I like Assalamualaikum warahmatullahi wabarakatuh m langsung aja di malam yang hujan ini bisa saya ingin share mengenai implementasi data Warehouse ya Jadi ada beberapa hal yang mungkin Secara pengalaman eh pernah saya implementasikan ya datawarehouse ini dengan teknologi-teknologi atau tools yang ada kaitannya lah dengan data w.ham lex Apa saja itu kita lihat terjadi berikutnya hai hai Hai Nah jadi data Warehouse ya Nah seperti yang kita tahu udah tahu haters itu kan adalah bentuk daripada data dimana data itu sudah mengalami proses ekstrak yang transform dawnload dari semua data yang terkait perusahaan atau organisasi baik itu data transaksional data dari sumber lain misalnya dari website atau dari teks berupa gambar juga bisa berupa video dan lain-lain Hai itu semua dilakukan integrasi gitu ya leluri lakukan ekstrak datanya lebih transform diubah dengan bentuk yang seragam dan diload digelar itu artinya dimasukkan kedalam Suatu data Warehouse Nah karena data waras ini bukan database transaksional gitu ya maka dia hanya bisa dibaca saja ya namun untuk membacanya itu tergantung daripada keputusan dari organisasi tersebut jadi nah datawarehouse ini memang sudah banyak implementasikan di organisasi-organisasi yang besar yang di company implementasinya dengan apa dengan database tentunya digigit tapi bukan database transaksional tradisi itulah bedanya datawarehouse dengan database transaksional yang lain nah makin kesini BTW kasih itu bukan hanya digunakan sebagai oleh dan kita tahu Atrium pernah saya jelaskan di video sebelumnya online Analytical Processing Setia oleh jadi tidak hanya diperuntukkan untuk Olla yaitu teknik olah data gimana nanti data itu bisa dipotong ya bisa dites sesuaikan dengan kebutuhan yang diinginkan oleh perusahaan tapi juga bisa dikembangkan lagi implementasinya ya Misalnya dengan decision support system nya data maining eyes kutip Information System dan lain-lain jadi data-data WH situ ketika dia sudah jadi gitu ya biar bisa diimplementasikan di banyak teknologi jadi tidak sebatas hanya oleh saja ya untuk analisis datanya Nah apa saja yang pernah saya implementasikan ibadatnya dengan data mental sini jadi ketika kita sudah memiliki suatu gudang data ya Suatu kumpulan kumpulan data dimana kita sudah menyusun skema skema nya ya gimana skema itu kita sudah dapatkan dari semua data yang dimaksudkan tadi ya data transaksional Lalu ada data organisasi terkait dia Departemen misalnya data dari web berupa teks gambar video dan lain-lainnya udah knack for download menjadi 21 datawarehouse maka guna datawarehouse itu selain oleh adalah sebagai berikut gitu ya yang pertama yang pernah saya terapkan itu adalah decision support system jadi pembuatan suatu aplikasi ketiak decision support system atau sistem pendukung keputusan nah sepi mungkin ini saya aja dengan asumsi bahwa teman-teman sudah tahu ya terjebak sistem itu adalah aplikasi yang seperti apa jadi dalam suatu organisasi diperlukan suatu sistem biasanya yang memang dipakai untuk mendukung keputusan jadi memang mendukung keputusan bukan mengambil keputusan ya kalau mengambil putusan itu tetap oleh manusianya nah disini hanya mendukung saja tentunya kalau kita sebagai pemimpin organisasi ingin mengambil suatu keputusan jadi maka kita memerlukan banyak sekali data agar keputusan yang kita ambil itu tidak salah dan objektif nah disitulah tujuannya decision support system itu dibuat nah secara implementasi decision support system bisa menggunakan suatu teknik ya teknik-teknik yang macem-macem lah ya ada namanya Hai lagi ngapa ya Lupa lagi ada yang namanya menggunakan hai eh apa ya pakai metode semacam metode statistik gitu ya Nah yang kita bisa pakai untuk mendukung keputusan nah metode nya nanti sehingga terlihat mati browsing yo yo yang paling banyak itu adalah HP ya metodenya Analytical graphical proses itu ya jadi metode ahp ini adalah suatu metode yang bisa kita pakai untuk membuat suatu decision support system metode lainnya itu ada awet produk atau web dan toksisitas ya atau ada yang saw juga itu semua adalah metode yang bisa kita implementasikan di decision support system