Data access layer (Lapisan Akses Data)• Data directory (metadata) layer• Process management layer• Application messaging layer• Data warehouse layer• Data staging layer

• Operational database/external database layer(Lapisan database Operational)

• Information access layer (Lapisan Akses Informasi)• Data access layer (Lapisan Akses Data)• Data directory (metadata) layer• Process management layer• Application messaging layer• Data warehouse layer• Data staging layer

Pilihan Pemindahan ke DataWarehousing

• Rehosting mainframe applications• Two tier architecture using mainframe as a

server• Three tier data warehouse architecture• Four tier data warehouse architecture

• Rehosting mainframe applications• Two tier architecture using mainframe as a

server• Three tier data warehouse architecture• Four tier data warehouse architecture

Definisi istilah di pendukung keputusan• Facts

variabel-variabel atau pengukuran yang biasanyadisimpan dalam bentuk numerik yang merupakan fokusdari investigasi pendukung keputusan

• MetricsAnalisis pengukuran yang dikalkulasi dari fakta secaralangsung

• DimensionsPengelompokkan secara logika dari atribut-atribut yangmemiliki relasi kunci terkecil yang sama.

• Factsvariabel-variabel atau pengukuran yang biasanyadisimpan dalam bentuk numerik yang merupakan fokusdari investigasi pendukung keputusan

• MetricsAnalisis pengukuran yang dikalkulasi dari fakta secaralangsung

• DimensionsPengelompokkan secara logika dari atribut-atribut yangmemiliki relasi kunci terkecil yang sama.

Permasalahan Disain Skema

Keseimbangan kebutuhan-kebutuhan yangkonflik dari:– fungsionalitas analisis– kinerja query– kemampuan perawatan database

Dua tipe tabel utama yang ada dalamData Warehouse

• Fact Tables• Dimensions Tables

Conceptual Modeling of Data Warehouses

• Modeling data warehouses: dimensions &measures– Star schema: A fact table in the middle connected

to a set of dimension tables– Snowflake schema: A refinement of star schema

where some dimensional hierarchy is normalizedinto a set of smaller dimension tables, forming ashape similar to snowflake

– Fact constellations: Multiple fact tables sharedimension tables, viewed as a collection of stars,therefore called galaxy schema or factconstellation

• Modeling data warehouses: dimensions &measures– Star schema: A fact table in the middle connected

to a set of dimension tables– Snowflake schema: A refinement of star schema

where some dimensional hierarchy is normalizedinto a set of smaller dimension tables, forming ashape similar to snowflake

– Fact constellations: Multiple fact tables sharedimension tables, viewed as a collection of stars,therefore called galaxy schema or factconstellation

Skema Star

1. Sebuah fact table yang besar dan tersentralisasi.

2. Satu tabel untuk setiap dimensi.

3. Setiap fact points untuk satu tuple dalam setiap dimensinya dan

memiliki atribut tambahan.

4. Mudah dimengerti dan mengurangi jumlah dari “physical joins”.

5. Mudah untuk mendefinisikan hirarkinya.

Skema Star (cont’d)

Time

cust

date, custno, prodno, cityname, ...

fact

prod

City

Time

cust

date, custno, prodno, cityname, ...

fact

prod

City

Skema Star (cont’d)

Time Dimension

Period Key

Year

Quarter

Month

Store Dimension

Store Key

Store Name

City

State

Region

Fact Table

Store Key

Product Key

Period Key

Units

Price

Product Key

Product Desc

Product Dimension

Time Dimension

Period Key

Year

Quarter

Month

Store Dimension

Store Key

Store Name

City

State

Region

Fact Table

Store Key

Product Key

Period Key

Units

Price

Product Key

Product Desc

Product Dimension

Karakteristik Star Schema• Karakteristik dari model ini adalah :• Pusat dari star disebut fact table• Fact table mempunyai sebuah nilai aggregate dari data-data

yang berasal dari tabel dimensi• Setiap tabel dimensi berelasi langsung dengan fact table• Tabel dimensi beisikan data tentang informasi atau waktu• Relasi antara fact table dengan dimensi-dimensinya adalah 1 –

N (one to many)• Primary key pada tabel dimensi akan menjadi key pada fact

table atau dapat diakatakan bahwa fact table memilikikombinasi key dari tabel dimensi tersebut

