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).
Database yg dikonfigurasikan untuk pelayanan OLAP model data multidimensi, bisa digunakan untuk analisis komplek dan kueri khusus (ad hoc) dengan suatu laju waktu eksekusi. Mereka meminjam aspek database navigasi dan database hierarki yang lebih cepat daripada yang sefamilinya.
Nigel Pendse menyarankan suatu alternatif dan mungkin istilahnya lebih deskriptif yang menjelaskan bahwa konsep OLAP adalah Analisis Cepat dari Informasi Multidimensi yang dapat di-sharing (FASMI)
Keluaran dari kueri OLAP ditampilkan secara khusus dalam format matrik atau pivot. Dimensinya membentuk baris berupa ukuran dan kolom berupa nilai dari matrik.
Sunday, June 12, 2011
::: Kelebihan OLAP :::
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.
- Mengurang “backlog”pengembangan aplikasi bagi staf IT dengan membua tpemakai akhir dapat merubah schema dan membangun model sendiri.
- Penyimpana pengawasan organisasi melalui integritas data koorporasi sebagai aplikasi OLAP tergantung pada data warehouse dan sistem OLTP untuk memperbaharui sumber tingkatan data mereka.
- Mengurangi aktifita squery dan lalulintas jaringan pada sistem OLTP atau pada data warehouse.
- Meningkatkan hasil dan keuntungan secara potensial dengan mengizinkan organisasi untuk merespon permintaan pasarlebihcepat.
::: THE OLAP RULES :::
Pada awalnya, 12 aturan OLAP didefinisikan oleh Codd untuk mengkarakteristikan teknologi OLAP. Produk-produk OLAP cenderung menggunakan aturan ini.
12 aturan OLAP :
• Multidimensional model
• Transparency of the server
• Accessibility
• Stable access performance
• Client server architecture
• Generic Dimensionality
• Management of data sparsity
• Multi-user
• Operation on dimension
• Intuitive manipulation of data
• Flexible posting and editing
• Multiple dimensions and levels
12 aturan OLAP :
• Multidimensional model
• Transparency of the server
• Accessibility
• Stable access performance
• Client server architecture
• Generic Dimensionality
• Management of data sparsity
• Multi-user
• Operation on dimension
• Intuitive manipulation of data
• Flexible posting and editing
• Multiple dimensions and levels
::: Keterkaitan OLAP dengan Business Intelligence :::
OLAP merupakan kunci dari BI, yang digunakan untuk menganalisis data dan informasi yang pada akhirnya akan menjadi dasar basis Decision Support System (DSS) dan Expert Information System (EIS). Beberapa aktivitas yang dapat dilakukan melalui OLAP antara lain seperti : melalukan query, meminta laporan yang ad hoc, mendukung analisis statistik, analisis interaktif, serta membangun aplikasi multimedia.
OLAP merupakan proses komputer yang memungkinkan pengguna dapat dengan mudah dan selektif memilih dan melihat data dari sudut pandang yang berbeda-beda. Data pada OLAP disimpan dalam basis data multidimensi. Jika pada basis data relsional terdiri dari dua dimensi, maka pada basis data multidimensi terdiri dari banyak dimensi yang dapat dipisahkan oleh OLAP menjadi beberapa sub atribut.
Secara garis besar, kedudukan OLAP dalam implementasi BI dapat dilihat pada gambar di bawah ini :
OLAP merupakan proses komputer yang memungkinkan pengguna dapat dengan mudah dan selektif memilih dan melihat data dari sudut pandang yang berbeda-beda. Data pada OLAP disimpan dalam basis data multidimensi. Jika pada basis data relsional terdiri dari dua dimensi, maka pada basis data multidimensi terdiri dari banyak dimensi yang dapat dipisahkan oleh OLAP menjadi beberapa sub atribut.
Secara garis besar, kedudukan OLAP dalam implementasi BI dapat dilihat pada gambar di bawah ini :
::: OLAP DAN PENJADWALAN BERPRIORITAS :::
Berdasarkan algoritma penjadwalan berprioritas dibagi dua macam :
Algoritma ini dituntun untuk memenuhi kebijaksanaan tertentu yang menjadi tujuan sistem komputer.
- Statis, prioritas yang tidak berubah
- Dinamis, prioritas yang bisa diubah
Algoritma ini dituntun untuk memenuhi kebijaksanaan tertentu yang menjadi tujuan sistem komputer.