Rindunya decision support system itu dari data yang disajikannya berupa kriteria jadi nanti akan ada Jati datawarehouse itu nanti akan diambil data berupa kriteria yg mana kriteria ini belum tentu satu atribut jadi bisa jadi kriteria yang dimaksud ini adalah hasil dari sudah bungan atribute misalnya yang diperlukan itu adalah umur misalnya nah umur itu kan kita tahu sebagai atribut bentukan ya dari tanggal lahir di sistem tidak pernah mencatat umur Karena umur itu biasanya didapat dari tanggal lahir nah artinya umur itu sendiri nanti akan digunakan untuk decision-support sayangnya kemudian tipe yang lain ya yang mungkin saja itu bukan suatu single atribut yang ada di database transaksional artinya boleh jadi dia adalah atribut yang sudah diolah menjadi suatu data Warehouse melalui ekstrak transform dan letak di ketiak lalu kriteria itu makan kita gunakan untuk mendukung keputusan tentunya Nah dari kriteria itu pasti akan ada alternatif solusi yang dikasih gitu ya jadi manusia nanti akan disuruh memilih beberapa alternatif pilihan yang mana solusi terbaik untuk eh kebutuhan yang diinginkan ya kasus standar itu biasanya pemilihan beasiswa aja deh itu ya Hai ada lima orang ya si ACDC side dan cie ingin eh ikut serta dalam pemilihan mahasiswa terbaik misalnya untuk mendapatkan beasiswa misalnya yang dipilih Hanya dua dari lima nah disitu kan berarti kan ada kriterianya ya Bisanya itu teori yang pertama IPK selalu keaktifan dalam organisasi nah Captiva dalam organisasi ini kan juga tidak bisa bukan merupakan single atribut ya keaktifan organisasi adalah atribut bentukan dari atribut yang lain misalnya Kak Ivan dalam organisasi itu maknanya adalah Jumlah dari organisasi yang pernah diikuti selama kuliah misalnya artinya itu kan adalah sumber dari semua organisasi atau kepanitiaan yang dia pernah ikuti kemudian gaji orang tua mungkin atributnya lalu usia orangtua atau usia pensiun biasanya ini usia pensiun itu kan didapatkan dari usia orangtua dengan dengan tanggal hari ini gitu ya terus dikurangi dengan jenis pekerjaannya kalau dia PNS misalnya berarti dikurangi dengan 58 nah jadi selisihnya itu adalah berapa tahun lagi dia orang tuanya akan pensiun itu dan seterusnya Nah dari kriteria yang banyak kita mungkin bisa 15/20 kriteria lalu dari lima alternatif ini tadi akan dipilih 2 Nah nanti decision support system biasanya akan mengurutkan mana yang jadi nomor 1 Nomor 2 Nomor 3 Nomor 4 dan nomor 5 kalau memang hanya diperlukan dua saja kita bisa memilih nomor 1 dan nomor 2 itu ya Nah ini biasanya hai eh dalam decision support system ya Eh ada atribut yang kita bisa ambil dari transaksional database tapi banyak atribut yang bisa kita ambil dari pengolahan data Warehouse ya karena atribut yang biasa dipakai itu adalah atribut yang refresentatif biasanya dan mungkin bukan atribut statis ya tapi atribut bentukan selalu yang ke-20 data maining nadatama ini juga Seven implementasikan dari tidak KWH sedia jadi di dalam data mining ini Hai yang memiliki tiga tujuan gitu ya bisa untuk memprediksi er memiliki dua tujuan utama nyeri bisa untuk mendeskripsikan sesuatu atau mendeskripsikan data yang kedua untuk prediksi nanti akan ada metode itu ya ada terdiri dari tiga tiga tipe ya 333 macam lah ya untuk dua hal itu ada klasifikasi ada asosiasi Lalu ada Cluster nanti masing-masing itu ada metode ini nadatama ini pun akan membutuhkan data yang banyak banget ya Banyak sekali dan itu semua kebanyakan bukan dari data transaksional ya Nah itu adalah data yang sudah diolah dalam data dalam bentuk data were halls Hai jadi dia bukan berasal dari dan transaksional dalam data mining juga atribut-atribut yang kita masuk ini gitu ya itu juga bisa jadi bukan single atribut tapi memang atribut bentukan yang sudah dikonstruksi sedemikian rupa untuk mewakili suatu tugas dari data main tapi ntar dia untuk prediksi atau dia untuk deskripsi ini memang lebih dan saya tetap mainin gini saya juga sering mengimplementasikan ini dalam bentuk peneliti penelitian gate telolet Om telolet adalah online yang digital Processing Ya gimana ini udah dijelaskan juga di materi video saya yang sebelumnya