OLAP memiliki lima teknik yang dapat diringkas menjadi FASMI (Fast Analysis of Shared Multi-dimensional Information). Hal ini untuk memudahkan dalam memahami dan mengingatnya. Dan berikut adalah penjelasannya:
Fast
Sistem memiliki target untuk memberikan respon secepat mungkin pada pengguna menurut analisis yang dilakukan.
Analysis
Sistem mampu mengatasi berbagai logika bisnis serta analisis statistik yang relevan dengan aplikasi dan pengguna.
Shared
Sistem melakukan keseluruhan keperluan pengamanan data, yang mana apabila diperlukan banyak akses penulisan tentang data maka perlu disesuaikan dengan level pengguna. Karena tidak seluruh aplikasi memerlukan pengguna menulis data kembali, maka sistem harus bisa menyelesaikan multiple update dalam satu waktu dengan aman.
Multidimensional
Sistem harus memberikan conceptual view dari data secara multidimentional, baik full support hierarki maupun multiple support hierarki. Hal ini merupakan cara logis untuk melakukan analisis bisnis serta organisasi.
Information
Seluruh data serta informasi yang diperlukan dan relevan bagi aplikasi. Kapasitas produk OLAP tidak sama dalam menghandle input data, yang tergantung pada beberapa pertimbangan yaitu: duplikasi data, penggunaan disk space, penggunaan RAM, performance, integrasi terhadap data warehouse, dan sebagainya.
OLAP merupakan singkatan dari Online Analytical Processing, yaitu sebuah metode pendekatan yang menyediakan berbagai jawaban terhadap query analisis secara cepat. OLAP dapat mengumpulkan, menyimpan dan memanipulasi data multidimensi untuk tujuan analisis.
Pengertian OLAP Menurut Para Ahli
Menurut Turban, Sharda, Delen dan King (2011:77)
OLAP adalah kemampuan dari memanipulasi data secara efisien dari beberapa pandangan (perspektif). Struktur operasional utama pada OLAP berdasarkan pada konsep yang disebut cube (kubus). Cube dalam OLAP merupakan struktur data multidimensional (aktual/virtual) yang memungkinkan analisa data secara cepat. Susunan data pada cube berfungsi untuk mengatasi keterbatasan database relational. Database relational tidak sesuai untuk analisa secara cepat dari jumlah data yang besar, yang lebih sesuai adalah dengan memanipulasi record (dengan cara menghapus, menambahkan serta memperbaharui data) yang mewakili berbagai transaksi.
Menurut Scheps
OLAP adalah konsep data multidimensional dengan konsep menvisualisasi data transaksional perusahaan. OLAP tidak hanya mengagregasi data namun juga memiliki kemampuan pada sistem BI (Business Intelligence) untuk melihat data menggunakan cara baru.
Fungsi OLAP
Berikut adalah fungsi dari OLAP :
OLAP dapat meningkatkan produktivitas pengguna akhir pada bidang bisnis, pengembang IT serta keseluruhan organisasi. Pengawasan yang lebih, serta akses yang tepat waktu terhadap informasi strategis bisa menghasilkan pengambilan keputusan yang lebih efektif.
OLAP dapat menurunkan “backlog” pengembangan aplikasi untuk staf IT dengan cara membuat pengguna akhir bisa merubah skema serta membangun model sendiri.
Karakteristik OLAP
Mengizinkan bagi para pelaku bisnis untuk mempunyai pandangan logical serta multi dimensional terhadap data dalam data warehouse.
Memberi fasilitas pada analisis query secara interaktif dan kompleks bagi pengguna.
Mengizinkan pengguna dalam melakukan drilldown sehingga memperoleh rincian secara lebih jelas atau roll up untuk agregasi metric selama satu dimensi bisnis atau pun multi dimensi.
Mempunyai kemampuan untuk menyajikan perhitungan yang rumit serta perbandingan.
Menyajikan hasil dalam berbagai cara yang mempunyai arti dalam bentuk gambar maupun diagram.
Teknik OLAP
OLAP memiliki lima teknik yang dapat diringkas menjadi FASMI (Fast Analysis of Shared Multi-dimensional Information). Hal ini untuk memudahkan dalam memahami dan mengingatnya. Dan berikut adalah penjelasannya:
Fast
Sistem memiliki target untuk memberikan respon secepat mungkin pada pengguna menurut analisis yang dilakukan.
Analysis
Sistem mampu mengatasi berbagai logika bisnis serta analisis statistik yang relevan dengan aplikasi dan pengguna.
