Implementasi Data Warehouse pada budidaya Ikan Bandeng oleh Nelayan di Kabupaten Bima melibatkan KUD didalam mengolah hasil laut

EVAN SUSANTO / 1304505107

JURUSAN TEKNOLOGI INFORMASI / FAKULTAS TEKNIK /

UNIVERSITAS UDAYANA

DATA WAREHOUSE

DOSEN : I PUTU AGUS EKA PRATAMA, S.T., M.T.

BAB 1 
PENDAHULUAN

Budidaya ikan bandeng kabupaten bima merupakan salah satu mata pencarian masyarakat setempat yang dimana dalam budidaya tersebut memiliki pendapat yang tinggi dan melibatkan KUD dalam mengelolah hasil laut tersebut, berbagai tindakan dilakukan oleh KUD selaku mengelolah hasil budidaya demi meningkatan produksi serta kualitas dari hasil laut
Masalah yang terjadi di lapangan saat ini pada umumnya belum menggunakan teknologi untuk menunjang proses pengumpulan serta penyimpanan data. Penyimpanan data masih dilakukan secara konvensiaonal dimana data disimpan hanya pada pembukuan dimana dalam pengolahan data tersebut belum dimanfaatkan secara maksimal dan belum adanya basis data untuk membantu nelayan dan KUD dalam menganalisis data dan hasil laut
Oleh karena itu, pada penelitian ini akan mengimplementasikan data warehouse untuk mengintegrasikan data yang dimiliki oleh KUD dan Nelayan dalam meningkatan produksi hasil budidaya ikan bandeng. Diharapkan aplikasi ini dapat memberikan informasi mengenai analisa dan pengambilan keputusan yang sesuai dengan kondisi di lapangan, sehingga nelayan dan KUD dapat menggunakan metode yang tepat dan efektif dalam peningkatan kinerja dan memaksimalkan peran fungsi teknologi untuk mengatasi permasalahan mengenai budidaya Ikan Bandeng oleh Nelayan di Kabupaten Bima melibatkan KUD didalam mengolah hasil laut
1.2. Rumusan Masalah
Masih ditemukannya kesulitan dalam pencarian data serta pengambilan keputusan yang dilakukan KUD setempat dan juga laporan yang di buat masih mengunakan pembukuan yang di buat harian,mingguan maupun bulanan.

1

Beberapa rumusan masalah dari latar belakang tersebut dan berdasarkan hasil wawancara dari Adi rudin selaku KUD kabupaten bima pada tanggal 16 November 2015. yaitu

1. 1  Bagaimanakah bentuk pengolahan data untuk Nelayan dan KUD?
   
2. 2  Apakah faktor penyebab terjadinya penurunan kualitas sewaktu-waktu ?
   
3. 3  Bagaimanakah peran fungsi KUD dalam mengelolah hasil laut ?
   

1.3. Solusi
Dari rumusan masalah yang telah disampaikan, maka terdapat beberapa usulan atau solusi untuk menanggulangi masalah tersebut.
1.) Menggunakan Data Warehouse dalam menganalisa dan penyimpanan data serta mengatur data mart untuk pengambilan keputusan.
2.) Mengunakan teknologi Cloud computing dengan memnafaatkan deployment privat cloud dan layanan saas. Serta ELT/ETL dan OLAP/OLTP
1.4. Rancangan Desain Data Warehouse
Perancangan arsitektur sistem data warehouse dilakukan setelah
mengetahui data apa saja yang akan terlibat. Gambar 1.1 adalah rancangan arsitektur data warehouse pada proses bisnis yang dilakukan oleh KUD dan nelayan. 

download link

http://www.slideshare.net/evansusanto/implementasi-data-warehouse-pada-budidaya-ikan-bandeng-oleh-nelayan-di-kabupaten-bima-melibatkan-kud-didalam-mengolah-hasil-laut

Read More

DATA MART, DATA WAREHOUSE, ETL, ELT, DAN OLAP

EVAN SUSANTO / 1304505107

JURUSAN TEKNOLOGI INFORMASI / FAKULTAS TEKNIK /

UNIVERSITAS UDAYANA

DATA WAREHOUSE

DOSEN : I PUTU AGUS EKA PRATAMA, S.T., M.T.

