BASIS DATA

Peranan Basis Data

Ketersediaan/Availability : Basis Data harus diorganisasi sedemikian rupa sehingga data selalu tersedia ketika diperlukan.

Kecepatan dan kemudahan : Basis Data harus bisa menjamin bahwa data dapat diakses dengan mudah dan cepat ketika diperlukan.

Kelengkapan/Completeness : Data yang tersimpan dalam Basis Data harus lengkap, agar dapat melayani semua kebutuhan penggunanya.

Keakuratan/Accuracy : Menurut saya bagian ini merupakan hal yang penting dalam Database (basis data), agar dapat meminimalisir kesalahan baik pada penginputan maupun pada penyimpanan.

keamanan/Security : Ini juga Penting nih (skalian smuanya aja penting ya..he..he.) , mana ada yang mau data-data diliat orang(apalagi yang Nggak bertanggung jawab).

Pemakaian bersama/Data Sharing : basis data umumnya dirancang agar dapat digunakan oleh berbagai unit kerja dan tidak terbatas pada satu pemakai , satu lokasi atau satu aplikasi saja.

Efisiensi penyimpanan / storage efficiency : organisasi basis data sebaiknya menghindari duplikasi karena duplikasi data , karena duplikasi data memperbesar pemakaian ruang penyimpanan.System pengkodean dan relasi data diterapkan agar dapat menghemat ruang penyimpanan.

Struktur Data dan Basis Data

Telah diketahui bahwa secara fisik data dalam bentuk kumpulan bit dan direkam dengan basis track didalam media penyimpan eksternal. Dalam prakteknya, untuk kemudahan dalam mengakses data, data disusun dalam suatu struktur logis yang menjelaskan bahwa:

Kumpulan tabel menyusun basis data,

Tabel tersusun atas sejumlah record,

Sebuah record mengandung sejumlah field, dan

Sebuah field disimpan dalam bentuk kumpulan bit.

Pengertian masing-masing istilah diatas adalah seperti berikut:

Field (medan) menyatakan data terkecil yang memiliki makna. Istilah lain untuk field yaitu elemen data, kolom item, dan atribut. Contoh field yaitu nama seseorang, jumlah barang yang dibeli, dan tanggal lahir seseorang.

Record (rekaman) menyatakan kumpulan dari sejumlah elemen data yang saling terkait. Sebagai contoh, nama, alamat, tanggal lahir, dan jenis kelamin dari seseorang menyusun sebuah record. Istilah lain yang juga menyatakan record yaitu tupel dan baris.

Tabel menghimpun sejumlah record. Sebagai contoh, data pribadi dari semua pegawai disimpan dalam sebuah tabel.

Basis data (database) adalah suatu pengorganisasian sekumpulan data yang saling terkait sehingga memudahkan aktivitas untuk memperoleh informasi. Sebagai contoh, basis data akademis mengandung tabel-tabel yang berhubungan dengan data mahasiswa, data jurusan, data mata kuliah, data pengambilan mata kuliah pada suatu semester, dan nilai yang diperoleh mahasiswa.

Jenis Data Menurut Pengaksesan

Basis Data Individual, Basis data yang digunakan oleh perorangan, misalnya Microsoft Access, Corel Paradox, Visual dBASE dan Filemaker Pro.

Basis Data Perusahaan, basis data yang dimaksudkan untuk diakses oleh sejumlah pegawai dalam sebuah perusahaan dalam sebuah lokasi. Basis data ini disimpan dalam server dan para pemakai dapat mengakses dari masing -masing computer yang berkedudukan sebagai client.

Basis Data Terdistribusi, basis data yang disimpan pada sejumlah computer yang terletak pada beberapa lokasi. Misalnya pada bank yang memiliki sejumlah cabang di berbagai kota dan melayani perbankan secara online.

Bank Data Publik, Jenis basis data yang dapat diakses siapa saja (public). Contoh google yang menyediakan banyak data yang bersifat public dan dapat diambil siapa saja secara gratis.

Basis data perusahaan, basis data terdistribusi, basis data public didesain oleh administrator data (Data Administrator/ DA) dan dikelola oleh seorang spesialis yang dinamakan administrator basis data (Database Administratr/ DBA).

