Rabu, 09 Desember 2015

Ide Implementasi Data Warehouse di Desa Pasut Untuk Membantu Pedagang Batu Alam/Batu Sikat & KUD didalam Mengelolanya

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Data Warehouse
Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT


Ide Implementasi Data Warehouse di Desa Pasut Untuk Membantu Pedagang Batu Alam/Batu Sikat & KUD didalam Mengelolanya




Abstraksi
        Perkembangan pesat dunia properti dan menjamurnya perumahan mewah membawa keuntungan bagi pengusaha aksesori bangunan. Ornamen batu alam misalnya, aksesori ini sangat diminati sejak tahun 2000 lalu, karena mampu menghasilkan kesan artistik. Namun, minimnya penyedia batu alam membuat bahan bangunan ini menjadi barang langka. Batu alam menjadi salah satu primadona. Dan kita harus mempunyai Kunci Sukses dalam wirausaha. Bagi yang ingin membuat rumah, untuk kalangan menengah ke atas, mereka lebih cenderung memakai batu alam untuk hiasan rumah mereka. Saat ini pengusaha ini dapat ditemui di hampir seluruh Desa Pasut.Oleh karena itu, untuk membantu efektifitas penjualan maka perlu diimplementasikannya teknologi data warehouse dan cluod  computing.

Selengkapnya dapa di lihat dalam lampiran di bawah ini :



Minggu, 18 Oktober 2015

Data Mart, Data Warehouse, ETL, ELT dan OLAP

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Data Warehouse
Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT


Data Mart, Data Warehouse, ETL, ELT dan OLAP

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.
Contoh umum data mart adalah untuk departemen penjualan, departemen persediaan dan pengiriman, departemen keuangan, manajemen tingkat atas, dan seterusnya. Data mart juga dapat digunakan untuk gudang data segmen data untuk mencerminkan bisnis secara geografis terletak di mana masing-masing daerah relatif otonom. Sebagai contoh, sebuah organisasi layanan yang besar mungkin memperlakukan pusat operasi regional sebagai unit usaha perorangan, masing-masing dengan data mart sendiri yang memberikan kontribusi untuk gudang data master.
 Karakteristik data mart
  1. Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis.
  2. Data mart biasanya tidak mengandung data operasional yang rinci seperti pada data warehouse.
  3. Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami.
  4. Data marts bisa bersifat dependent atau independent.
  5. Kubus
  6. Aggregation
Keuntungan
        Data mart dapat meningkatkan waktu respon pengguna akhir, karena berisi data mentah yang memungkinkan sistem komputer untuk fokus pada satu tugas, sehingga meningkatkan kinerja. Berbeda dengan sistem OLTP, data mart juga dapat menyimpan data historis yang           memungkinkan pengguna untuk menganalisis kecenderungan data. Selain itu, data mart tidak begitu mahal dan kompleks sebagai data gudang untuk setup dan melaksanakan karena masalah teknis tidak begitu sulit untuk diselesaikan.
Kerugian
     Mereka memiliki nilai yang terbatas karena mereka tidak dapat melihat organisasi secara keseluruhan dan pelaporan dan analisis potensi terbatas.

ETL (Extraction, Transformation, Loading) dan ELT (Extraction, Loading,Transformation)
      ETL dan ELT merupakan proses yang harus dilalui dalam pembentukan data warehouse. Berikut ini merupakan penjelasan dari ketiga proses tersebut:
1.Extract (Ekstraksi)
   Merupakan proses mengekstrak data dari berbagai sistem operasional, baik menggunakan query, atau aplikasi.
2.Transformation (Transformasi)
    Merupakan proses dimana data mentah yang merupakan hasil dari ekstraksi disaring dan diubah sesuai dengan kaidah bisnis yang berlaku.
3.Loading
   Merupakan proses pemuatan data yang didapat dari hasil transformasi ke dalam data warehouse dengan cara menjalankan SQL Script secara periodik.
OLAP (Online Analytical Process)
      Data Warehouse adalah sebuah database yang mengandung data yang biasanya mewakili sejarah bisnis dari suatu organisasi. Data Historis dari data warehouse digunakan di dalam aktivitas analisis yang mendukung keputusan bisnis dalam beberapa tingkat. Data di dalam data warehouse diorganisir untuk mendukung analisa, bukan transaksi pemrosesan dalam waktu nyata, seperti sistem online transaction processing (OLTP).
 