DATA MART, DATA WAREHOUSE, ETL, ELT, DAN OLAP 

Sumber: http://trianzblog.com/wordpress/wp-content/uploads/2010/12/Picture2-300x167.jpg

Data Mart
Data mart adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. Dalam beberapa implementasi data warehouse, data mart adalah miniature data warehouse. Data mart sering digunakan untuk memberikan informasi kepada segmen fungsional organisasi.

Data Warehouse

Data warehouse merupakan data-data yang berorientasi subjek, terintegrasi, memiliki dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan dalam mendukung proses pengambilan keputusan oleh para manajer di setiap jenjang (namun terutama pada jenjang manajerial yang memiliki peringkat tinggi). Pemakaian teknologi data warehouse hampir dibutuhkan oleh semua organisasi, tidak terkecuali Perpustakaan. Data warehouse memungkinkan integrasi berbagai macam jenis data dari berbagai macam aplikasi atau sistem. Hal ini menjamin mekanisme akses “satu pintu bagi manajemen untuk memperoleh informasi, dan menganalisisnya untuk pengambilan keputusan”.

Data Warehouse menggunakan 2 server atau lebih. Memiliki data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang tetap dan saling terintegrasi menjadi satu kesatuan yang menunjang keseluruhan konsep Data Warehouse itu sendiri. Dengan kata lain informasi dikumpulkan dari data yang terpisah yang kemudian disatukan menjadi sebuah ringkasan

ETL (Extraction, Transformation, Loading)

ETL adalah kumpulan proses menyiapkan data dari operational source untuk data. Proses ini terdiri dari extracting, transforming, loading, dan beberapa proses yang dilakukan sebelum dipublikasikan ke dalam data warehouse. Jadi, ETL atau extract, transform, loading adalah fase pemrosesan data dari sumber data masuk ke dalam data warehouse. Tujuan ETL adalah mengumpulkan, menyaring, mengolah dan menggabungkan datadata yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. ETL juga dapat digunakan untuk mengintegrasikan data

Dengan sistem yang sudah ada sebelumnya. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi kriteria data warehouse seperti data historis, terpadu, terangkum, statis dan memiliki struktur yang dirancang untuk keperluan proses analisis. Proses ETL terdiri dari tiga tahap, yaitu :

1. Extract

Langkah pertama dari proses ETL adalah proses penarikan data dari satu atau lebih sistem operasional sebagai sumber data (bisa diambil dari sistem OLTP, tapi bisa juga dari sumber data di luar system database). Kebanyakan proyek data warehouse menggabungkan data dari sumber-sumber yang berbeda. Pada hakekatnya, proses ekstraksi adalah proses penguraian dan pembersihan data yang diekstrak untuk mendapatkan suatu pola atau struktur data yang diinginkan.

2. Transform

Proses membersihkan data yang telah diambil pada proses extract sehingga data itu sesuai dengan struktur data warehouse atau data mart. Hal-hal yang dapat dilakukan dalam tahap transformasi :

a). Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse.

b). Menerjemahkan nilai berupa kode (misal, database sumber menyimpan nilai 1 untuk pria dan 2 untuk wanita, tetapi data warehouse menyimpan M untuk pria dan F untuk wanita). Proses yang dilakukan disebut automated data cleansing, tidak ada pembersihan secara manual selama proses ETL.

c). Mengkodekan nilai-nilai ke dalam bentuk bebas ( missal memetakan ”male” ,”I”, dan ”Mr ke dalam ”M”).

d). Melakukan perhitungan nilai-nilai baru (misal sale_amount = qty*unit_price).

e). Menggabungkan data dari berbagai sumeber bersama-sama.

f). Membuat ringkasan dari sekumpulan baris data (misal, total penjualan untuk setiap bagian).

Kesulitan yang terjadi pada proses transformasi adalah data harus digabungkan dari beberapa sistem terpisah, harus dibersihkan sehingga konsisten dan harus diagregasi untuk mempercepat analisis.