Jenis Data pada Basis Data

DBMS masa kini mendukung berbagai jenis data, dari teks, suara, hingga gambar. Contoh berbagai nama tipe data pada berbagai DBMS adalah sebagai berikut:

Contoh berbagai jenis data

Character (Visual dBASE), Char (SQL), Text (Access), Alpha (Paradox)

Menyatakan tipe data untuk menyimpan deretan karakter seperti nama orang atau nama mobil

Memo (Access dan Visual dBASE), Text (PostgresSQL)

Untuk menyimpan deretan karakter dengan ukuran yang besar (melebihi 256 karakter)

Number (Access), Numeric (Visual dBASE)

Untuk menyimpan data bilangan

Date/Time (Access)

Untuk menyimpan data jam dan tanggal

Date (Visual dBASE), Date (PostgresSQL)

Untuk menyimpan tanggal

Time (PostgresSQL)

Untuk menyimpan data jam

Currency (Access), Money (Paradox)

Untuk menyimpan data uang

Yes/No (Access), Logical (Visual dBASE), Bool (PostgresSQL)

Untuk menyimpan data logika (benar atau salah)

OLE (Visual dBASE), OLE Object (Access)

Untuk menyimpan OLE. Dapat berupa objek seperti gambar atau bahkan suara

Binary (Visual dBASE) Untuk menyimpan data gambar atau suara

Graphics (Paradox) Untuk menyimpan data gambar

Hyperlink (Access) Untuk menyimpan data hyperlink

Model Data

Model basisdata adalah kumpulan dari konsepsi basisdata yang biasanya mewakili struktur dan relasi data yang terdapat pada suatu basis data. Esensi sebuah model basisdata adalah tempat dimana data atau suatu metodologi untuk menyimpan data. Kita tidak dapat melihat model basisdata tetapi kita dapat melihat algoritma yang digunakan oleh model basisdata tersebut.

Ada 2 macam model basis data :

Model konseptual

Model konseptual terfokus kepada representasi basis data secara alam logika. Model ini lebih memperhatikan tetang apa yang disajikan dibanding dengan bagaimana cara menyajikannya.

 Model Implementasi

Ditekankan pada Bagaimana cara data disajikan pada basis data atau Bagaimana struktur data diimplementasikan

Dari konsep Model basisdata implementasi terdapat beberapa konsep basisdata yang berkembang antara lain :

Model basisdata hierarki (hierarchical database)

Sistem basisdata hierarki merupakan konsep model basisdata yang tertua, tidak ada kepastian kapan konsep ini mulai digunakan. Model ini berupa suaty tree dengan relasi Parent Child Relationships dengan hubungan satu-banyak (1-N).

Struktur dasar basisdata hierarki :

Kumpulan record-record yang secara logika terorganisir seperti struktur pohon dari atas ke bawah (berbentuk hirarki). Model ini banyak digunakan pada saat awal komputer database mainframe. Sistem ini banyak digunakan pada tahun 50-an dan 60-an, yang banyak digunakan oleh bank dan lembaga asuransi pada masa itu.

Lapisan paling atas bertindak sebagai induk/root dari segmen yang tepat berada di bawahnya dan lapisan bawah tidak bisa memiliki lebih dari satu root.

Segmen yang berada di bawah dari suatu segmen lainnya merupakan anak dari segmen yang ada di atasnya.

Struktur pohon mewakili urutan hierarki dari media penyimpan pada komputer.

Keuntungan :

Secara konseptual model basisdata ini sederhana.

Keamanan basisdata lebih baik

Kebebasan data

Integritas data dalam satu tree lebih baik

Basisdata skala besar lebih efisien

Kerugian :

Sistem lebih rumit

Kekurangan pada kebebasan struktural

Model basisdata jaringan (Network database)

Model basisdata ini dikemukakan pada tahun 1969 oleh CODASYL consorsium. Pada prinsipnya model basisdata jaringan hampir sama dengan basisdata hierarki yaitu berupa model tree, akan tetapi pada model basisdata jaringan child dapat memiliki lebih dari satu parent.

Struktur data basisdata jaringan :

Set - Sebuah hubungan disebut set. Setiap set terdiri dari paling tidak dua macam record : satu record pemilik (induk) dan satu record anggota (anak).

Satu set mewakili satu hubungan 1:M antara pemilik dan anggota.

Model basisdata relasional

Model basisdata relasional merupakan model basisdata yang dirancang agar memiliki konsistensi informasi dalam bentuk normalisasi database. Yang secara implementatif dan operasional dikendalikan oleh mesin Database Managemen System (DBMS).