• Karakteristik dari model ini adalah :• Pusat dari star disebut fact table• Fact table mempunyai sebuah nilai aggregate dari data-data

yang berasal dari tabel dimensi• Setiap tabel dimensi berelasi langsung dengan fact table• Tabel dimensi beisikan data tentang informasi atau waktu• Relasi antara fact table dengan dimensi-dimensinya adalah 1 –

N (one to many)• Primary key pada tabel dimensi akan menjadi key pada fact

table atau dapat diakatakan bahwa fact table memilikikombinasi key dari tabel dimensi tersebut

Contoh Lain (Model Star)

Keuntungan :• Lebih simple• Mudah dipahami.• Hasil dari proses query juga relatif lebih

cepat.Kerugian :• boros dalam space.

Keuntungan & Kerugian StarKeuntungan :• Lebih simple• Mudah dipahami.• Hasil dari proses query juga relatif lebih

cepat.Kerugian :• boros dalam space.

Skema Snowflake

1. Merupakan variant dari model skema star.

2. Sebuah fact tables yang besar dan tersentralisasi serta satu atau

lebih tabel untuk setiap dimensi.

3. Tabel dimensi dinormalisasi dengan cara men-split data pada

tabel dimensi ke dalam tabel tambahan.

4. Mudah untuk maintenance dan menghemat storage.

Snowflake Schema• Model snowflake merupakan perluasan dari

star dimana ia juga mempunyai satu ataulebih dimensi. Hanya saja pada snowflake,tabel yang berelasi pada fact table hanyatabel dimensi utama, sedangkan tabel yanglain dihubungkan pada tabel dimensi utama.

• Model snowflake ini hampir sama sepertiteknik normalisasi

• Model snowflake merupakan perluasan daristar dimana ia juga mempunyai satu ataulebih dimensi. Hanya saja pada snowflake,tabel yang berelasi pada fact table hanyatabel dimensi utama, sedangkan tabel yanglain dihubungkan pada tabel dimensi utama.

• Model snowflake ini hampir sama sepertiteknik normalisasi

Keuntungan & Kerugian Snowflake

Keuntungan menggunakan model Snowflake• Pemakain space yang lebih sedikit• Update dan maintenance yang lebih mudahKerugian menggunakan model ini yaitu :• Model lebih komplek dan rumit• Proses query lebih lambat• Performance yang kurang bagus

Keuntungan menggunakan model Snowflake• Pemakain space yang lebih sedikit• Update dan maintenance yang lebih mudahKerugian menggunakan model ini yaitu :• Model lebih komplek dan rumit• Proses query lebih lambat• Performance yang kurang bagus

Skema Snowflake (cont’d)

prod

Time

cust

date, custno, prodno, cityname, ...

fact

Time

cust

city

date, custno, prodno, cityname, ...

fact r

egion

Skema Snowflake (cont’d)

Time Dimension

Period Key

Year

Quarter

Month

Fact Table

Store Key

Product Key

Period Key

Units

Price

Product Key

Product Desc

Product Dimension

Store Dimension

Store Key

Store Name

City Key

City Dimension

City Key

City

State

Region

Time Dimension

Period Key

Year

Quarter

Month

Fact Table

Store Key

Product Key

Period Key

Units

Price

Product Key

Product Desc

Product Dimension

Store Dimension

Store Key

Store Name

City Key

City Dimension

City Key

City

State

Region

Skema Snowflake (cont’d)

Skema Fact Constellation

1. Beberapa fact tables berbagi tabel dimensi.

2. Ditampilkan sebagai koleksi dari kumpulan skema bintang yang

sering disebut sebagai skema galaxy.

