Dimensional

Design
Retail Store
4 Langkah Proses Desain Model
Multidimensi
1. Pilih proses bisnis yang akan dimodelkan
 Proses : aktivitas bisnis yang dilakukan di organisasi yang umumnya
didukung oleh sistem koleksi data
 Cara paling efektif memilih bisnis proses : dengarkan apa yang disampaikan
user
 Contoh bisnis proses : pembelian bahan baku, pesanan, pengiriman,
pembuatan invoice, penyimpanan, pembuatan struk
2. Tentukan grain (inti terkecil) dari proses bisnis tersebut
 Tentukan secara tepat apa yang digambarkan dalam setiap baris dari tabel
fakta
 Merupakan jawaban dari : “ Bagaimana anda menggambarkan satu baris
dalam tabel fakta ?”
 Contoh :
 satu baris Item barang dalam struk pembelian
 data harian level inventori suatu barang
 satu boarding pass untuk masuk ke pesawat
 gambaran bulanan untuk satu rekening bank
4 Langkah Proses Desain Model
Multidimensi(2)
3. Pilih dimensi-dimensi yang terkait dengan tabel fakta
 Menjawab pertanyaan: “Bagaimana pelaku bisnis menggambarkan
data yang dihasilkan dari bisnis proses ?”  produknya apa, kapan
dibelinya ?
 Contoh dimensi: date, produk, customer, lokasi, etc
4. Identifikasi fakta-fakta numerik
 “Apa yang kita ukur ?”
 Pengguna bisnis sangat tertarik menganalisa ukuran-ukuran
performansi suatu proses bisnis
 Semua kandidat ukuran harus sesuai dengan grain yang
didefinisikan di langkah no. 2
 Fakta umunya berupa angka. Contoh fakta: kuantitas pemesanan,
total biaya, etc
Studi Kasus
 Jaringan Grosir Besar, 100 toko grosir di lima propinsi
 Masing-masing toko mempunyai departemen/bagian :
grosir, makanan beku, daging, sayuran, roti, hasil
olahan susu, bunga, kesehatan/kecantikan
 Masing-masing toko punya kira-kira 60.000 produk.
Setiap produk diberi nomor SKU (stock keeping unit).
55.000 diantaranya disupply oleh dari luar yang ada
UPC (Universal Product Codes), 5000 sisanya adalah
produk dari departemen bunga, daging, roti, sayuran
sehingga tidak ada UPC-nya
1. Pilih Proses Bisnis
 Manajemen ingin mengerti secara lebih baik
pembelian yang dilakukan pelanggan sebagaimana
yang terekam dalam sistem POS (Point of Sales)
 Jadi, proses bisnis yang akan kita modelkan adalah :
“penjualan ritel POS”
 Data ini akan memungkinkan kita untuk
menganalisa produk-produk apa yang sedang ramai
terjual di toko mana, kapan dan dalam rangka
promosi apa
2. Tentukan Grain
 Tip : tentukan informasi yang paling atomic (kecil)
yang tidak bisa dibagi/dipecah lagi
 Dalam studi kasus ini, informasi yang paling kecil
adalah : item barang yang dibeli dalam suatu
transaksi (yang dicatat oleh sistem POS)
 Kenapa harus atomic?  Fleksibilitas yang
maksimum untuk proses analisa.
 Contoh : dengan informasi yang atomic, bisa
mengetahui perbedaan penjualan untuk suatu
produk antara jam 6.00 – 12.00 dan 12.00 – 18.00.
Ada 4 dimensi yang terkait dengan informasi
3. Pilih Dimensi
yang sudah ditentukan pada langkah 2 :
4. Identifikasi
 Ada
Fakta Numerik
tiga fakta yang diambil oleh sistem POS : sales quantity,
sales dollar amount, cost dollar amount
Atribut Tabel Dimensi Date
Contoh Tabel Dimensi Date
Atribut Tabel Dimensi Produk
Contoh Tabel Dimensi Product
Contoh Kegunaan Tabel Dimensi Produk
Contoh Laporan Sederhana

Contoh Kemampuan Drill Down – Brand Description

Atribut Tabel Dimensi Store
Atribut Tabel Dimensi Promosi
Contoh kasus query:
 Seorang pengguna bisnis mungkin tertarik untuk
mengetahui lebih dalam mengenai penjualan
mingguan (dlm dollar) berdasarkan promosi untuk
kategori snack selama Januari 2002 untuk semua
Store yang ada di District Boston
Retail Schema in Action
Result:
Hasil Query

Hasil Query dlm Cross-Tabular

Pengembangan Schema
Possibility of Snowflaking
Problem with Snowflaking
(Normalisasi Tabel Dimensi)
1. Gambaran yang terlalu kompleks, padahal salah satu tujuan
utama Denormalisasi Model Dimensi adalah
Kesederhanaan(Simplicity)
2. Terlalu banyaknya tabel dan juga proses Join yang harus
dilakukan menyebabkan performansi query yang lamban
3. Pengurangan Space Memory dengan normalisasi tabel
dimensi tidak signifikan
4. Snowflaking akan memperlambat kemampuan pengguna
untuk browsing (mencari informasi) dalam satu tabel
dimensi.

Browsing seringkali mencakup pembatasan satu atau lebih

atribut dimensi dan melihat nilai yang berbeda dari atribut
yang lain dengan adanya batasan tersebut.
Dengan browsing pengguna dapat memahami keterkaitan antar
atribut tabel dimensi