::: Tempat Penyimpanan OLAP :::
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.
Jadi HOLAP merupakan kombinasi atau "jalan tengah" antara keduanya dimana HOLAP akan menyimpan data precomputed aggregate pada media penyimpanan (storage) HOLAP sendiri.
Jadi Kesimpulan :
• 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.
Cara kerja MOLAP secara umum dibagi ke dalam dua tahap sebagai berikut :
- Tahap konstruksi dan populasi data, pada tahap ini sumber data akan dibaca, dilakukan perhitungan agegrasi (summary group) pada berbagai level dimensi, dan hasilnya akan disimpan di storage MOLAP. Jika objek data diperumpamakan dengan table, maka untuk satu cube akan banyak fragmen table yang isinya adalah detil agregasi dari level tertentu.
- Tahap query atau layanan permintaan data analisis, pada tahap ini OLAP Server akan melayani permintaan query dari client dan membaca data dari storage MOLAP. Table yang akan dibaca adalah suatu fragmen yang akan disesuaikan dengan permintaan dari client. Pada fase query ini, jika OLAP Server terputus dengan data source tidak apa-apa karena sudah tidak ada kaitannya.
• 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.
Cara kerja ROLAP secara umum adalah sebagai berikut :
- OLAP client mengirimkan query analisis ke OLAP Server.
- OLAP server akan melakukan pemeriksaan di cache apakah sudah bisa melayani permintaan query dari client tersebut, jika sudah akan dikirimkan.
- Jika pada cache belum terdapat data diminta, akan dilakukan query SQL ke data mart dan hasil eksekusinya disimpan di cache dan dikirimkan kepada client.
- Demikian seterusnya.
- Cache akan disimpan selama periode waktu tertentu dan akan dibersihkan total jika server dimatikan.
Keuntungan dari ROLAP ini adalah tidak memerlukan storage tambahan. Namun kelemahannya adalah jika data untuk suatu cube sangat besar (masif) maka performa pengambilan data akan cukup buruk.
• 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.
HOLAP hadir untuk mengatasi kelemahan dari ROLAP dan MOLAP, kelemahan tersebut adalah :
- Performa ROLAP tidak begitu baik karena agregasi selalu dilakukan ulang apabila cache sudah expired.
- Keterbatasan storage dari MOLAP jika digunakan untuk menyimpan kombinasi agregasi pada semua level.
Jadi Kesimpulan :
::: Karakteristik OLAP :::
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.
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.
Saturday, June 11, 2011
::: Kegunaan OLAP :::
Online Analytical Processing (OLAP) menawarkan metode analisis data secara kompleks dan terkustomisasi yang disesuaikan dengan kebutuhan akan informasi oleh para analis maupun eksekutif. Data yang dikelola oleh OLAP berasal dari data warehouse.Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut ini:
• 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.
Pola-pola tersebut kemudian dijadikan acuan oleh pengembang perangkat lunak pendukung pengambilan keputusan, termasuk pengembang database, untuk mengembangkan sistem berbasis OLAP. Fokus pengembangan OLAP-tools tersebut adalah untuk menyediakan analisis multidimensional dari data dengan berbagai variasi penyajian secara interaktif. OLAP-tools dirancang untuk bekerja dengan data mentah hierarchical, lalu mengelompokkannya dan meringkasnya ke dalam bentuk multidimensional.
Beberapa RDBMS terkemuka seperti Microsoft SQL Server dan Oracle telah menyatakan dukungan terhadap OLAP maupun data warehouse. Database engine yang OLAP-capable menawarkan fitur built-in berupa perintah-perintah maupun function khusus untuk menangani OLAP, seperti grouping, aggregating, summarizing, filtering, sorting, rangking, hingga membuat pivot tables.
Walaupun komite ANSI sudah lama memasukkan definisi OLAP-Function sejak dikeluarkannya standar SQL:99 ([ISO-99], sangat disayangkan MySQL hingga versi 5.0 belum merencanakan ketersediaan fasilitas OLAP-Functions. Namun masih ada pendekatan lain untuk menyajikan fitur OLAP untuk pengelolaan data dalam MySQL, dengan bantuan spreadsheet yang OLAP-capable seperti Microsoft Excel. Sebuah fitur yang sangat menarik untuk manajemen dan analisis data multidimensional dalam Microsoft Excel adalah PivotTables.
• 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.