Shared
Sistem melakukan keseluruhan keperluan pengamanan data, yang mana apabila diperlukan banyak akses penulisan tentang data maka perlu disesuaikan dengan level pengguna. Karena tidak seluruh aplikasi memerlukan pengguna menulis data kembali, maka sistem harus bisa menyelesaikan multiple update dalam satu waktu dengan aman.
Multidimensional
Sistem harus memberikan conceptual view dari data secara multidimentional, baik full support hierarki maupun multiple support hierarki. Hal ini merupakan cara logis untuk melakukan analisis bisnis serta organisasi.
Information
Seluruh data serta informasi yang diperlukan dan relevan bagi aplikasi. Kapasitas produk OLAP tidak sama dalam menghandle input data, yang tergantung pada beberapa pertimbangan yaitu: duplikasi data, penggunaan disk space, penggunaan RAM, performance, integrasi terhadap data warehouse, dan sebagainya.
Demikian informasi singkat mengenai pengenalan OLAP. Semoga bermanfaat.
Mengizinkan bagi para pelaku bisnis untuk mempunyai pandangan logical serta multi dimensional terhadap data dalam data warehouse.
Memberi fasilitas pada analisis query secara interaktif dan kompleks bagi pengguna.
Mengizinkan pengguna dalam melakukan drilldown sehingga memperoleh rincian secara lebih jelas atau roll up untuk agregasi metric selama satu dimensi bisnis atau pun multi dimensi.
Mempunyai kemampuan untuk menyajikan perhitungan yang rumit serta perbandingan.
Menyajikan hasil dalam berbagai cara yang mempunyai arti dalam bentuk gambar maupun diagram.
OLAP adalah singkatan dari Online Analytical Processing yang merupakan suatu proses atau juga bisa disebut dengan sistem yang dirancang atau digunakan untuk melakukan permintaan terhadap data dalam bentuk yang kompleks dan menganalisa data yang bervolume besar seperti Data Warehouse. Maka dari itu OLAP seringkali disebut analisis data multidimensi.
Proses ini bekerja dengan data dalam bentuk multidimensi yang biasanya berbentuk 3 dimensi yang disebut kubus (cube).
OLAP biasanya digunakan untuk pengambilan suatu keputusan, misalkan sebagai contoh para top level di sebuah minimarket ingin melihat data transaksi perbulan, per 6 bulan atau bahkan per tahun. Proses ini untuk pengambilan keputusan barang apa saja yang paling laku dijual serta barang apa saja yang tidak laku di pasar, dikenal dengan istilah drill-down, slicing dan dicing.
Kelebihan OLAP
1. Penyimpanan pengawasan organisasi melalui integritas data koorporasi.
2. Meningkatkan hasil dan keuntungan secara potensial dengan mengizinkan organisasi untuk merespon permintaan pasar lebih cepat.
3. Meningkatkan produktifitas pemakai akhir bisnis, pengembang IT, dan keseluruhan organisasi. Pengawasan yang lebih dan akses tepat waktu terhadap informasi strategis dapat membuat pengambilan keputusan lebih efektif.
4. Mengurangi “backlog” pengembangan aplikasi bagi staf IT dengan membuat pemakai akhir dapat merubah schema dan membangun model sendiri.
5. Bergantung pada data warehouse dan sistem OLTP untuk memperbaharui sumber tingkatan data mereka.
Kekurangan OLAP
1. Tidak terdapat berfungsi untuk melakukan operasi pivot. Saat ini untuk melakukan operasi pivot dengan cara mengubah axis (baris dan kolom) dimensinya.
2. Aplikasi ini belum memiliki fungsi updating yang berguna pada saat terdapat data hotspot terbaru.
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
Transformation adalah proses dimana data mentah (raw data) hasil ekstrasi disaring dan diubah sesuai dengan kaidah bisnis yang berlaku. Transformasi merupakan proses mengubah data dari format operasional menjadi format data warehouse.
Contohnya seperti Agregasi, Konversi Format dan Fungsi Aritmatik
Terdapat 2 cara transformasi
* Fungsi level record, fungsi ini beroperasi pada sekumpulan record seperti file dan tabel melalui perintah selection, joinning, normalization dan aggreration
* Fungsi field level, yaitu mengubah data format dari suatu sumber record dalam format yang berbeda dalam record tujuan. Fungsi ini mempunyai dua tipe yaitu: Single Field dan Multi Field
Tahapan transformasi menggunakan serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan selanjutnya akan dimasukkan ke data warehouse. Berikut adalah hal-hal yang dapat dilakukan dalam tahapan transformasi:
Hanya memilih kolom tertentu saja untuk dimasukkan ke dalam data warehouse.