3. Loading

Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam target akhir, yaitu ke dalam suatu data warehouse. Waktu dan jangkauan untuk mengganti atau menambah data tergantung pada perancangan data warehouse pada waktu menganalisa keperluan informasi. Fase load berinteraksi dengan suatu database, constraint didefinisikan dalam skema database sebagai suatu trigger yang diaktifkan pada waktu melakukan load data (contohnya : uniqueness,referential, integrity, mandatory fields), yang juga berkontribusi untuk keseluruhan tampilan dan kualitas data dari proses ETL

ELT (Extraction, Loading, Transformation)

ELT merupakan variasi dari ETL (Extraction, Transformation, Loading). pada proses ini data juga akan di extract terlebih dahulu, kemudian data akan di load ke database. Kemampuan ini sangat berguna untuk memproses set data yang besar yang diperlukan untuk Business Intelligence dan analisis data yang besar. Salah satu kemampuan utama ELT adalah pengurangan waktu loading jika dibandingkan dengan model ETL. Mengambil keuntungan dari kemampuan pemrosesan yang dibangun dalam infrastruktur data warehouse dapat mengurangi waktu yang dihabiskan data untuk melakukan transit dan lebih hemat biaya.

OLAP (OnLine Analytical Processing)

Pengertian OLAP merupakan sebuah prangkat lunak yang melakukan pemrosesan untuk menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi yang berfungsi sebagai data analasis (select). Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran. Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut ukuran adalah jumlah barang.

OLTP (Online Transaction Processing Systems)

OLTP (On-line Transaction Processing) memiliki karakteristik dengan jumlah data yang besar namun hanya dapat melakukan hal sederhana seperti insert,update, dan delete. Hal utama yang menjadi perhatian dari sistem yang dilakukan OLTP adalah melakukan query secara cepat, data mudah untuk diperbaiki dan dapat diakses melalui komputer yang terhubung dalam jaringan. OLTP berorientasi pada proses yang memproses suatu transaksi secara langsung melalui komputer yang terhubung dalam jaringan. Seperti misalanya kasir pada sebuah super market yang menggunakan mesin dalam proses transaksinya. OLTP mempunyai karakteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, lagi pula OLTP sangat optimal untuk updating data.

DAFTAR PUSTAKA

[1] Oracle. 2014. Oracle Database 12c for Data Warehousing. http://www.oracle.com/technetwork/database/bi-datawarehousing/data-warehousing-wp-12c-1896097.pdf. 18 Oktober 2015. 

[2] Kudang Karsono. 2012. ETL (Extraction, Transformation, Loading). http://kundang.weblog.esaunggul.ac.id/2013/09/17/extract-transform-loading/ 18 Oktober 2015 

[3] Arrie0905. 2013.  Terminologi Data Warehouse, Data Mart, OLAP,. https://arrie0905.wordpress.com. 18 Oktober 2015 

Read More

Data Warehouse dan Big Data

EVAN SUSANTO / 1304505107

JURUSAN TEKNOLOGI INFORMASI / FAKULTAS TEKNIK /

UNIVERSITAS UDAYANA

DATA WAREHOUSE

DOSEN : I PUTU AGUS EKA PRATAMA, S.T., M.T.

 Data Warehouse dan Big Data

Data Warehouse

Data warehouse merupakan data-data yang berorientasi subjek, terintegrasi, memiliki dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan dalam mendukung proses pengambilan keputusan oleh para manajer di setiap jenjang (namun terutama pada jenjang manajerial yang memiliki peringkat tinggi). Pemakaian teknologi data warehouse hampir dibutuhkan oleh semua organisasi, tidak terkecuali Perpustakaan. Data warehouse memungkinkan integrasi berbagai macam jenis data dari berbagai macam aplikasi atau sistem. Hal ini menjamin mekanisme akses “satu pintu bagi manajemen untuk memperoleh informasi, dan menganalisisnya untuk pengambilan keputusan”.

Data Warehouse menggunakan 2 server atau lebih. Memiliki data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang tetap dan saling terintegrasi menjadi satu kesatuan yang menunjang keseluruhan konsep Data Warehouse itu sendiri. Dengan kata lain informasi dikumpulkan dari data yang terpisah yang kemudian disatukan menjadi sebuah ringkasan.