ya di sini bisa melakukan flashing ya bisa melakukan terapi data dan lain-lain lalu kita bisa olah dan kita bisa pilih mana data yang ingin kita pakai dan tidak dan mana dari multidimensional data itu yang mau kita analisa lalu yang ke berikutnya adalah eyes Gotik Information System nah es ini adalah aplikasi yang memang langsung mengakses Suatu data Warehouse jadi dia sifatnya the only nah eh ini adalah semacam aplikasi dashboard ya Jadi biasanya dalam satu layar aplikasi itu isinya itu grafis grafis macem-macem lah itu ya gratis misalnya jumlah karyawan saat ini jumlah karyawan aktif jumlah kalian laki-laki jumlah karyawan perempuan halo halo performansi pekerjaan itu nanti semuanya ada grafisnya itu juga biasanya dipakai untuk mendukung keputusan dan memonitoring biasanya ya dalam es Juga misalnya kita ingin melihat mana Karyawan Yang kok nggak naik-naik pangkatnya nih gedean Nah itu kita bisa tahu dari eyes ya karena di dalam dashboard itu nanti semua repot akan bisa kita tampilkan nah repotnya apa saja itu tergantung kita ingin mengambil data apa saja tentunya biasanya memang eyes itu adalah implementasi langsung dari data Warehouse ya jadi bukan cuma nolet ia bisa untuk eiga Nah itu bisa berbasis web desktop mobile ya Dan lain-lain ini mungkin factory juga dengan adanya eyes ini biasanya sih pengen pemimpin perusahaan itu tidak perlu lagi untuk meminta laporan ke Departemen terkait karena dia bisa mengkonstruksikan jadi laporan seperti apa yang dia inginkan hidup di dalam air sini hingga tidak hanya ada sport nanti dia is tapi ada laporan yang bisa dia rekonstruksi kan sendiri dalam bentuk apa yang dia inginkan Nah itu adalah eyes combinate bisnis analitik nah ini juga datang terus biasanya dipakai untuk bisnis analitik ya untuk menganalisa bisnis biasanya itu di akan bisa menampilkan apakah perusahaan itu rugi Selalu Untuk apakah untung untungnya berapa Oke dan lain-lain itu biasanya juga bisa dipakai kemudian bisnis intelijen juga menggunakan analisa bisnis menggunakan bantuan komputer tentunya untuk visit Legends ya Jadi ini biasanya menganalisa berbagai macam masalah yang ada pada bisnis hai menggunakan atribut akhir ini mirip-mirip dengan data main isi sebelumnya standardized Legend ini termasuk bagian dari pada data mining menjadi seperti itu ya ini biasanya hai menggunakan teknik-teknik ya teknik statistik regresi dan lain-lain berdasarkan data yang memang sudah diolah ya dari data dari daftar transaksional menjadi suatu data Warehouse karena memang the data was itu kan memang disiapkan untuk read only ya Dan kita bisa membuat atribut bentukan juga didata werehouse nah tribute bentukan yang dibuat datawarehouse itu kan sebenarnya adalah fakta yang mungkin sudah di olah Jadi bukan fakta mentah bukan rodata ya bisa data mentah lagi itu bisa dimasukkan ke Dolby simplygon namun memang kita harus tahu dulu permasalahannya apa ya selalu customer relationship management aplikasi untuk mengelola hubungan antara organisasi dengan customer tentunya dan customer itu kan kita jaga dia nah dia harus Royal dia Nah kalau enggak loyal gimana gitu ya karena ada treatment kita harus berikan untuk customer yang tidak loyal ya macam-macamnya bisa promo bisa dan lagi satpam osibisa diskon bisa Apapun lah ya Ya kita bisa berikan ke customer kemudian nanti ada keluhan-keluhan naik dan customer relationship management ini sebenernya bisa menggabungkan teknik data mining tadi itu ya misalnya untuk memprediksi Apakah customer yang loyal itu suatu saat Mekkah akan ada customer Yang beralih dari produk yang kita jual itu kita sebut sebagai Chen manajemen itu hujan manajemen detection dan lain-lain menjadi data Warehouse itu nanti akan berguna untuk menggambarkan semua gambaran dari customer bisa Giant dari history belanjanya ketemu hari agenda customer yang memang loyal pembeliannya itu Emang sering gitu ya dan dia mengikuti semua event-event yang kita selenggarakan dan lain-lain mungkin ada aplikasi supply chain management Nah di sini juga eh biasanya lebih kearah transaksional kalau SCM ya jadi pergerakan barang dari hulu ke hilir dari barang mentah menjadi