3. Dibutuhkan oleh aplikasi yang canggih.

Skema Fact Constellation (cont’d)

Hotels

Travel Agents

Promotion

Room Type

Booking

Checkout

Customer

Hotels

Travel Agents

Promotion

Room Type

Booking

Checkout

Customer

Skema Fact Constellation (cont’d)Sales Fact Table

Store Key

Product Key

Period Key

Units

Price

Product Dimension

Product Key

Product Desc

Shipping Fact Tabl eShipper Key

Store Key

Product Key

Period Key

Units

Sales Fact Table

Store Key

Product Key

Period Key

Units

Price

PriceStore Dimension

Store Key

Store Name

City

State

Region

Shipping Fact Tabl eShipper Key

Store Key

Product Key

Period Key

Units

Data cube• A data cube, such as sales, allows data to be

modeled and viewed in multiple dimensions

• Suppose ALLELETRONICS create a sales datawarehouse with respect to dimensions

– Time

– Item

– Location

• A data cube, such as sales, allows data to bemodeled and viewed in multiple dimensions

• Suppose ALLELETRONICS create a sales datawarehouse with respect to dimensions

– Time

– Item

– Location

Cube

3D Data cube Example

4D Data cube Example

Membuat model untukData Warehouse

PersiapanUntuk membuat data model untuk data

warehouse sebaiknya harus diketahui :• Spesifikasi kebutuhan informasi• Data yang tersedia (sumber data) sudah

harus tersedia

Untuk membuat data model untuk datawarehouse sebaiknya harus diketahui :

• Spesifikasi kebutuhan informasi• Data yang tersedia (sumber data) sudah

harus tersedia

ContohKasus yang ada saat ini hanya untuk

kebutuhan spesifikasi kebutuhan fungsionalsaja, Tetapi nanti kenyataan akan lebihlengkap dan detil .

• Tidak membahas kecepatan respons• Tidak membahas spesifikasi teknis misal

format ,ukuran data , volume dan kualitas

Kasus yang ada saat ini hanya untukkebutuhan spesifikasi kebutuhan fungsionalsaja, Tetapi nanti kenyataan akan lebihlengkap dan detil .

• Tidak membahas kecepatan respons• Tidak membahas spesifikasi teknis misal

format ,ukuran data , volume dan kualitas

Untuk menjawab :• Berapa besar penjualan dan laba per bulan, per produk,

per tipe pelanggan/pembeli (grosir, pabrikan, industrirumah, atau exportir), jenis industri (daripelanggan/pembeli), dan kemana barang pesanan dikirim(propinsi atau nama negara)

• Output tersebut biasa disebut analisa multi-dimensi(multidimensional analysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’ dan ‘laba’.

• Batasan (dimension) dari besaran tersebut adalah bulan(period), produk, tipe pelanggan, jenis industri, dan tujuanpengiriman (location).

Output

Untuk menjawab :• Berapa besar penjualan dan laba per bulan, per produk,

per tipe pelanggan/pembeli (grosir, pabrikan, industrirumah, atau exportir), jenis industri (daripelanggan/pembeli), dan kemana barang pesanan dikirim(propinsi atau nama negara)

• Output tersebut biasa disebut analisa multi-dimensi(multidimensional analysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’ dan ‘laba’.

• Batasan (dimension) dari besaran tersebut adalah bulan(period), produk, tipe pelanggan, jenis industri, dan tujuanpengiriman (location).

Batasan• Output semacam diatas biasa disebut

analisa multi-dimensi (multidimensionalanalysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’dan ‘laba’. Batasan (dimension) dari besarantersebut adalah bulan (period), produk, tipepelanggan, jenis industri, dan tujuanpengiriman (location).

• Output semacam diatas biasa disebutanalisa multi-dimensi (multidimensionalanalysis). Besaran (measure) yangditanyakan (dianalisa) adalah ‘penjualan’dan ‘laba’. Batasan (dimension) dari besarantersebut adalah bulan (period), produk, tipepelanggan, jenis industri, dan tujuanpengiriman (location).

Tabel transaksi

ER Diagram

Solusi Data model

Model yang digunakan adalah STARSCHEMA dengan bentuk :

Data 3 dimension

• 3 dimensi dibuat umum (common dimension), dapat dimanfaatkanuntuk analisa lain (mendatang)1. Waktu - untuk memenuhi spesifikasi “per bulan”, yang akan

dihubungkan dengan data “tanggal pesan”. Table ini akandiisi semua bulan dan sekian tahun (harus diputuskanberapa tahun, karena tabel ini kecil volumenya, misalnyadiisi untuk 50 tahun pada awal implementasi datawarehouse)

2. Jenis industri – untuk memenuhi spesifikasi “jenis industri”,yang akan dihubungkan dengan data “industri pelanggan”;

3. Lokasi – untuk memenuhi spesifikasi “propinsi/negarapemakai”, yang akan dihubungkan dengan bagian data“alamat kirim’, dengan kata lain didalam prosesmemasukkan data dari sumber kedalam warehouse harusmencari dan menentukan propinsi atau negara didalam/daridata alamat kirim.