Big Data

BIG DATA adalah buzzword atau menangkap-frase yang digunakan untuk menggambarkan volume besar, baik dari data terstruktur dan tidak terstruktur yang begitu besar sehingga sulit untuk memproses dengan menggunakan teknik database dan perangkat lunak biasa. Dalam kebanyakan kejadian data perusahaan yang terlalu besar atau bergerak terlalu cepat atau melebihi kapasitas pengolahan saat ini. Big data memiliki potensi untuk membantu perusahaan meningkatkan operasi, membuat lebih cepat dan keputusan yang lebih cerdas. 

sumber https://indrawandb.files.wordpress.com/2015/03/bigdata3v_ina.png

Contoh Big Data 

Contoh data besar mungkin petabyte (1.024 terabyte) atau exabyte (1.024 petabyte) data yang terdiri dari miliaran triliunan catatan dari jutaan orang dari berbagai sumber yang berbeda (misalnya Web, penjualan, contact center pelanggan, media sosial, data ponsel dan sebagainya). Data tersebut biasanya terstruktur longgar atau data yang sering tidak lengkap dan tidak dapat diakses. 

 

Big Data dan Data Warehouse

Big Data dan Data Warehouse sagalt lah berbeda, masing-masing  baik Big Data dan Data Warehouse memiliki kasus alur penggunaan sendiri. Dalam beberapa kasus, sebuah perusahaan yang hanya memiliki database saja untuk melakukan operasional yang memiliki data yang terstruktur sehingga pencatatan data dapat dilakukan dengan mengandalkan Data Warehouse, sedangkan pada sebuah kasus industri yang membutuhkan dan menggunakan sejumlah data mentah yang besar, dan bentuk/format datanya sangat beragam untuk melakukan analisis maka diperlukan teknologi Big Data.

Membangun Data Warehouse juga dapat membantu dalam membangun open-standards API untuk memungkinkan fleksibilitas ketika dikemudian hari diperlukannya teknologi Big Data karena akan lebih mudah dalam membangun API dari sumber data yang ada dari berbagai sumber operasional yang telah disetujui. 

Adanaya data yang di olah dalam data warehouse dan big data diperlukan rancanagan infrastruktur yang mumpuni seperti denagn menggunakan supercomputer atau sebagai level tertinggi dalam computing. Supercomputing yang pada umumnya. Merupakan mesin komputasi yang memiliki kinerja tingkat tinggi dan memiliki kecepatan pemrosesan data yang cepat. Terdapat juga beberapa aplikasi seperti scientific calculations, modeling simulations, and rendering large 3D graphics. Yang bisasanya supercomputer ini memiliki ukuran yang lebih besar dari komputer biasanya.

Dan membutuhkan ruang space yang cukup besar.

Infastruktur adalah sebuah landasan untuk menjalankan sebuah sistem. Untuk menggunakan infrastruktur yang telah disediakan, diperlukan perangkat lunak Apache Hadoop yang merupakan sebuah framework perangkat lunak open-source yang mampu menangani pemrosesan Data Warehouse dan Big Data.

                           Gambar Skema Relasi Apache Hadoop

• OLAP (OnLine Analytical Processing)

Pengertian OLAP merupakan sebuah prangkat lunak yang melakukan pemrosesan untuk menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi yang berfungsi sebagai data analasis (select). Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran. Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut ukuran adalah jumlah barang.

 • OLTP (Online Transaction Processing Systems)

OLTP (On-line Transaction Processing) memiliki karakteristik dengan jumlah data yang besar namun hanya dapat melakukan hal sederhana seperti insert,update, dan delete. Hal utama yang menjadi perhatian dari sistem yang dilakukan OLTP adalah melakukan query secara cepat, data mudah untuk diperbaiki dan dapat diakses melalui komputer yang terhubung dalam jaringan. OLTP berorientasi pada proses yang memproses suatu transaksi secara langsung melalui komputer yang terhubung dalam jaringan. Seperti misalanya kasir pada sebuah super market yang menggunakan mesin dalam proses transaksinya. OLTP mempunyai karakteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, lagi pula OLTP sangat optimal untuk updating data.