barang jadi biasanya nah tetapi rasa sendiri biasanya nanti di ujung ya dibentuk dalam bentuk laporannya biasanya itu dipakai Jadi nanti dikonsumsikan dalam bentuk laporan itu bisa untuk prediksi-prediksi yang digunakan lah beratnya misalnya selama lima tahun kita selalu mensuplai barang mentah sekian buah itu tahun depan itu nanti gimana gitu ya Apakah tetep sekian yang sama dengan tahun sebelumnya atau bisa dikembangkan menjadi lebih baik lagi Lalu ada noise management system ini juga biasanya bisa diimplementasikan bersama dengan data Warehouse karena keenness ini Tujuannya adalah untuk santai untuk Untuk penyamaan persepsi bisa Aditya dalam organisasi Kemudian untuk Sharing materi juga bisa gitu ya Ma dan lain-lain langsung sicms ini banyak Nanti datawarehouse bisa terkait dengan KMS dari sisi repot misalnya kemudian bisa juga nanti KMS Itu dari sisi prediksi bisa juga dari sisi deskripsi ke data mining juga bisa gitu ya kemudian ada expert system Hai nah ekosistem ini biasanya aplikasi yang yang dibuat untuk menggantikan 0s ya atau kemampuan dari sisi expert ya aplikasi-aplikasi seperti itu mungkin sudah banyak bertebaran sekarang misalnya kayak aplikasi-aplikasi dokter gitu ya Misalnya ada ciri-ciri kan biasanya kan export yang kita Sebelum sport itu adalah orang yang memiliki ilmu gitu ya dalam suatu bidang nah ekosistem itu bisa menggantikan orang jadi orang diganti dengan perangkat lunak misalnya disuruh masukin gejala-gejala penyakit nya Apaan misalnya kita masukin ada 10 gejala oh eh mungkin penyakit Anda adalah demam berdarah misalnya itu adalah subsistem tuh Iya nah ini juga akan melibatkan data Warehouse dalam membentuk dan mengkonstruksi dari expert system itu dia Hai rencananya bisa macam-macam bisa menggunakan data mining juga gede atau bisa menggunakan yang ini lho yang persamaan sifat semangka lupa itu istilahnya apa yang persamaan ini persamaan-persamaan ciri gitu ya cuma saya lupa Itu namanya apa misalnya gini Saya suka makan bakso dan minum tsst manis bisanya teman saya suka makan bakso sama es teh manis juga nah kemungkinan besar teman saya yang satu lagi kalau dia suka banget dia makan bakso Kemungkinan dia bakal makan es teh manis juga artinya kalau misalnya akan merekomendasikan sesuatu misalnya Pak eh eh Hai game rekomendasi itu recommended system ya jadi salah itu rekomendasi itemnya sharekomik sistem sebenarnya masuk juga ke dalam implementasi data Warehouse ya Jadi tadi seperti contoh yang tadi apabila dia memesan bakso otomatis kita bisa merekomendasikan dia es teh manis minumannya itu recommender system ya bukan expert salah saya sudah malam nih udah ngantuk saat ini nah tapi ini saya lupa masukin itu recommended system requirements termasuk tuh kayak gini netflix netflix itu kan biasanya kalian menentukan profil kalian ya kalau itu suka film apa sih Tentukan tiga yang ini es ditentuin tapi dia akan merekomendasikan film yang cocok dengan kalian apa berdasarkan apa berdasarkan apa yang teman-teman masukkan diawali dia Lalu berdasarkan histori yang teman-teman nonton nabi akan merekomendasikan film-film yang cocok dengan pilihan teman teman Nah itu rekomendasi sistem tuh nah itu dia biasanya menggunakan data Warehouse juga air dalam menghimpun datanya kemudian ada activision Network ini adalah salah satu varian dari artificial intelegent fungsinya macem-macem ya untuk sendiri untuk ammt fungsinya macam-macam nah ini juga bisa melibatkan datawarehouse sebenernya dari sisi inisialisasi data preparation nya Itu bisa Ya karena sejatinya data Wheels itu merupakan data yang sudah tetapi belum tentu bersih ya kalau datawarehouse itu datanya sudah terbentuk dengan baik gitu ya karena atributnya tadi bisa jadi bukan hanya atribut single atribut yang hanya diambil dari data transaksional tapi bisa atribut bentukan gitu ya tapi juga ini dia sudah memang merupakan apa yang merupakan semacam fakta yang dikumpulkan dan itu siap diolah itu nanti nggal nanti baik hnm ya atau data mining Dan lain-lain itu membutuhkan data yang bersih ya yang tidak ada error tidak ada noise dia marah noise detection pun bisa dilakukan gitu ya Selama