Struktur dasar basisdata relasional :

Relasional Database Management System (RDBMS) beroperasi pada lingkungan logika manusia.

Basisdata relasional diasumsikan sebagai sekumpulan tabel-tabel.

Setiap tabel terdiri dari serangkaian per-potongan baris/kolom

Tabel-tabel (atau relasi) terhubung satu dengan lainnya menggunakan entitas tertentu yang digunakan secara bersama

Tipe hubungan seringkali ditunjukkan dalam suatu skema

Setiap tabel menghasilkan data yang lengkap dan kebebasan struktural

Keuntungan model data entity relationship :

Secara konseptual sangat sederhana

Gambaran secara visual

Alat bantu komunikasi lebih efektif

Terintegrasi dengan model basis data relasional

Kerugian model entity relationship :

Gambaran aturan-aturan terbatas

Gambaran relasi terbatas

Tidak ada bahasa untuk memanipulasi data

Kehilangan isi informasi

Komponen DBMS

Kamus Data

Kamus data (data dictionary) digunakan untuk menyimpan deskripsi data yang digunakan dalam basis data. Setiap elemen data antara lain memiliki tipe dan ukuran. Kamus data terkadang juga berisi ketentuan yang mengatur nilai yang bisa dimasukkan dalam field. Sebagai contoh, jika definisi sebuah field menyatakan bahwa hanya huruf P dan W yang dimasukkan ke dalam field bernama Jenis_Kelamin, maka sistem akan menolak sekiranya pemakai memasukkan data L ke field tersebut.

Utilitas

Utilitas digunakan untuk memudahkan pemakai dalam menciptakan basis data dan tabel serta dalam memanipulasi data.

Pembangkit Laporan

Pembangkit Laporan adalah fasilitas yang disediakan kepada pemakai untuk membuat laporan dengan mudah.

Pembangkit Aplikasi

Pembangkit Aplikasi adalah fasilitas yang digunakan untuk membuat tampilan yang digunakan oleh pemakai yang akan menggunakan aplikasi basis data (tampilan seperti ini dikenal dengan istilah formulir), misalnya untuk mengisikan data.

Keamanan Akses

Fasilitas keamanan akses digunakan untuk mengatur hak akses pemakai. Keamanan akses dapat berupa pengaturan wewenang akses terhadap pemakai tertentu. Misalnya, pemakai dapat mengubah isi tabel Mahasiswa, tetapi pemakai B tidak. DBMS seperti pemakai B tidak.

Pemulihan Sistem

Fasilitas pemulihan sistem berfungsi untuk mengembalikan data semula ke basis data sekiranya terjadi kegagalan sistem. Beberapa teknik yang umum digunakan untuk menangani pemulihan sistem yaitu mirroring, reprocessing, dan  rollback.

SQL

SQL (Structured Query Language) adalah sebuah bahasa yang dipergunakan untuk mengakses data dalam basis data relasional. Bahasa ini secara de facto merupakan bahasa standar yang digunakan dalam manajemen basis data relasional. Saat ini hampir semua server basis data yang ada mendukung bahasa ini untuk melakukan manajemen datanya.

Standarisasi SQL dimulai pada tahun 1986, ditandai dengan dikeluarkannya standar SQL oleh ANSI. Standar ini sering disebut dengan SQL86.Standar tersebut kemudian diperbaiki pada tahun 1989 kemudian diperbaiki lagi pada tahun 1992. Versi terakhir dikenal dengan SQL92. Pada tahun 1999 dikeluarkan standar baru yaitu SQL99 atau disebut juga SQL99, akan tetapi kebanyakan implementasi mereferensi pada SQL92.

Saat ini sebenarnya tidak ada server basis data yang 100% mendukung SQL92. Hal ini disebabkan masing-masing server memiliki dialek masing-masing.

Secara umum, SQL terdiri dari dua bahasa, yaitu Data Definition Language (DDL) dan Data Manipulation Language (DML). Implementasi DDL dan DML berbeda untuk tiap sistem manajemen basis data (SMBD)[1], namun secara umum implementasi tiap bahasa ini memiliki bentuk standar yang ditetapkan ANSI. Artikel ini akan menggunakan bentuk paling umum yang dapat digunakan pada kebanyakan SMBD.