Minggu, 11 Oktober 2015

Big Data

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Data Warehouse
Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT

Big Data

      Big Data adalah istilah umum untuk segala himpunan data (data set) dalam jumlah yang sangat besar, rumit dan tak terstruktur sehingga menjadikannya sukar ditangani apabila hanya menggunakan perkakas manajemen basis data biasa atau aplikasi pemroses data tradisional belaka. Tantangannya meliputi pemerolehan, kurasi, penyimpanan, penelusuran (search), pembagian, pemindahan, analisis, dan visualisasi data. Tren kian membesarnya himpunan data terjadi akibat bertambahnya informasi dari himpunan-himpunan besar yang saling terkait, dibandingkan dengan himpunan-himpunan kecil lain dengan jumlah total data yang sama.
      Big Data memiliki ciri data yang di tanganinya.Ciri-ciri data yang ditangani oleh Big Data antara lain adalah sebagai berikut ini:
  1. Jumlah nya sangat besar (Volume). Biasanya ukuran total data dalam terabytes keatas.
  2. Pertumbuhan data sangat cepat (Velocity) sehingga data bertambah dalam jumlah yang sangat banyak dalam kurun waktu relatif singkat.
  3. Bentuk atau format datanya beraneka ragam (Variety). Format disini bisa berupa data dalam tabel-tabel relasional database seperti MySQL, file text biasa, File Excel atau bentuk apapun.
Manfaat yang bisa diberikan dari Big Data antara lain bisa memberikan gambaran yang lebih lengkap dari sebelumnya karena biasanya data yang dianalisis adalah data terstruktur misalnya data relasional database.
       Perpaduan data warehouse dan big data adalah Oracle 12 C. Terdapat tiga tool dari Oracle 12 C. Yang pertama yaitu Processy yang menggunakan high computing atau komputasi dengan skala tinggi, Selanjutnya adalah Analytical dengan menggunakan OLAP (Onlie Analytical Processing) yaitu sebagai proses transaksi online merupakan suatu sistem informasi transaksi yang lebih mengacu pada kelas sistem yang memberikan fasilitas untuk mengelola aplikasi yang berorientasi transaksi. Dan yang terkahir adalah Transaction dengan menggunakan OLTP (Online Transaction Processing) yang berorientasi pada suatu proses yang secara langsung melalui komputer yang terhubung dalam jaringan.
       Beberapa implementasi dari Big Data yaitu Apache Hadoop dan NoSQL serta vendor SAP. Hadoop merupakan sebuah open-source framework untuk pemrosesan data-sets skala besar dalam clusters hardware komputer yang terjangkau dan mudah diperoleh. Pada umumnya framework Hadoop dikembangkan dalam bahasa Java, dengan beberapa source code dalam bahasa C dan command line utilities ditulis sebagai shell-scripts. NoSQL merupakan sebuah basis data yang menyediakan mekanisme penyimpanan dan pengambilan data yang menggunakan model basis data kurang konsisten daripada basis data relasional tradisional. Dan vendor SAP (System Application and Product in data processing)  merupakan software Enterprise Resources Planning (ERP), yaitu suatu tools IT dan manajemen untuk membantu perusahaan merencanakan dan melakukan kegiatan operasionalnya secara lebih efisien dan efektif.