proses ekstrak transfer download itu terjadi jadi yang noise noise itu bisa lebih transformasikan menjadi bentuk yang lebih halus Kanada ekstrak ada Transformer download ya transform itu tidak hanya merubah bentuk Tapi dia bisa merubah sedikit merubah sifat sih gitu ya terhadap beberapa tools yang mungkin kita bisa pakai untuk itu kan biasanya gini kalau ekstrak itu kan nantinya Dia mengakses semua data dari database dari data teks dan lain-lain lalu ditransformasi in ke bentuk yang sama gede ya jadi misalnya kita punya produk ya kata-kata itu TV lalu tanda gambar TV nah itu gambar TV itu mewakili produk kita atau tidak jadinya Jadi dia akan melakukan suatu proses transformasi Nah bisa juga ditransfer mitu dia juga melakukan suatu proses akses hai eh apa ya Saya lupa istilahnya proses untuk mendeteksi noise lah jadi kalau ada noise bisa juga di hendel diproses langsung itu lalu kemudian lot itu adalah memasukkan semua hasilnya ke datawarehouse nya menggunakan skema yang udah diperkenalkan sebelumnya ya bisa start atau bisa snowflake dan lain-lain jadi itu yang bisa saya share mengenai permentasi mengembang yang melibatkan datawarehouse dia jadi kebanyakan memang aplikasi yang melibatkan dataware itu adalah aplikasi yang sifatnya implementatif yang melibatkan suatu pengambilan keputusan bagi organisasi itu secara umum Mutia Nah makanya di beberapa pertemuan di berapa video ya atau di beberapa komentar-komentar saya terkait dengan data Warehouse itu memang disertai fakta-fakta yang ada anda bahwa perusahaan yang mengimplementasikan datawarehouse itu bisa bertahan lama lebih bisa long lasting lah umurnya daripada yang tidak karena memang semua fakta itu diolah dengan komputer jadi data well kesini nggak akan ada kalau nggak ada komputer ya apalagi DSS datamining ya akhi exposition dan lari tunggakan mungkin ada kalau komputer tidak ada Jadi enggak perkembangan teknologi yang bisa digunakan oleh perusahaan itu udah eh ada yang sebagian udah mecer siap pakai ada yang mungkin masih masuk ke fase penelitian atau riset gitu ya Namun bukan berarti riset itu tidak bisa dipakai saja dia namun dengan segala keterbatasannya jadi itu yang saya bisa share mengenai implementasi data Warehouse dan diantara ini adalah eh Hai yang memang pernah saya implementasikan Ya baik di dalam suatu perusahaan karena saya juga memiliki pengalaman sebagai software developer at McD di bagian tim lah ya di software developer ia pernah jadi programmer pernah juga yang bukan jadinya nah lalu di pelitian juga saya pernah untuk membuat beberapa hal ini seperti itu kira-kira akhir jadi memang datawarehouse itu secara implementasi sangat luas ya namun kalau kita hubungkan dengan organisasi biasanya itu memang digunakan untuk mendukung suatu pengambilan keputusan bagi organisasi itu Oh ya untuk menentukan strategi bagi organisasi itu seperti apa ini kedepannya Nah karena semuanya adalah fakta dan fakta itu diolah dengan baik dengan beberapa tools yang ada ini maka kemungkinan apabila kita mengikuti apa mengikuti hasil yang diolah dari itu sini itu kemungkinan memang perusahaannya bisa berumur panjang mungkin kalaupun nanti ada permasalahan yang mereka sajikan ya dari beberapa tools ini permasalahan yang ada itu memang tepat terjadi karena memang atau sini menganalisanya dari data ya seperti data maining aja kita akan melihat suatu proses Cluster data gitu ya di mana nih yang merupakan outlier Mana nih yang merupakan problem karena dia memang dari data maka deskripsi data yang ditampilkan oleh data mining di klasik di klub di Cluster gitu ya itu memang adalah hasil yang kita bisa simpulkan deh karena dari fakta yang ada di beneran fakta bukan dari pencernaan atau pepaya perkiraan Apa itu Bahasanya jadi seperti itu jadi memang Ya seperti itulah ya salah satu implementasi salah banyak yaitu mentasi dari data Warehouse ya kayak gitu saja mungkin dari saya itu adalah representasi data bakal sesuai dengan pengalaman saya aja itu ya mungkin ada yang berpengalaman Lebih Dari saya itu bisa sharing ya Eh saja ya terima kasih Lebih dan kurang saya mohon maaf saya pamit Wassalamualaikum ini wabarakatuh