Pola-pola tersebut kemudian dijadikan acuan oleh pengembang perangkat lunak pendukung pengambilan keputusan, termasuk pengembang database, untuk mengembangkan sistem berbasis OLAP. Fokus pengembangan OLAP-tools tersebut adalah untuk menyediakan analisis multidimensional dari data dengan berbagai variasi penyajian secara interaktif. OLAP-tools dirancang untuk bekerja dengan data mentah hierarchical, lalu mengelompokkannya dan meringkasnya ke dalam bentuk multidimensional.
Beberapa RDBMS terkemuka seperti Microsoft SQL Server dan Oracle telah menyatakan dukungan terhadap OLAP maupun data warehouse. Database engine yang OLAP-capable menawarkan fitur built-in berupa perintah-perintah maupun function khusus untuk menangani OLAP, seperti grouping, aggregating, summarizing, filtering, sorting, rangking, hingga membuat pivot tables.
Walaupun komite ANSI sudah lama memasukkan definisi OLAP-Function sejak dikeluarkannya standar SQL:99 ([ISO-99], sangat disayangkan MySQL hingga versi 5.0 belum merencanakan ketersediaan fasilitas OLAP-Functions. Namun masih ada pendekatan lain untuk menyajikan fitur OLAP untuk pengelolaan data dalam MySQL, dengan bantuan spreadsheet yang OLAP-capable seperti Microsoft Excel. Sebuah fitur yang sangat menarik untuk manajemen dan analisis data multidimensional dalam Microsoft Excel adalah PivotTables.
::: Sejarah OLAP :::
Konsep sistem penunjang keputusan dicetuskan oleh dua orang profesor dari Massachusset Institute of Technology (MIT) yaitu Anthony Gorry dan Michael Scott Morton pada tahun 1971. Sistem penunjang keputusan adalah suatu mekanisme bantu bagi middle-manager ke atas untuk mendapatkan model informasi, dan simulasi serta analisis statistik dalam situasi pengambilan keputusan yang semi-terstruktur.
Semakin kompleksnya pengembangan sistem-sistem informasi pemrosesan transaksional yang berevolusi ke arah Online Transactional Processing (OLTP) System, menimbulkan konsekuensi semakin rumit dan semakin banyak data maupun informasi yang harus dianalisis oleh pihak manajemen. Untuk itu dikembangkan suatu metode pengelolaan data dalam skala besar dengan membuat suatu data warehouse.Pada data warehouse, semua data disimpan dan diintegrasikan, termasuk riwayat data (historical data), untuk dimanfaatkan sebagai dukungan penganalisisan data dan pengambilan keputusan nantinya.
Cakupan sistem penunjang keputusan pun semakin berkembang untuk menyesuaikan kebutuhan analisis informasi yang juga semakin kompleks. Pada pertengahan dekade 1990, bersamaan dengan adopsi besar-besaran data-warehousing pada sejumlah perusahaan besar dunia, dikenalkan suatu teknik analisis penunjang keputusan yaitu OLAP, Online Analytical Processing.
Semakin kompleksnya pengembangan sistem-sistem informasi pemrosesan transaksional yang berevolusi ke arah Online Transactional Processing (OLTP) System, menimbulkan konsekuensi semakin rumit dan semakin banyak data maupun informasi yang harus dianalisis oleh pihak manajemen. Untuk itu dikembangkan suatu metode pengelolaan data dalam skala besar dengan membuat suatu data warehouse.Pada data warehouse, semua data disimpan dan diintegrasikan, termasuk riwayat data (historical data), untuk dimanfaatkan sebagai dukungan penganalisisan data dan pengambilan keputusan nantinya.
Cakupan sistem penunjang keputusan pun semakin berkembang untuk menyesuaikan kebutuhan analisis informasi yang juga semakin kompleks. Pada pertengahan dekade 1990, bersamaan dengan adopsi besar-besaran data-warehousing pada sejumlah perusahaan besar dunia, dikenalkan suatu teknik analisis penunjang keputusan yaitu OLAP, Online Analytical Processing.
::: Desain Konsep :::
Di dalam inti sebarang sistem OLAP merupakan konsep dari sebuah kubus OLAP (disebut juga sebagai kubus multidimesi atau hiperkubus) yang terdiri dari numeric fact yang disebut ukuran dan dikategorikan sebagai dimensi. Kubus metadata secara khusus terbuat dari sebuah skema bintang atau skema kristal salju dari tabel di dalam sebuah database yang berhubungan. Ukuran diturunkan dari rekord dalam fact table dan dimensi-dimensi yang diturunkan dari tabel-tabel dimensi.