Menterjemahkan nilai-nilai yang berupa kode.
Mengkodekan nilai-nilai ke dalam bentuk bebas (Contohnya memetakan “Pria” dengan “P” dan “Wanita” ke dalam “W”).
Melakukan perhitungan nilai-nilai baru (Contohnya nilai = qty * harga_satuan).
Menggabungkan data secara bersama-sama dari berbagai sumber.
Membuat ringkasan dari sekumpulan baris data.
Men-generate nilai surrogate key.
Transposing atau pivoting (Mengubah sekumpulan kolom menjadi sekumpulan baris atau sebaliknya).
Memisahkan sebuah kolom menjadi berbagai kolom.
Menggunakan berbagai bentuk validasi data baik yang sederhana maupun kompleks.
Extraction Merupakan proses pengambilan data dari berbagai sumber yang digunakan untuk mengisi data warehouse. Tidak semua yang ada di data operasional dimasukkan, tetapi hanya untuk data yang dibutuhkan saja. Dalam tahap ini juga dilakukan proses pembersihan (cleansing) data sebelum ditransformasi
Dalam memproses data, setiap
professional pasti pernah melakukan ekstraksi
data dan konversi seperti yang dilakukan pada
sistem basis data. Ketika kita mengkoneksikan
sistem database dengan sistem operasional peranti
lunak. Dua factor penting yang membedakan
ekstraksi data dalam sistem operasi dengan
ekstraksi data dalam data warehouse, dalam data
warehouse data yang diekstraksi dapat dilakukan
perbagian, sedangkan dalam sistem operasi data
dikonversi dan diekstrak dalam sekali waktu.
Contohnya seperti Trigger, Timestamp dan File Compare
Contoh Timestamp : select * from orders where trunc(CAST(order_date AS date),'dd') = TO_DATE(SYSDATE,'dd,mm,yyyy');
Terdapat beberapa fungsi ekstraksi data, yaitu : - Ekstarsi data secara otomatos dari aplikasi sumber - penyaringan atau seleksi data hasil ekstraksi - Pengiriman data dari berbagai platform aplikasi ke sumber data - Perubahan format layout data dari format aslinya - Penyimpanan dalam file sementara untuk penggabungan dengan hasil ekstrasi dari sumber lain
Pada skema ini terdapat beberapa tabel fakta yang menggunakan satu atau beberapa tabel dimensi secara bersama-sama sehingga jika digambarkan akan terlihat seperti sekumpulan bintang. Skema ini juga dikenal dengan galaxy schema.
Contoh kasus pembuatan Skema Fact Constellation
Dari snowflake schema di atas, maka bias dibuat fact constellation schema pada gambar dibawah ini
Dalam skema ini, ada fact table di tengah dan di sekelilingnya terdapat dimension table.
Pasalnya, menurut microsoft, modelers atau para pemodel yang menggunakan skema tipe ini untuk data warehouse harus mengklasifikasi tabelnya hanya ke dalam dua jenis ini, yaitu dimension dan fact.
Komponen Struktur Star Schema
1. Fact table
Fact table atau tabel fakta berisi metrik proses sebuah bisnis.
Data yang dimuat dalam tabel ini harus bersifat numerik (dalam bentuk angka) dan bisa ditambah.
Apa pun data yang kamu miliki, pastikan bahwa data tersebut adalah kuantitatif. Misalnya, jumlah sesuatu.
Selain itu, wajib diperhatikan juga bahwa tabel fakta harus memuat hal-hal utama yang terkait dengan tabel-tabel di sekitarnya, yaitu tabel dimensi.
Seperti contoh yang sebelumnya diperlihatkan, hanya boleh ada satu tabel fakta dalam sebuah star schema.
Tabel ini umumnya memiliki jumlah baris yang tidak banyak.
Sementara, tabel dimensi bisa memuat jauh lebih banyak jumlah baris dan bisa terus ditambahkan dari waktu ke waktu.
2. Dimension table
Dimensions table atau tabel dimensi memuat informasi mengenai kapan, di mana, apa, dan lain-lain.
Berbeda dengan tabel fakta, tabel dimensi berisi informasi yang bersifat kualitatif.
Dalam sebuah star schema, bisa ada beberapa tabel dimensi sekaligus yang mengelilingi tabel fakta.
Namun, harus dipastikan bahwa semua informasinya terkait dengan apa yang dicantumkan dalam tabel fakta.
galaxy schema.