ETL adalah kumpulan proses menyiapkan data dari operational source untuk data. Proses ini terdiri dari extracting, transforming, loading, dan beberapa proses yang dilakukan sebelum dipublikasikan ke dalam data warehouse. Jadi, ETL atau extract, transform, loading adalah fase pemrosesan data dari sumber data masuk ke dalam data warehouse. Tujuan ETL adalah mengumpulkan, menyaring, mengolah dan menggabungkan datadata yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. ETL juga dapat digunakan untuk mengintegrasikan data

Dengan sistem yang sudah ada sebelumnya. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi kriteria data warehouse seperti data historis, terpadu, terangkum, statis dan memiliki struktur yang dirancang untuk keperluan proses analisis. Proses ETL terdiri dari tiga tahap, yaitu :

1. Extract

Langkah pertama dari proses ETL adalah proses penarikan data dari satu atau lebih sistem operasional sebagai sumber data (bisa diambil dari sistem OLTP, tapi bisa juga dari sumber data di luar system database). Kebanyakan proyek data warehouse menggabungkan data dari sumber-sumber yang berbeda. Pada hakekatnya, proses ekstraksi adalah proses penguraian dan pembersihan data yang diekstrak untuk mendapatkan suatu pola atau struktur data yang diinginkan.

2. Transform

Proses membersihkan data yang telah diambil pada proses extract sehingga data itu sesuai dengan struktur data warehouse atau data mart. Hal-hal yang dapat dilakukan dalam tahap transformasi :

a). Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse.

b). Menerjemahkan nilai berupa kode (misal, database sumber menyimpan nilai 1 untuk pria dan 2 untuk wanita, tetapi data warehouse menyimpan M untuk pria dan F untuk wanita). Proses yang dilakukan disebut automated data cleansing, tidak ada pembersihan secara manual selama proses ETL.

c). Mengkodekan nilai-nilai ke dalam bentuk bebas ( missal memetakan ”male” ,”I”, dan ”Mr ke dalam ”M”).

d). Melakukan perhitungan nilai-nilai baru (misal sale_amount = qty*unit_price).

e). Menggabungkan data dari berbagai sumeber bersama-sama.

f). Membuat ringkasan dari sekumpulan baris data (misal, total penjualan untuk setiap bagian).

Kesulitan yang terjadi pada proses transformasi adalah data harus digabungkan dari beberapa sistem terpisah, harus dibersihkan sehingga konsisten dan harus diagregasi untuk mempercepat analisis.

3. Load

Fase load merupakan tahapan yang berfungsi untuk memasukkan data ke dalam target akhir, yaitu ke dalam suatu data warehouse. Waktu dan jangkauan untuk mengganti atau menambah data tergantung pada perancangan data warehouse pada waktu menganalisa keperluan informasi. Fase load berinteraksi dengan suatu database, constraint didefinisikan dalam skema database sebagai suatu trigger yang diaktifkan pada waktu melakukan load data (contohnya : uniqueness,referential, integrity, mandatory fields), yang juga berkontribusi untuk keseluruhan tampilan dan kualitas data dari proses ETL.

DAFTAR PUSTAKA

[1] Oracle. 2014. Oracle Database 12c for Data Warehousing and Big Data. http://www.oracle.com/technetwork/database/bi-datawarehousing/data-warehousing-wp-12c-1896097.pdf. 11 Oktober 2015.

[2] Wikipedia, English. 2015. Big Data. https://en.wikipedia.org/wiki/Big_data. 11 Oktober 2015.

[3] Kudang Karsono. 2012. ETL (Extraction, Transformation, Loading). http://kundang.weblog.esaunggul.ac.id/2013/09/17/extract-transform-loading/ 11 Oktober 2015

 

 

Read More

DATA WAREHOUSE (DW) DAN BUSINESS INTELLIGENCE (BI)

EVAN SUSANTO / 1304505107

JURUSAN TEKNOLOGI INFORMASI / FAKULTAS TEKNIK /

UNIVERSITAS UDAYANA

DATA WAREHOUSE

DOSEN : I PUTU AGUS EKA PRATAMA, S.T., M.T.

 

DATA WAREHOUSE (DW) DAN BUSINESS INTELLIGENCE (BI)

Business Intelligence (BI)

BI adalah seperangkat solusi sistem informasi yang dapat menuntun kepada teknik teknik yang dapat mengubah data bisnis dari sebuah perusahaan menjadi sebuah infromasi pengambilan keputusan yang cepat dan tingkat akurasi yang tinggi (valid).

