IF Notes

OLTP ke OLAP

4 min read

Back to IF2240 Basis Data

Topic

Questions/Cues

  • Apa masalah model relasional untuk analisis?
  • Bagaimana ilustrasi kompleksitas query?
  • Apa perbedaan Operational Queries dan Analysis Queries?
  • Apa yang menjadi perhatian model multidimensional?

Reference Points

  • Slide 3-10 dari “21. IF2240-SemII_2425-m14-1-Introduction-to-Data-Warehouse.pdf”

Pemodelan Database untuk Itsy Bitsy (Sistem OLTP)

  • Itsy Bitsy adalah perusahaan e-commerce yang menjual berbagai barang dari berbagai penjual. Saat ini, mereka membangun database untuk mencatat penjual dan barang yang dijual. Kemudian, dikembangkan juga penyimpanan informasi pembeli dan pembelian.
  • Pemodelan Relasional (ER Diagram) Itsy Bitsy mencakup entitas-entitas berikut:
    1. Penjual:
      • Atribut: Nama (unik), kontak email, alamat, dan nomor telepon.
      • Alamat dipecah menjadi: nama_jalan, nama_kota, dan kodepos.
    2. Barang:
      • Atribut: id_barang (unik), nama, kategori, dan harga.
    3. Pembeli:
      • Atribut: id_pembeli, nama, dan alamat.
      • Alamat dipecah menjadi: nama_jalan, nama_kota, dan kodepos.
    4. Order (Pembelian):
      • Atribut: id_pembelian, tanggal_pembelian, dan total_harga (dijumlahkan dari harga masing-masing barang yang dibeli).
    5. Order_Item:
      • Mencatat setiap jenis barang yang dibeli dan kuantitasnya.
      • Atribut: urutan (mungkin nomor urut barang dalam satu order) dan kuantitas.

Hubungan Antar Entitas (Foreign Keys - FK)

  • Menjual: Relasi antara Penjual dan Barang.
    • Menjual(nama_penjual) → Penjual(nama)
    • Menjual(id_barang) → Barang(id_barang)
  • Order: Relasi antara Pembeli dan Order.
    • Order(id_pembeli) → Pembeli(id_pembeli)
  • Order_item: Relasi antara Order dan Barang.
    • Order_item(id_pembelian) → Order(id_pembelian)
    • Order_item(id_barang) → Barang(id_barang)

Kebutuhan Informasi untuk Tim Eksekutif (Analisis)

  • Tim eksekutif memiliki kebutuhan informasi yang berorientasi analisis untuk mengetahui tren dan membuat keputusan. Contoh pertanyaan:
    1. Berapa total penjualan barang setiap bulannya?
    2. Berapa rata-rata jumlah rupiah penjualan setiap bulannya?
    3. Penjual mana yang menjual barang terbanyak bulan ini?
    4. Di kota mana market terbesar dari perusahaan?
    5. Barang apa yang paling laku terjual?
  • Kebutuhan informasi ini melibatkan data dalam jumlah besar.

Masalah Penggunaan Model Relasional untuk Analisis (Transisi ke OLAP)

  • Jika model relasional tradisional (OLTP) digunakan untuk menjawab kebutuhan analisis ini, akan timbul beberapa masalah:
    1. Peningkatan kompleksitas query: Query menjadi sangat kompleks karena membutuhkan banyak join antar tabel untuk menggabungkan data dari berbagai entitas dan melakukan agregasi.
    2. Waktu eksekusi yang lama dan mengganggu proses operasional: Query analisis cenderung memproses data dalam jumlah besar, sehingga memerlukan waktu eksekusi yang lama. Hal ini dapat membebani sistem database operasional dan mengganggu kinerja transaksi harian.
  • Perbandingan Tipe Query:
    • Operational Queries:
      • Frekuensi: Tinggi (sering).
      • Karakter: Ringan / Sedang (memproses sedikit data per transaksi).
      • Contoh: Pencatatan order, pembaruan stok.
    • Analysis Queries:
      • Frekuensi: Jarang (seldom).
      • Karakter: Berat (memproses banyak data).
      • Contoh: Laporan penjualan bulanan, identifikasi penjual teratas.

Pendekatan Multidimensional (Pengantar)

  • Model multidimensional dimulai dengan observasi bahwa faktor-faktor yang mempengaruhi proses pengambilan keputusan adalah fakta-fakta spesifik perusahaan (misalnya, penjualan, pengiriman, penerimaan rumah sakit, operasi).
  • Instansi sebuah fakta sesuai dengan event yang terjadi. Contoh: setiap penjualan atau pengiriman yang dilakukan adalah sebuah event.
  • Setiap fakta dijelaskan oleh nilai-nilai dari serangkaian measure yang relevan yang menyediakan deskripsi kuantitatif dari event. Contoh: penerimaan penjualan, jumlah yang dikirim, biaya masuk rumah sakit, dan waktu operasi adalah measure.
  • Terminologi Kunci:
    • Dimensi (Dimension): Label subjek untuk baris atau kolom. Ini adalah sudut pandang untuk menganalisis data (misalnya, Waktu, Lokasi, Produk).
    • Member (Anggota): Nilai dari sebuah dimensi (misalnya, “Januari” adalah member dari dimensi Waktu).
    • Measure (Ukuran): Variabel kuantitatif yang disimpan dalam sel. Ini adalah nilai numerik yang ingin dianalisis (misalnya, jumlah penjualan, total harga).

Summary

Studi kasus toko online Itsy Bitsy menunjukkan pemodelan database relasional (Penjual, Barang, Pembeli, Order, Order_Item) yang optimal untuk operasi harian (OLTP), namun menghadapi masalah kompleksitas query dan performa yang lambat saat digunakan untuk analisis eksekutif (OLAP) yang membutuhkan agregasi data bervolume besar. Kebutuhan analisis ini mendorong transisi ke model multidimensional, yang berfokus pada fakta yang dideskripsikan oleh measures (nilai kuantitatif) dan dianalisis melalui berbagai dimensions (sudut pandang kategorikal) seperti Waktu atau Lokasi.

Graph View

Backlinks