Definisi OLAP

OLAP (Online Analytical Processing) adalah teknologi yang memproses data di dalam data warehouse dalam struktur multidimensi, menyediakan jawaban yang cepat untuk query analisis yang kompleks.

Istilah OLAP sendiri baru muncul pada tahun 1993, diperkenalkan oleh E. F. Codd yang merupakan bapak relational databases. OLAP menurut Codd didefinisikan sebagai sintesis dinamik, analisis dan konsolidasi dari data multidimensional yang sangat besar. 

OLAP didefinisikan oleh Nigel Pendse sebagai Fast Analysis of Shared Multidimensional Information, artinya :

• FAST berarti sistem ditargetkan untuk memberikan response terhadap user dengan  secepat mungkin, sesuai dengan analisis yang dilakukan.
• ANALYSIS,  berarti sistem dapat mengatasi berbagai logika bisnis dan analisis statistik yang relevan dengan aplikasi dan user, dan mudah
• SHARED,  berarti sistem melaksanakan seluruh kebutuhan pengamanan data, jika dibutuhkan banyak akses penulisan terhadap data, disesuaikan dengan level dari user. Tidak semua aplikasi membutuhkan user untuk menulis data kembali. Sistem harus dapat meng-handle multiple update dalam satu waktu secara aman.
• MULTIDIMENSIONAL,  berarti sistem harus menghasilkan conceptual view dari data secara multidimensional, meliputi full support untuk hierarki dan mutiple hierarki. Hal ini merupakan cara yang logic untuk menganalisis bisnis dan organisasi.
• INFORMATION,  adalah semua data dan informasi yang dibutuhkan dan relevan untuk aplikasi. Kapasitas produk OLAP berbeda untuk menghandle input data tergantung beberapa pertimbangan meliputi duplikasi data, RAM yang dibutuhkan, penggunaan disk space, performance, integrasi dengan data warehouse, dan lainnya.

Kemampuan OLAP 

• Konsolidasi atau rollup Melibatkan pengelompokkan data. Misalnya kantor-kantor cabang dapat dikelompokkan menurut kota atau bahkan provinsi. Kemudian transaksi penjualan dapat ditinjau menurut tahun, bulan, semester dan sebagainya.
• Drill-Down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi, yang memungkinkan data diringkas dijabarkan menjadi data yang lebih detail.
• Scicing dan Dicing (atau dikenal dengan istilah pivoting) menjabarkan pada kemampua untuk melihat data dari berbagai sudaut pandang, misalnya melihat data dari dimensi a dan dimensi b saja. 

Data Cube
Adalah representasi kumpulan data dalam multidimensi. Contoh:

Gambar #1 : Data Cube

Tabel Fakta dan Tabel Dimensi
Tabel Fakta merupakan tabel utama pada cube, terdapat 2 tipe kolom, yaitu kolom nilai-nilai dan kolom yang akan menyimpan foreign key dari tabel-tabel dimensi. Tabel ini jika digambarkan berupa suatu tabel yang panjang namun sangat kecil. Sedangkan tabel dimensi adalah tabel yang berelasi dengan tabel fakta, disinilah data-data yang sebenarnya termuat.

Star Schema dan Snowflake Schema
Star Schema merupakan skema paling sederhana dan mudah dipahami. Suatu tabel fakta merupakan pusat dari skema yang dikelilingi oleh beberapa tabel dimensi sebagai cabang dari tabel fakta, sehingga jika digambarkan akan kelihatan seperti bintang (Gambar #2)

Gambar #2 : Star Schema

Snowflake Schema merupakan skema yang lebih kompleks. Terjadi jika dilakukan normalisasi untuk menghindari redudancy data. Dari Star Schema di atas, dimensi Location dan Item dapat dibuat dimensi lagi yang tidak mengarah pada tabel fakta (Gambar #3)

Gambar #3 : Snowflake Schema

Gudang Data a.k.a Data Warehouse

pertama kali dengar, agak aneh juga sih, data kok digudangin..? di sini akan dijelaskan definisi, arsitektur dan karakteristik dari Data Warehouse.

Definisi

menurut W.H Inmon (bapaknya gudang data nih)

Data Warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management.

Data Warehouse merupakan suatu database, tempat penyimpanan data, namun disini ukurannya harus besar karena datanya tetap (tidak boleh dihapus) tetapi akan bertambah terus. Data-data tersebut dapat berasal dari berbagai sumber data dan digunakan untuk membantu proses pengambilan keputusan oleh manajemen.

Arsitektur

1. Arsitektur Data Warehouse: Basic

#gambar1:  Arsitektur Gudang Data : Basic

pada gambar di atas, menunjukkan arsitektur sederhana dari data warehouse. User dapat lagsung mengakses data yang diambil dari beberapa source melalui gudang data.

2. Arsitektur Data Warehouse: menggunakan Staging Area

#Gambar2: Arsitektur Data Warehouse : menggunakan staging area

Arsitektur gudang data menggunakan staging area dapat menyederhanakan proses pembuatan summary dan management warehouse secara umum. data akan dibersihkan dan diproses sebelum dimasukkan ke dalam data warehouse.

3. Arsitektur Data Warehouse: menggunakan Staging Area dan Data Marts

#Gambar3: Arsitektur Data Warehouse : menggunakan staging area dan data marts

pada #Gambar3, mengilustrasikan dimana data pembelian, penjualan, dan penyimpanan dipisahkan, sehingga akan memudahkan seorang analis dalam menganalisis data penjualan bulan tertentu atau dalam jangka waktu tertentu. 

Karakteristik

Karakteristik Data Warehouse, diantaranya:

1.     Berorientasi subject, artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi, bukan pada proses atau fungsi aplikasi tertentu. Misalnya pada suatu perusahaan, maka akan fokus pada subject-subject tertentu, seperti karyawan, barang, atau produsen. 

2.     Integrated (Terintegrasi), dapat menyimpan data-data yang berasal dari sumber-sumber yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.

3.    Time Variant, Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada rentang waktu tertentu. Data warehouse fokus pada perubahan-perubahan yang terjadi dalam jangka waktu tertentu, sehingga dapat menemukan suatu pola-pola yang tersembunyi dalam suatu hubungan bisnis.

4.   Non-Volatile, data bersifat tetap, artinya data yang masuk tidak dapat diubah tetapi hanya bersifat read-only dan hanya dapat ditambakan.

5. Volume besar, karena data lama tetap berada dalam data warehouse dan akan terus bertambah, maka diperlukan volume yang sangat besar untuk data warehouse.

6.     Not Normalized, data redundant atau duplikasi data. Karena berorientasi subjek, maka akan fokus pada subjek-subjek tertentu. Dalam histori penjualan misalnya, data penjualan bawang merah bisa menghasilkan banyak row, dari penjualan bawang merah pada mulai januari, februari, dan seterusnya.

7. Summarized, data operasioal dikumpulkan (diringkas) kemudian dimapping kedalam format untuk pengambilan keputusan.

8.   Metadata, data mengenai data yang disimpan untuk user dan personil gudang data.

9.   Data Sources, data berasal dari sumber internal (dalam suatu instansi) maupun eksternal (internet)

sumber:
http://download.oracle.com/docs/cd/B28359_01/server.111/b28313/concept.htm