Data Definition Language (DDL)

DDL digunakan untuk mendefinisikan, mengubah, serta menghapus basis data dan objek-objek yang diperlukan dalam basis data, misalnya tabel, view, user, dan sebagainya. Secara umum, DDL yang digunakan adalah CREATE untuk membuat objek baru, USE untuk menggunakan objek, ALTER untuk mengubah objek yang sudah ada, dan DROP untuk menghapus objek. DDL biasanya digunakan oleh administrator basis data dalam pembuatan sebuah aplikasi basis data.

CREATE

CREATE digunakan untuk membuat basis data maupun objek-objek basis data.

Data Manipulation Language (DML)

DML digunakan untuk memanipulasi data yang ada dalam suatu tabel. Perintah yang umum dilakukan adalah:

SELECT untuk menampilkan data

INSERT untuk menambahkan data baru

UPDATE untuk mengubah data yang sudah ada

DELETE untuk menghapus data

SELECT

SELECT adalah perintah yang paling sering digunakan pada SQL, sehingga kadang-kadang istilah query dirujukkan pada perintah SELECT. SELECT digunakan untuk menampilkan data dari satu atau lebih tabel, biasanya dalam sebuah basis data yang sama.

Fungsi aggregat

Beberapa SMBD memiliki fungsi aggregat, yaitu fungsi-fungsi khusus yang melibatkan sekelompok data (aggregat). Secara umum fungsi aggregat adalah:

SUM untuk menghitung total nominal data

COUNT untuk menghitung jumlah kemunculan data

AVG untuk menghitung rata-rata sekelompok data

MAX dan MIN untuk mendapatkan nilai maksimum/minimum dari sekelompok data.

Fungsi aggregat digunakan pada bagian SELECT. Syarat untuk fungsi aggregat diletakkan pada bagian HAVING, bukan WHERE.

Subquery

Ada kalanya query dapat menjadi kompleks, terutama jika melibatkan lebih dari satu tabel dan/atau fungsi aggregat. Beberapa SMBD mengizinkan penggunaan subquery.

Data Warehouse dan Data Mart

Data yang terdapat dalam data warehouse dapat dibagi perbagian sesuai dengan kebutuhan dalam informasi. Inilah yang dsebut dengan data mart. Data mart memiliki karakteristik yang sama dengan data warehouse, perbedaannya hanya terdapat pada jumlah data yang dimiliki. Dalam data mart, data yang ada hanya berasal dari satu bagian atau satu departemen saja, sedangkan pada data warehouse, data yang ada berasal dari seluruh bagian dalam perusahaan tersebut.

Dalam pembuatan data warehouse, ada dua pendekatan yang dapat digunakan, yaitu :

Pendekatan Top Down (Top Down Approach)

Pendekatan ini dilakukan dengan membuat perancangan data warehouse terlebih dahulu secara keseluruhan. Dalam pembuatannya, ditentukan apa yang menjadi sumber data dan bagaimana cara untuk memasukkannya ke dalam data warehouse yang telah dirancang terlebih dahulu. Pendekatan ini menyatakan bahwa pembangunan desain arsitektur data warehouse adalah hal pertama yang dilakukan dalam membangun suatu data warehouse.

Pendekatan Bottom Up (Bottom Up Approach)

Berbeda dengan pendekatan Top Down, pendekatan ini menyatakan bahwa data warehouse berawal dari kumpulan data mart yang telah dibangun terlebih dahulu untuk masing-masing departemen. Data mart yang telah dibangun kemudian digabungkan untuk membangun suatu data warehouse yang utuh.

Dalam pembangunan data mart, terdapat 2 arsitektur, yaitu : Dependent Data Mart dan Independent Data Mart (IDM). Perbedaan dari kedua arsitektur tersebut hanya terletak pada ketergantungannya terhadap data warehouse. Pada Dependent Data Mart, data yang diperoleh sangat tergantung pada data warehouse terpusat sedangkan pada IDM, data yang digunakan terpisah dari data warehouse terpusat dan bersifat independent (berdiri sendiri).