Jumat, 25 September 2015

Data Warehouse (DW) dan Bussiness Intelligence (BI)

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Data Warehouse 
Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT


 Data Warehouse (DW) dan Bussiness Intelligence (BI)


         Business Intelligence atau lebih sering disingkat BI adalah seperangkat solusi sistem informasi yang dapat menuntun kepada percepatan pengambilan keputusan dalam tingkat akurasi yang tinggi (valid). Hasil keluaran dari teknologi BI dapat berupa tampilan lampau dari operasi bisnis, juga tampilan operasi bisnis saat ini, atau juga prediksi untuk operasi bisnis di masa depan. Fungsi umum yang biasa terdapat pada BI adalah reporting, online analytical processing, analytics, data mining, business performance management, benchmarking, text mining, dan predictive analytics.
Business Intelligence dan Data Warehouse adalah dua hal yang sebenarnya berbeda namun hampir tidak bisa dipisahkan. Hubungan antar keduanya sedemikian erat sehingga kita tidak bisa membicarakan BI tanpa Data Warehouse.
         Sebagai solusi yang sangat bergantung pada data berkualitas tinggi, solusi BI akan menghasilkan informasi yang akurat jika sumber datanya baik dan akan menghasilkan informasi yang salah jika sebaliknya. Selain itu respon sistem BI juga harus baik sehingga dapat mencapai tujuannya dari sisi efisiensi waktu.Terkait dengan hal tersebut, sumber data pada organisasi yang kompleks dan besar biasanya perlu diolah agar dapat digunakan baik oleh sistem tersebut. Data Warehouse memenuhi kriteria tersebut, yaitu merupakan database tersendiri merupakan hasil konsolidasi, pembersihan, penyesuaian, dan optimalisasi data sehingga layak dijadikan sebagai sumber data informasi untuk sistem BI.
        BI tidak sama dengan AI (Artificial Intelligence), karena AI merupakan penentu keputusan. Sedangkan BI bertugas untuk membantu pengambilan keputusan. Dimana, BI akan membantu pengguna untuk mengambil keputusan berdasakan pada data yang telah disediakan. Teknologi yang dapat bekerja sama dengan BI adalah data warehouse yang bertugas untuk menganalisa data yang ada, lalu ada OLAP yang bertugas dalam memprosesan semua data yang ada, kemudia ada Data Mining bertugas pada bagian informasi untuk mengidentifikasi informasi yang berguna dari sekumpulan data yang ada, selanjutnya ada open data yang berfungsi untuk mempermudah agar data dapat diakses, digunakan, serta dikembangkan oleh semua orang dengan lebih mudah. BI sendiri berfungsi untuk akan membantu pengguna untuk mengambil keputusan berdasakan pada data yang telah disediakan.
       Arsitektur dari Data Warehose dapat dibedakan ke dalam tiga jenis, yaitu Central, Federated, dan Tiered. Berikut adalah penjelasannya.
 1.Central Datawarehouse Architecture
     Arsitektur data warehouse ini memiliki prinsip data yang terpusat, seluruh data dari client juga berasal dari tempat penyimpanan yang sama, dengan kata lain data tersebut data tersebut terpusat dalam satu tempat.Kekurangannya adalah data mengalami redundansi karena terpengaruh pada beban kerjanya. Keuntungan dari arsitektur ini adalah kemudahan dan kesederhanaanya dalam pengolahan data.

2.Federated Datawarehouse Architecture
     Arsitektur data warehouse ini memiliki prinsip data yang bersumber dari berbagai sumber data, di mana seluruh data client  dapat berasal dari berbagai macam data base yang ada, tergantung keperluan dan fungsinya. Kekurangan dari arsitektur ini adalah kerumitan dari sistem yang ada karena berasal dari banyak sumber data. Keuntungan dari arsitektur ini adalah gudang data dari sistem yang lebih terstruktur.

