Data multi dimensi dan Data Mart pada DWH

Multidimensional Database (MDB) didefinisikan sebagai “Varian dari model relasional yang menggunakan struktur multidimensional untuk mengatur data dan mengekspresikan hubungan antar data”. Dimana strukturnya dibagi menjadi kubus dan kubus didalamnya dapat menyimpan serta mengakses data dalam batas-batas yang telah ditetapkan. “Setiap sel dalam struktur multidimensi berisi data agregat yang berkaitan dengan unsur-unsur bersama masing-masing dimensi”. Karna Multidimensional ini merupakan data yang sangat besar, data ini digunakan untuk untuk analisis (menganalisa orientasi kepada pembuat keputusan), guna untuk mengintegrasikan sistem data laporan, mempercepat proses pelaporan dan mempermudah penyusunan data yang sangat besar.

Data multi dimensi (Multi Dimensional Data atau MDD) adalah model data fisik (Physical data Model) yang strukturnya dapat dilihat dari berbagai sudut pandang (dimensi), dengan tiga buah bagian (Record atau baris, Field atau kolom, dan layer), dengan objek – objek data multi dimensi di dalamnya, yang atributnya dibedakan menjadi atribut dimensi dan atribut pengukuran. dalam Data multi dimensi, jika direpresentasikan ke dalam bentuk koordinat, maka dapat ditunjukkan ke dalam tiga buah sumbu : X, Y, dan Z. 

Data Mart merupakan sub bagian dari Data Warehouse keseluruhan sebagai sebuah struktur data, yang di dalamnya memuat data, guna memudahkan pengguna akhir di dalam mengakses data dari Data Warehouse sesuai kebutuhan ataupun untuk analisa data.

Model Pengembangan Data Warehouse

Model pengembangan data warehouse terdapat :

• Model Pengembangan DW : Top Down Tanpa User Feedback 

Pada pemodelan jenis ini, karena tidak melibatkan User Feedback, maka aliran data sangat sederhana : berawal dari sumber – sumber data (Data Sources) yang selanjutnya diteruskan ke Data Warehouse setelah itu diteruskan (dipecah) ke dalam beberapa buah Data Mart. 

• Model Pengembangan DW : Bottom Up Tanpa User Feedback 

Model ini kebalikan dari Top Down di atas dan Sesuai dengan namanya, pengembangan dimulai dari bawah, di mana dua buah Data Mart atau lebih dibentuk dari data – data yang berasal dari berbagai sumber data (Data Sources). 

• Model Pengembangan DW : Paralel Tanpa User Feedback

Modifikasi dari model Top Down, namun Data Mart tidak sepenuhnya bergantung kepada Data Warehouse (dalam hal sumber data yang diperoleh). 

• Model Pengembangan DW : Top Down Beserta User Feedback

Sejumlah data dari berbagi sumber data membentuk Data Warehouse dan Data Warehouse menjadi pusat dari penggudangan data – data yang berasal dari berbagai sumber data tersebut. 

• Model Pengembangan DW : Bottom Up Beserta User Feedback

Dibentuk terlebih dahulu 2 Data Mart atau lebih, menggunakan data - data dari berbagai sumber data dan digunakan ETT (Extraction, Transformation, Transportation) untuk membantu pengumpulan data, ekstraksi data, transformasi ke format data yang disepakati bersama di dalam Data Mart, serta integrasi di level data itu sendiri.

• Model Pengembangan DW : Paralel Beserta User Feedback 

Data Warehouse mengagregasikan data, memuat fungsi koordinasi dan integratif untuk pengembangan ke depannya, termasuk juga manajemen data dan informasi kepada pengguna. .

Data Relasional vd Data Multi Dimensi
.Data Relasional atau Relational Data Modelling (RDM) dipandang sebagai bentuk hubungan antar data (melalui tabel) yang berelasi dalam struktur hirarkis dan berada pada 2 dimensi (baris dan kolom). .Ada 3 relasi yang dikenal :
1.One to one
2.One to many
3.Many to many

.Dalam pengembangan perangkat lunak, untuk database, digunakan desain pengembangan berupa Entity Relationship Management (ERD).

Data Multi Dimensi : OLTP, OLAP

Data multi dimensi tidak dapat lepas dari kebutuhan untuk mempermudah analisa data. .OLTP → On Line Transactional Data → tidak ada data historis, data – data transaksional, hanya untuk kebutuhan data dan informasi semata → data hanya dilihat terstruktur dalam 2 dimensi (baris, kolom). 

OLAP → On Line Analytical Data → berasal dari data – data transaksi (OLTP) dengan mengutamakan historis data → maka data perlu dilihat dari 3 atau lebih dimensi, untuk kemudahan analisa data. 

Slicing data atau pemotongan data berlapis – lapis, diasumsikan untuk mengambil data yang relevan untuk kebutuhan analisa.

Sumber :

• I Putu Agus Eka Pratama. Handbook Data Warehouse. Informatika. Bandung. 2017.