Data telah berkembang sangat pesat dalam beberapa dekade terakhir. Banyak bentuk-bentuk yang dulu “hanya“ mempunyai teknologi sebagai tempat penyimpanan data yang terdiri dari field-field, record dan diolah serta ditampilkan menjadi informasi dalam berbagai format tampilan yang sederhana, bermula dari bentuk yang sederhana tersebut maka didapatkan suatu metoda untuk menampilkan suatu database yang berguna untuk menganalisa data untuk suatu keperluan tertentu. Sejak tahun 1980-an , baik organisasi swasta maupun pemerintahan telah bekerja dengan data dalam interval megabyte sampai gigabyte bahkan terabyte. Oleh karena itu, kebutuhan akan alat cangih dan cepat dalam menganalisis data semakin meningkat. Hal ini dikarenakan maju atau mundurnya perusahaan akan sangat bergantung oleh seberapa cepat dan canggihnya sistem informasi yang mereka miliki serta kemampuan mereka dalam menganalisis informasi dengan sistem tersebut. Dengan memanfaatkan relational database yang sudah ada maka didapat suatu cara untuk mengantisipasi kebutuhan guna menganalisa data secara cepat untuk membantu mendapatkan keputusan dalam suatu aplikasi atau organisasi

Sudah sekian lama, perusahaan menganalisis data dengan menggunakan relational DBMS yang sangat sederhana, dan tentunya memiliki keterbatasan dalam melakukan aggregate, summarize, consolidate, sum, view, dan analyze. Kekurangan tersebut akan muncul jika datanya bersifat multidimensi, karena banyak perusahaan menganalisis berbagai data dalam satu waktu yang bersamaan. Oleh karena itu, dibutuhkan suatu multidimensional data analysis sehingga muncullah Online Analytical Processing (OLAP).

SEJARAH

Produk pertama menggunakan  query OLAP adalah Express yang dirilis tahun 1970 ( dan dipakai oleh Oracle tahun 1995 sebagai Information Resources ). Tetapi istilah OLAP baru muncul tahun 1993 diperkenalkan oleh E. F. Codd yang merupakan bapak relational databases. Karangan Codd berisi konsultasi pendek yang Codd lakukan dengan pendiri Arbor Software ( sekarang disebut Hyperion Solutions, dan pada tahun 2007 dibeli oleh Oracle ) untuk memperbaiki pemasaran. Perusahaan tersebut kemudian merilis produk OLAP, Essbase, yang menerapkan 12 aturan Codd untuk online analytical processing. OLAP market tumbuh dengan cepat pada akhir tahun 90an dengan banyak komersial produk yang muncul di pasaran. Pada tahun 1998, Microsoft merilis OLAP server pertamanya, Microsoft Analysis Services yang dikembangkan dengan mengadopsi teknologi OLAP.

DEFINISI

Online Analytical Processing (OLAP ) merupakan suatu metode pendekatan untuk menyajikan jawaban dari  permintaan proses analisis yang bersifat dimensional secara cepat, yaitu desain dari aplikasi dan teknologi yang dapat mengoleksi, menyimpan, memanipulasi suatu data multidimensi untuk tujuan analisis.

OLAP (Online Analytical Processing) adalah teknologi yang memproses data di dalam data warehouse dalam struktur multidimensi, menyediakan jawaban yang cepat untuk query analisis yang kompleks.

TEKNIK OLAP

Selain itu, teknik OLAP itu sendiri dapat dirangkum menjadi 5 garis besar  yaitu Fast Analysis of Shared Multidimensional Information atau disingkat menjadi FASMI yang masing-masing berarti sebagai berikut:

FAST,  berarti sistem ditargetkan untuk memberikan response terhadap user dengan  secepat mungkin, sesuai dengan analisis yang dilakukan.

ANALYSIS,  berarti sistem dapat mengatasi berbagai logika bisnis dan analisis statistik yang relevan dengan aplikasi dan user, dan mudah.

SHARED,  berarti sistem melaksanakan seluruh kebutuhan pengamanan data, jika dibutuhkan banyak akses penulisan terhadap data, disesuaikan dengan level dari user. Tidak semua aplikasi membutuhkan user untuk menulis data kembali. Sistem harus dapat meng-handle multiple update dalam satu waktu secara aman.

MULTIDIMENSIONAL,  berarti sistem harus menghasilkan conceptual view dari data secara multidimensional, meliputi full support untuk hierarki dan mutiple hierarki. Hal ini merupakan cara yang logic untuk menganalisis bisnis dan organisasi.

INFORMATION,  adalah semua data dan informasi yang dibutuhkan dan relevan untuk aplikasi. Kapasitas produk OLAP berbeda untuk menghandle input data tergantung beberapa pertimbangan meliputi duplikasi data, RAM yang dibutuhkan, penggunaan disk space, performance, integrasi dengan data warehouse, dan lainnya.