BI seperti yang kita ketahui pada saat ini bisa dikatakan sebagai hasil evolusi dari Decision Support System (DSS) yang dimulai sekitar tahun 1960 dan berkembang sampai tahun 1980an. Sekitar tahun 1980an mulai dari DSS, EIS (Executive Information System), data warehouse, OLAP dan BI mulai menjadi perhatian dan menjadi suatu kesatuan system.

Perbedaan Artificial Intelligence (AI) dengan Business Intelligence (BI)

Dalam pengambilan keputusan Artificial Intelligence atau yang sering disingkat AI merupakan sistem yang mampu memberikan keputusan secara langsung bagi usernya, dalam hal ini AI sebagai penentu kepustusan sedangkan Business Intelligence adalah sistem yang bekerja untuk membantu pengguna dalam menentukan keputusan yang benar berdasarkan data yang tersedia dan hanya pembantu keputusan.

Kombinasi Teknologi Business Intelligence

teknologi yang digunakan dalam Business Intelligence tentu memiliki beberapa kombinasi untuk mendapatkan hasil yang diinginkan. Teknologi-teknologi tersebut diantaranya adalah Data Warehouse, Data Mart, OLAP, Data Mining, serta Open Data.

Data Warehouse
Data warehouse adalah data-data yang berorientasi subjek, terintegrasi, memiliki dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan dalam mendukung proses pengambilan keputusan oleh para manajer di setiap jenjang (namun terutama pada jenjang manajerial yang memiliki peringkat tinggi). Pemakaian teknologi data warehouse hampir dibutuhkan oleh semua organisasi, tidak terkecuali Perpustakaan. Data warehouse memungkinkan integrasi berbagai macam jenis data dari berbagai macam aplikasi atau sistem. Hal ini menjamin mekanisme akses “satu pintu bagi manajemen untuk memperoleh informasi, dan menganalisisnya untuk pengambilan keputusan”.

Data Mart
Data mart adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. Dalam beberapa implementasi data warehouse, data mart adalah miniature data warehouse. Data mart sering digunakan untuk memberikan informasi kepada segmen fungsional organisasi.

OLAP
OLAP merupakan sebuah prangkat lunak yang melakukan pemrosesan untuk menganalisa data bervolume besar dari berbagai perspektif (multidimensi). OLAP seringkali disebut analisis data multidimensi yang berfungsi sebagai data analasis (select). Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran. Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut ukuran adalah jumlah barang.

Data Mining
Data Mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Patut diingat bahwa kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Karena itu Data Mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database. Data mining adalah proses menerapkan metode ini untuk data dengan maksud untuk mengungkap pola-pola tersembunyi.

Open Data
 Open data atau penghubung data merupakan suatu konsep tentang data yang tersedia secara bebas untuk diakses dan dimanfaatkan oleh pengguna. Open data lebih banyak digunakan dalam suatu pemerintahan, dimana open data merupakan salah satu upaya untuk mendukung transparansi dan akuntabilitas, serta mendorong partisipasi masyarakat dalam pemerintahan. Seperti contohnya pada Kota Bandung yang telah menerapkan open data dalam transparansi pemerintahan dengan masyarakat yang dapat dengan mudah mengetahui data dan dapat berpartisipasi dalam pemerintahan di Kota Bandung yang berfungsi untuk meningkatkan kerjasama masyarakat dengan pemerintahan seperti open data pada pemilihan umum, informasi jalan raya serta informasi pada dinas pendidikan.

  

Implementasi Business Intelligence

Business Intelligence pada sebuah organisasi Dalam membangun dan mengimplementasikan dapat terbagi menjadi 3 jenis pendekatan yang dapat digunakan yaitu pendekatan Top-Down, Bottom-Up, dan Tactical dimana masing-masing pendekatan memiliki kelebihan dan kekurangan. Pendekatan dipilih berdasarkan keadaan dan keperluan dalam organisasi yang akan membangun Business Intelligence.