Setiap pengukuran bisa dijadikan gagasan karena memiliki sebuah himpunan label, atau meta-data yang dihubungkan dengannya. Sebuah dimensi merupakan apa yang dijelaskan label-label ini; ia juga menyediakan informasi tentang ukuran.
Contoh sederhana untuk menjadikan kubus yang berisi penyimpanan sales sebagai ukuran dan tanggal/jam sebagai sebuah dimensi. Setiap penjualan memiliki label tanggal/jam yang menjelaskan lebih tentang penjualan itu.
Sebarang jumlah dimensi dapat ditambahkan ke struktur seperti penyimpanan, kasir, atau pelanggan dengan menjumlahkan sebuah kolom ke fact table. Bisa pula analis melihat ukuran sepanjang sebarang kombinasi dari dimensi-dimensi itu.
Contoh :
Setiap pengukuran bisa dijadikan gagasan karena memiliki sebuah himpunan label, atau meta-data yang dihubungkan dengannya. Sebuah dimensi merupakan apa yang dijelaskan label-label ini; ia juga menyediakan informasi tentang ukuran.
Contoh sederhana untuk menjadikan kubus yang berisi penyimpanan sales sebagai ukuran dan tanggal/jam sebagai sebuah dimensi. Setiap penjualan memiliki label tanggal/jam yang menjelaskan lebih tentang penjualan itu.
Sebarang jumlah dimensi dapat ditambahkan ke struktur seperti penyimpanan, kasir, atau pelanggan dengan menjumlahkan sebuah kolom ke fact table. Bisa pula analis melihat ukuran sepanjang sebarang kombinasi dari dimensi-dimensi itu.
Contoh :
Tuesday, May 31, 2011
::: Konsep OLAP :::
Nigel Pendse menyarankan suatu alternatif dan mungkin istilahnya lebih deskriptif yang menjelaskan bahwa konsep OLAP adalah Analisis Cepat dari Informasi Multidimensi yang dapat di-sharing (FASMI).
FAST berarti bahwa informasi yang akan dilakukan sangat cepat, untuk memproses data 1,000,000 transaksi hanya membutuhkan waktu +/- 2.5 menit dengan 10 dimensi dan 3 jenis ukuran.
ANALYSIS berarti bahwa system dapat mencakup 'Business Logic' dan data analisa statistik yang relevan dengan data-data yang tersedia.
SHARED berati bahwa system ini diimplementasikan dengan suatu system keamanan untuk menjaga kerahasiaan informasi. Sehingga setiap user dapat diatur sesuai kebutuhan.
MULTIDIMENSIONAL adalah suatu kunci kebutuhan terhadap penggunaan aplikasi OLAP. Setiap aplikasi ini harus selalu mengandung unsur multi dimensi.
INFORMATION adalah semua data dan turunan informasi yang dibutuhkan, dimanapun dan bagaimanapun data itu haruslah berhubungan dengan aplikasi.
Keluaran dari kueri OLAP ditampilkan secara khusus dalam format matrik atau pivot. Dimensinya membentuk baris berupa ukuran dan kolom berupa nilai dari matrik.
FAST berarti bahwa informasi yang akan dilakukan sangat cepat, untuk memproses data 1,000,000 transaksi hanya membutuhkan waktu +/- 2.5 menit dengan 10 dimensi dan 3 jenis ukuran.
ANALYSIS berarti bahwa system dapat mencakup 'Business Logic' dan data analisa statistik yang relevan dengan data-data yang tersedia.
SHARED berati bahwa system ini diimplementasikan dengan suatu system keamanan untuk menjaga kerahasiaan informasi. Sehingga setiap user dapat diatur sesuai kebutuhan.
MULTIDIMENSIONAL adalah suatu kunci kebutuhan terhadap penggunaan aplikasi OLAP. Setiap aplikasi ini harus selalu mengandung unsur multi dimensi.
INFORMATION adalah semua data dan turunan informasi yang dibutuhkan, dimanapun dan bagaimanapun data itu haruslah berhubungan dengan aplikasi.
Keluaran dari kueri OLAP ditampilkan secara khusus dalam format matrik atau pivot. Dimensinya membentuk baris berupa ukuran dan kolom berupa nilai dari matrik.
Subscribe to:
Posts (Atom)