Karakteristik

Adapun karakteristik dari OLAP, yaitu:

Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada data warehouse

Memfasilitasi query yang komplek dan analisa bagi user

Mengijinkan user melakukan drill down untuk menampilkan data pada level yang lebih detil atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi

Menyediakan proses kalkulasi dan perbandingan data

Menampilkan hasil dalam bentuk number termasuk dalam tabel dan grafik.

TEMPAT PENYIMPANAN

Dari OLAP tersebut terdapat 3 model penyimpanan data dalam cube yang difasilitasi oleh Microsoft SQL Server 7.0. Ketiga model penyimpanan data tersebut adalah:

MOLAP

Multidimensional online analitycal processing (MOLAP) menyimpan data dan agregasi pada struktur data multidimensi. Struktur MOLAP ini tidak tersimpan pada data warehouse tapi tersimpan pada OLAP server. Sehingga performa query yang dihasilkan olehnya sangat bagus. Model penyimpanan ini sesuai untuk database dengan ukuran kecil sampai sedang.

ROLAP

ROLAP (relational online Analitycal processing) menggunakan tabel pada database relasional data warehouse untuk menyimpan detil data dan agregasi kubus. Berbeda dengan MOLAP, ROLAP tidak menyimpan salinan database, ia mengakses langsung pada tabel fact ketika membutuhkan jawaban sebuah query. Sehingga query pada ROLAP mempunyai response time yang lebih lambat dibandingkan ROLAP maupun HOLAP. Karakteristik model ini digunakan untuk menyimpan data yang besar dan jarang dilakukannya proses query. Misalkan, data histori dalam jumlah besar dari beberapa tahun yang sebelumnya.

HOLAP

Gabungan model MOLAP dan ROLAP dapat kita peroleh dari HOLAP (hibrid online analitycal processing).Detil data tersimpan pada tabel relasional tapi aggregasi data disimpan dalam format multidimensi. Misalkan proses drill down dilakukan pada sebuah tabel fakta, maka retrive data akan dilakukan dari tabel database relasional sehingga query tidak secepat MOLAP. Kubus HOLAP lebih kecil daripada kubus MOLAP tapi response time query masih lebih cepat jika dibandingkan dengan ROLAP. Model penyimpanan HOLAP ini biasanya sesuai untuk kubus yang membutuhkan performa query yang bagus dengan jumlah data yang besar.

Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut :

Meringkas dan mengumpulkan sejumlah besar data

Melakukan filtering, pengurutan, dan memberikan peringkat (rangking)

Membandingkan beberapa set dari data

Membuat sketsa/bagan/diagram

Menganalisis dan menemukan pola dari data

Menganalisis kecenderungan data

OLAP menerangkan sebuah kelas dari teknologi yang didesain keberadaan data adhoc dan analisis. Ketika proses umum transaksi terjadi pada hubungan database, OLAP menjadi kurang lebih sama dengan pandangan multidimensi dari data bisnis. Tampilan multidimensi ini didukung oleh teknologi multidimensi database.

OLAP adalah langkah maju yang logis dibawah pertanyaan dan laporan, dan merupakan langkah lanjut dari pembuatan sebuah keputusan solusi tambahan total. Tool software OLAP mengirim alat-alat teknologi untuk analisis bisnis komplek dengan membuat pengguna dapat menganalisa data dalam lingkungan multidimensi. Dengan tool OLAP seseorang dapat menganalisa dan me-navigasi melalui data untuk menemukan trend, titik pengecualian, dan mendapat detail tergaris bawah untuk pemahaman kemunduran yang lebih baik dan menjalankan aktivitas bisnis mereka.

OLAP merupakan suatu metode pendekatan untuk menyajikan jawaban dari  permintaan proses analisis yang bersifat dimensional secara cepat, yaitu desain dari aplikasi dan teknologi yang dapat mengoleksi, menyimpan, memanipulasi suatu data multidimensi untuk tujuan analisis.

OLAP DAN PENJADWALAN BERPRIORITAS

Berdasarkan algoritma penjadwalan berprioritas dibagi dua macam :

Statis, prioritas yang tidak berubah

Dinamis, prioritas yang bisa diubah

Pada OLAP algoritma yang digunakan adalah algoritma berprioritas dinamis karena merupakan mekanisme menanggapi perubahan lingkungan sistem saat beroperasi di lingkungan nyata. Prioritas awal yang diberikan ke proses mungkin hanya berumur pendek dalam hal ini sistem dapat menyesuaikan nilai prioritasnya ke nilai yang lebih tepat sesuai lingkungan.