Top-Down Approcah

Top-Down sangat tepat untuk sebuah organisasi yang akan membangun Business Intelligence nya dimana pada waktu yang bersamaan terdapat pembangunan secara menyeluruh pada setiap aspek organisasi. Data Warehouse secara menyeluruh harus di susun sebelum diikuti oleh Data Mart. Data Mart merupakan data yang berorientasi subjek yang saling terintegrasi, memiliki dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan dalam mendukung proses pengambilan keputusan.

Bottom-Up Approach

Bottom-Up adalah Pada pendekatan Bottom-Up, Business Intelligence yang akan mulai dibangun, dan di atur dari tingkat departemental dimana akan diintegrasikan menjadi Data Warehouse secara keseluruhan. pendekatan ini sangat tepat bagi kebutuhan suatu organisasi tertentu yang mengutamakan pembangunan Business Intelligence di suatu departemen. setelah berhasil dan sukses dalam penerapannya maka pembangunan Business Intelligence akan dilanjutkan ke departemen yang berikutnya.

Tactical Approach (Hybrid)

pendekatan Tactical adalah pendekatan yang menggabungkan antara pendekatan Top-Down dan  Bottom-Up untuk mendapatkan kelebihan dari masing-masing pendekatan tersebut. dalam hal ini, pengembangan Business Intelligence di suatu organisasi akan dimulai dengan perencanaan dan pengambaran arsitektur dari kebutuhan Data Warehouse organisasi secara menyeluruh sesuai standarisasi. Kemudian akan di proses Business Intelligence pada setiap departemen yang membutuhkannya.

Arsitektur Data Warehouse

Arsitektur Data Warehouse atau sering disebut Physical Structure dari sebuah Data Warehouse terbagi menjadi 3 (tiga) arsitektur dasar yaitu Central, Federated, dan Teired Data Warehouse.

Data Warehouse Central

Pada Data Warehouse Central dari gambar di bawah ini, hanya terdapat sebuah Data Warehouse (DW) yang menyimpan semua data yang diperlukan untuk melakukan analisis bisnis. seluruh kinerja dari arsitektur ini mulai dari operasi query dan update harus diproses pada sebuah sistem database yang memliki performa kurang bagus di bandingkan pendekatan terdistribusi.

dalam hal ini akses dari data tidak sulit karena hanya satu model data yang relevan. Kemudian, membangun dan merawat sebuah Data Warehouse Central lebih mudah jika dibandingkan dengan yang terdistribusi.

Data Warehouse Federated

Data Warehouse Federated, data terkonsolodasi secara logikal namun tersimpan dalam database yang berbeda secara bentuk fisik pada tempat yang sama atau pun berbeda sehingga menghasilkan performa yang baik karena data yang terdistribusi. Data Mart  lokal hanya menyimpan informasi yang relevan untuk sebuah departemen. ukuran dan jumlah data yang jauh lebih sedikit dari Data Warehouse Central, Data Mart lokal dapat di isi oleh keseluruhan level detail sehingga informasi yang masuk secara mendetail dapat dikirimkan oleh sistem lokal. Salah satu fitur penting adalah Logical Data Warehouse hanya berbentuk virtual.

 

Data Warehouse Tiered

arsitektur Data Warehouse Tiered pusat (central) Data Warehouse-nya berbentuk fisik. Sebagai tambahan, terdapat beberapa Data Mart yang sudah tersedia pada tiers yang masing - masing tiersnya berbeda tersebut menyimpan salinan atau ringkasan (summary) dari tier yang sebelumnya namun bukan data secara detail seperti pada arsitektur Data Warehouse Federated. Data Warehouse Tiered adalah arsitektur Data Warehouse dengan performa tercepat dalam melakukan distribusi data. dengan struktur yang paling kompleks dan sulit untuk pengaturannya.

DAFTAR PUSTAKA

[1] Agus Eka Pratama, S.T.,M.T, I Putu. 2014. Smart City Beserta Cloud Computing dan Teknologi-Teknologi Pendukung Lainnya. Bandung: Informatika.

[2] Arrie0905. 2013.  Terminologi Data Warehouse, Data Mart, OLAP, dan Data Mining. https://arrie0905.wordpress.com. 26 September 2015

 

 

 

Read More