3.Tiered Datawarehouse Architecture
    Arsitektur data warehouse ini memiliki prinsip data tersebar pada sebuah gudang data atau gudang data yang bertingkat. Data yang ada hanya akan dikumpulkan atau dikurangi bergiliran melalui tingkatan-tingkatan dari gudang data yang ada.Kekurangannya terletak pada sulitnya dalam mengelola sistem dengan arsitektur seperti ini. Kelebihannya adalah dalam hal redundansi yang minim dan penyaluran data yang mudah.

Minggu, 13 September 2015

OLAP Dan OLTP

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Data Warehouse
Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT


OLAP Dan OLTP

OLTP (Online Transaction Processing)
      Online Transaction Processing atau sering dikenal dengan OLTP adalah sistem yang berorientasi proses yang memproses transaksi secara langsung melalui komputer yang terhubung dalam jaringan.
Misalnya biasa digunakan pada sebuah supermarket, kasir menggunakan mesin dalam proses transaksinya.OLTP mempunyai karakteristik beberapa user dapat creating, updating, retrieving untuk setiap record data, OLTP sangat optimal untuk updating data
.
       Desine database Desain dalam OLTP bersifat Entity Relational atau databasenya dinormalisasi dulu sebelum digunakan. Database untuk mendukung OLTP adalah database yang normal. Normalized dengan banyak table. OLTP mengunakan data model ER untuk melihat transaksi sebagai proses model yang tunggal dan sinormalisaionel untuk menjagaintegritas data. OLTP menjadi bentuk yg lebih mudah untuk di ambildan di analisis. rancangan OLTP mengharuskan perancangan logika tabel dan tipe query secara bersama-sama agar tabel tersebut dapat terakses dengan cepat.Fungsi aplikasi OLTP merupakan satu aplikasi yang berguna untuk mendukung operasional perusahaan sehari-hari


OLAP (Online Analytical Processing)
       Online Analytical Processing, atau disingkat OLAP adalah 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 analis. OLAP adalah bagian dari kategori yang lebih global dari pemikiran bisnis, yang juga merangkum hubungan antara pelaporan dan penggalian data.
      Aplikasi khusus dari OLAP adalah pelaporan bisnis untuk penjualan, pemasaran, manajemen pelaporan, manajemen proses bisnis (MPB), penganggaran dan peramalan, laporan keuangan dan bidang-bidang yang serupa. Istilah OLAP merupakan perampingan dari istilah lama database OLTP (Online Transaction Processing).Desine database yang di gunakan untuk mendukung OLAP adalah database yang denormalisasi. De-normalized dengan sedikit table dan menggunakan star / showflake schemas. olap menggunakan dimensional mode.



Sumber:
Derma,Andrey. 2013. “Mengenal OLTP dan OLAP” (http://andrey-derma.com/article/detail/32/Mengenal-OLAP-dan-OLTP) diakses pada 13 September 2015.
Wira, Adi. 2008. “Perbedaan OLTP dengan OLAP” (https://adiwira058.wordpress.com/2008/12/09/perbedaan-oltp-dengan-olap/) diakses pada 13 September 2015.
Dwi, Purwanto. 2013. “Apa Itu OLTP , ETL , OLAP dan  DataWarehouse?” (http://www.kompasiana.com/dhephe/apa-itu-oltp-etl-olap-dan-datawarehouse_552e1db26ea834f73d8b45b7) diakses pada 13 September 2015.

Senin, 01 Juni 2015

Optimalisai OTT dalam penyebaran (dalam bentuk video) even-even yang ada di kota Denpasar

Nama/Nim : I Made Ageng Suyasa/1304505117
MK : Integrasi dan Migrasi Sistem Jurusan/Fakultas/Universitas :Teknologi Informasi/Fakultas Teknik/Universitas Udayana
Dosen : I Putu Agus Eka Pratama, ST MT


Optimalisai OTT dalam penyebaran (dalam bentuk video) even-even yang ada di kota Denpasar