Algoritma ini dituntun untuk memenuhi kebijaksanaan tertentu yang menjadi tujuan sistem komputer.

Berbagai kelebihan bisa didapat dengan menggunakan OLAP ini diantaranya :

Dapat meningkatnya produktivitas bisnis, IT developers, dan seluruh organisasi

Akses yang lebih terkendali terhadap informasi yang dapat meningkatkan efektivitas pengambilan keputusan

Mempercepat respon terhadap permintaan pasar.

Data mining adalah suatu proses yang digunakan untuk mencari informasi dan knowledge yang berguna, dimana diperoleh dari data-data yang dimiliki. Dari buku Data Mining Technique yang dikarang oleh Berry and Linoff, proses terjadinya data mining dapat dideskripsikan sebagai virtous cycle. Didasari oleh pengembangan berkelanjutan dari proses bisnis serta didorong oleh penemuan knowledge ditindaklanjuti dengan pengambilan tindakan dari penemuan tersebut.

Langkah-langkah Data mining

Identity The Business Problem

Yang pertama dan juga dasar dari virtous cycle adalah mengetahui masalah bisnis yang kita hadapi. Karena kita tidak bisa mengolah data jika kita tidak tau yang sedang kita hadapi. Kita harus mengetahui masalah-masalah apa yang sedang dihadapi. Dengan mengetahui masalah yang dihadapi kita dapat menentukan data-data mana saja yang kita butuhkan untuk dapat dilakukan tahap analisa.

Mine The Data For Actionable Information

Setelah mengetajui identifikasi masalah, kita memperolah data-data mana saja yang diperlukan untuk analisa. Barulah kita melakukan analisa terhadap data-data tersebut. Dan dari analisa tersebut analisis akan dapat memperolah sebuah knowledge baru dan baru lah dapat diambil suatu keputusan/kebijaksanaan.

Take The Action

Dan dari keputusan/kebijaksanaan yang didapat dari proses data mining itu barulah kita terapkan dengan aksi berupa tindakan-tindakan yang kongkrit/nyata dalam proses bisnis.

Measure Results

Setelah diambil tindakan-tindakan dan keputusan, kita memonitori hasil tersebut. Apakah sudah sesuai(memuaskan) dengan target2 yang ingin kita capai, apakah bisa mengatasi masalah-masalah yang dihadapi.

Teknik-teknik/Jenis-jenis DataMining

Market Basket Analysis

Himpunan data yang dijadikan sebagai objek penelitan pada area data mining. Market basket analysis adalah proses untuk menganalisis kebiasaan pelanggan dalam menyimpan item-item yang akan dibeli ke dalam keranjang belanjaannya. Market basket analysis memanfaatkan data transaksi penjualan untuk dianalisis sehingga dapat ditemukan pola berupa item-item yang cenderung muncul bersama dalam sebuah transaksi. Selanjutnya pola yang ditemukan dapat dimanfaatkan untuk merancang strategi penjualan atau pemasaran yang efektif, yaitu dengan menempatkan item-item yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan, merancang tampilan item-item di katalog, merancang kupon diskon (untuk diberikan kepada pelanggan yang membeli item tertentu), merancang penjualan item-item dalam bentuk paket, dan sebagainya. Dengan menggunakan teknologi data mining, analisis data secara manual tidak diperlukan lagi.

Memory-Based Reasoning

Metode klasifikasi yang digabungkan dengan penalaran berbasis memori. proses menggunakan satu set data untuk membuat model dari prediksi atau asumsi-asumsi yang dapat dibuat tentang objek baru yang diperkenalkan. Ada dua komponen dasar untuk metode MBR. Yang pertama adalah kesamaan fungsi, yang mengukur bagaimana anggota yang sama dari setiap pasangan object satu sama lain. Yang kedua adalah fungsi kombinasi, yang digunakan untuk menggabungkan hasil dari himpunan tetangga untuk sampai pada keputusan.

Cluster Detection

Ada dua pendekatan untuk clustering. Pendekatan pertama adalah dengan mengasumsikan bahwa sejumlah cluster sudah tersimpan dalam data, tujuannya adalah untuk memecah data ke dalam cluster. Pendekatan lain, disebut clustering agglomerative, dengan asumsi keberadaan setiap jumlah yang telah ditetapkan cluster tertentu, setiap item keluar di cluster sendiri, dan proses terjadi berulang-ulang yang berupaya untuk menggabungkan cluster, meskipun proses komputasi sama.