• 3 dimensi dibuat umum (common dimension), dapat dimanfaatkanuntuk analisa lain (mendatang)1. Waktu - untuk memenuhi spesifikasi “per bulan”, yang akan

dihubungkan dengan data “tanggal pesan”. Table ini akandiisi semua bulan dan sekian tahun (harus diputuskanberapa tahun, karena tabel ini kecil volumenya, misalnyadiisi untuk 50 tahun pada awal implementasi datawarehouse)

2. Jenis industri – untuk memenuhi spesifikasi “jenis industri”,yang akan dihubungkan dengan data “industri pelanggan”;

3. Lokasi – untuk memenuhi spesifikasi “propinsi/negarapemakai”, yang akan dihubungkan dengan bagian data“alamat kirim’, dengan kata lain didalam prosesmemasukkan data dari sumber kedalam warehouse harusmencari dan menentukan propinsi atau negara didalam/daridata alamat kirim.

Output1. Penjualan diakumulasikan per bulan (monthly aggregated),

juga per dimensi yang lain sesuai spesifikasi: produk, tipepelanggan, jenis industry, dan lokasi kirim. Pajak penjualandan Ongkos kirim tidak diperhitungkan.

2. Data hasi perhitungan “laba” ikut disimpan (pre calculated),agar query cepat. Formula yang diberikan oleh user adalah:Laba penjualan = (Harga satuan – (Harga bahan baku +Ongkos produksi)) x Jumlah pesanan

1. Penjualan diakumulasikan per bulan (monthly aggregated),juga per dimensi yang lain sesuai spesifikasi: produk, tipepelanggan, jenis industry, dan lokasi kirim. Pajak penjualandan Ongkos kirim tidak diperhitungkan.

2. Data hasi perhitungan “laba” ikut disimpan (pre calculated),agar query cepat. Formula yang diberikan oleh user adalah:Laba penjualan = (Harga satuan – (Harga bahan baku +Ongkos produksi)) x Jumlah pesanan

ISI Tabel

311 Food Manufacturing312 Beverage and Tobacco Product Manufacturing313 Textile Mills314 Textile Product Mills315 Apparel Manufacturing316 Leather and Allied Product Manufacturing321 Wood Product Manufacturing322 Paper Manufacturing323 Printing and Related Support Activities… …

Manufacturing

311 Food Manufacturing312 Beverage and Tobacco Product Manufacturing313 Textile Mills314 Textile Product Mills315 Apparel Manufacturing316 Leather and Allied Product Manufacturing321 Wood Product Manufacturing322 Paper Manufacturing323 Printing and Related Support Activities… …

ISI Tabel

ISI Table

Table-table data warehouse

Berikut contoh isi tabel-tabel data warehouse dari model diatas. Semua tabeldimensi diisi data pada awal data warehouse di implementasikan (pre-loaded). Sedang untuk tabel fakta (Penjualan) datanya berasal dari sumber.

Table-table data warehouse

Hasil Data ware house

Job Schedulers

RDBMS Utilities

Replication/Distribution ToolsCASE

DB Design

RepositoriesDesign/Transform/Extract/Aggregate/Monitor/Manage Suites / Environments

Database & System Monitors

MOLAP/ROLAP

Data MiningEIS

Data VisualizationMetadata Browsers

Data Warehouse Tools

RDBMS UtilitiesExtract//Transform/Load

•Design•Mapping•Design•Mapping

•Extract•Scrub•Transform

•Extract•Scrub•Transform

•Load•Index•Aggregation

•Load•Index•Aggregation

•Replication•Data Set Distribution•Replication•Data Set Distribution

•Access & Analysis•Resource Scheduling & Distribution•Access & Analysis•Resource Scheduling & Distribution

Meta DataMeta Data

System MonitoringSystem Monitoring

Data Warehouse Development MethodologyWAREHOUSE

PL

WAREHOUSE

DE

and

TechnologyKnowledge Team

BusinessKnowledge Team

LANNI

NG

STAGE

EVELOPMENT

STAGE

Knowledge Team

BusinessSponsor