Link Analysis

proses mencari dan membangun hubungan antara object dalam kumpulan data juga mencirikan sifat yang terkait dengan hubungan antara dua object. Link Analysis berguna untuk aplikasi analitis yang mengandalkan teori grafik untuk mengambil kesimpulan. Selain itu Link Analysis berguna untuk proses optimasi.

Rule Induction

Ekstraksi aturan sebab-akibat dari data secara statistic. identifikasi aturan bisnis yang tersimpan di dalam data. Metode berhubungan dengan induksi aturan yang digunakan untuk proses penemuan. Salah satu pendekatan untuk penemuan aturan adalah menggunakan pohon keputusan.

Neural Networks

model prediksi non linear yang melakukan pembelajaran melalui latihan dan menyerupai struktur jaringan nerual yang terdapat pada mahluk hidup. Mampu menurunkan pengertian dari data yang kompleks dan tidak jelas dan dapat digunakan pula untuk mengekstrak pola dan mendeteksi tren2 yang sangat kompleks untuk dibicarakan baik oleh manusia maupun teknik komputer lainnya.

Tugas Data Mining (Six Tax Data Mining)

Classification - Menyusun data menjadi kelompok-kelompok yang telah ditentukan, yang melibatkan dengan memeriksa atribut-atribut dari suatu objek tertentu dan menetapkannya ke kelas yang telah didefinisikan.

Estimation - proses untuk menempatkan beberapa nilai numerik secara terus suatu objek, estimasi juga dapat digunakan sebagai bagian dari proses klasifikasi.

Prediction - berbeda dengan Estimation dan Classification, Prediction adalah upaya-upaya untuk mengklasifikasikan suatau objek berdasarkan dari behaviour yang akan ditentukan(diharapkan) dari candidate behaviour.

Affinity Grouping - proses yang mengevaluasi hubungan atau asosiasi antara unsur-unsur data berupa attribute atau behaviour data yang menunjukkan beberapa tingkat afinitas antar objek.

Clustering - sama seperti klasifikasi tetapi kelompok yang tidak/belum di tentukan standarnya, sehingga secara algoritma data tersebut akan dikelompokan berdasarkan data yang serupa dengan data yg di submit.

Desciption - proses yang menggambarkan apa yang telah terjadi dan di identifikasi atau proses yang menjelaskan hasil akhir dari jalannya proses data mining.

ERP yang merupakan kependekan dari Enterprise Resource Planning adalah integrasi dari praktek management bisnis dengan teknologi modern. IT terintegrasi dengan 'core' proses bisnis dari unit bisnis untuk merangkumkan dan menyelesaikan tujuan bisnis secara spesifik.

Pada prinsipnya, ERP adalah sebuath gabungan dari 3 buah komponen penting, yaitu: Praktek Management bisnis, IT dan Tujuan dari bisnis yang spesifik.

Sederhananya, ERP adalah sebuah arsitektur software yang membantu streaming dan pendistribusian informasi terhadap seluruh bisnis unit. ERP memberikan para eksekutif sebuah overview yang komprehensif yang akan mempengaruhi keputusan bisnis secara produktif.

Pada core ERP terdapat sebuah data respository terpusat dan ter'managed' yang merequest dan mensupply informasi atau data untuk suatu aplikasi operasional dalam platform universal komputer yang terintegrasi satu sama lainnya.

Pada awalnya ERP hanya diimplementasikan pada organisasi yang besar dengan organisasi yang mengunakan resources yang sangat luas, namun sekaranga penggunaan ERP sudah mengalami perubahan beberapa tahun terakhir ini, dan ERP sekarang dapat diimplementasikan pada skala perusahaan menengah dan berbagai macam industri.

Arsitektur software ERP sekarang ini dapat merangkum fungsi-fungsi yang ada dalam suatu bisnis dan mengintegrasikannya dalam satu tempat dari gabungan database. Misalkan, fungsi dari HRD, Supply Chain Management, Customer Relationship Management, Keuangan, produksi, management gudang dan logistik, yang mana dulunya menggunakan aplikasi/software dan database masing-masing & terpisah, maka sekarang ini masing-masing unit aplikasi itu disatukan dengan satu payung, yaitu arsitektur ERP.