---

🟢 1. Pendahuluan Arsitektur Data Warehouse

📌 Pengertian Arsitektur Data Warehouse

Arsitektur Data Warehouse adalah struktur atau rancangan sistem yang menggambarkan bagaimana data dikumpulkan, diproses, disimpan, dan digunakan untuk kebutuhan analisis dan pengambilan keputusan.

Arsitektur ini menjelaskan:

• sumber data,
• proses integrasi data,
• penyimpanan data,
• analisis data,
• hingga visualisasi informasi.

---

🔍 Narasi

Dalam organisasi modern, data berasal dari banyak sistem:

• aplikasi akademik,
• keuangan,
• HRD,
• e-commerce,
• media sosial,
• IoT.

Tanpa arsitektur yang baik, data akan:

• tersebar,
• sulit dianalisis,
• tidak konsisten,
• lambat diproses.

Karena itu dibutuhkan arsitektur Data Warehouse yang terstruktur agar data dapat menjadi informasi strategis.

---

🖼️ Ilustrasi Konsep Arsitektur Data Warehouse

7

---

🟢 2. Tujuan Arsitektur Data Warehouse

📌 Tujuan Utama

Arsitektur Data Warehouse dibuat untuk:

• Mengintegrasikan data dari berbagai sumber
• Menyediakan data historis
• Mendukung Business Intelligence
• Mempercepat analisis data
• Mendukung pengambilan keputusan
• Menjamin konsistensi data
• Menyediakan skalabilitas sistem

---

🔍 Narasi

Bayangkan sebuah universitas memiliki:

• sistem akademik,
• sistem keuangan,
• sistem e-learning,
• sistem perpustakaan.

Jika pimpinan ingin melihat:

• performa mahasiswa,
• tingkat pembayaran,
• aktivitas belajar,

maka semua data harus disatukan dalam satu arsitektur yang saling terhubung.

---

🟢 3. Komponen Utama Arsitektur Data Warehouse

📌 Komponen Utama

Arsitektur Data Warehouse terdiri dari:

1. Data Source
2. ETL Process
3. Staging Area
4. Data Warehouse Database
5. Data Mart
6. OLAP Server
7. Business Intelligence Tools

---

🖼️ Diagram Komponen Data Warehouse

7

---

🟢 4. Data Source

📌 Pengertian

Data Source adalah sumber data utama yang digunakan dalam Data Warehouse.

---

🟡 Jenis Data Source

📌 Internal Source

Data dari dalam organisasi:

• Sistem akademik
• ERP
• CRM
• HRD

📌 External Source

Data dari luar organisasi:

• API
• Media sosial
• Data pemerintah
• IoT

---

🔍 Narasi

Data source biasanya memiliki format berbeda:

• SQL database
• Excel
• CSV
• JSON
• XML

Karena itu diperlukan proses integrasi data.

---

📊 Tabel Contoh Data Source

Sumber Data	Jenis Data
Sistem Akademik	Nilai mahasiswa
Keuangan	Pembayaran
E-Learning	Aktivitas belajar
Website	Statistik pengunjung
IoT	Sensor perangkat

---

🟢 5. ETL (Extract, Transform, Load)

📌 Pengertian ETL

ETL adalah proses utama dalam Data Warehouse.

---

🟡 5.1 Extract

📌 Penjelasan

Proses mengambil data dari berbagai sumber.

---

🔍 Narasi

Data diambil dari:

• MySQL
• PostgreSQL
• Excel
• API
• Cloud Storage

---

🟡 5.2 Transform

📌 Penjelasan

Proses membersihkan dan mengubah data.

---

🔍 Narasi

Contoh transformasi:

• Menghapus data duplikat
• Menyamakan format tanggal
• Mengubah kode jurusan
• Mengisi missing value

---

🟡 5.3 Load

📌 Penjelasan

Proses memasukkan data ke Data Warehouse.

---

🖼️ Diagram ETL

7

---

🟢 6. Staging Area

📌 Pengertian

Staging Area adalah tempat sementara sebelum data masuk ke Data Warehouse.

---

🔍 Narasi

Data mentah tidak langsung masuk ke warehouse karena:

• belum bersih,
• belum valid,
• belum terintegrasi.

Staging digunakan untuk:

• validasi,
• transformasi,
• cleansing,
• integrasi.

---

📊 Fungsi Staging Area

Fungsi	Penjelasan
Data Cleaning	Membersihkan data
Data Validation	Validasi data
Data Integration	Penggabungan data
Temporary Storage	Penyimpanan sementara

---

🟢 7. Data Warehouse Storage

📌 Pengertian

Merupakan pusat penyimpanan data terintegrasi.

---

🔍 Narasi

Data disimpan dalam bentuk:

• historis,
• terstruktur,
• siap dianalisis.

Biasanya menggunakan:

• SQL Server
• Oracle
• PostgreSQL
• Snowflake
• BigQuery

---

🖼️ Ilustrasi Penyimpanan Data Warehouse

8

---

🟢 8. Data Mart

📌 Pengertian

Data Mart adalah bagian kecil dari Data Warehouse berdasarkan divisi tertentu.

---

🔍 Narasi

Contoh:

• Data Mart Akademik
• Data Mart Keuangan
• Data Mart SDM

Tujuannya:

• mempercepat analisis,
• mempermudah akses data,
• fokus pada kebutuhan departemen.

---

📊 Tabel Jenis Data Mart

Jenis	Penjelasan
Dependent	Berasal dari DW utama
Independent	Berdiri sendiri
Hybrid	Gabungan keduanya

---

🖼️ Diagram Data Mart

6

---

🟢 9. OLAP (Online Analytical Processing)

📌 Pengertian

OLAP digunakan untuk analisis multidimensi.

---

🔍 Narasi

OLAP memungkinkan pengguna:

• melihat data dari berbagai sudut,
• membuat dashboard,
• menganalisis tren.

---

🟡 Operasi OLAP

📌 Roll-Up

Merangkum data.

📌 Drill-Down

Melihat detail data.

📌 Slice

Memilih satu dimensi.

📌 Dice

Memilih beberapa dimensi.

📌 Pivot

Memutar tampilan data.

---

🖼️ Diagram OLAP Cube

6

---

🟢 10. Business Intelligence (BI)

📌 Pengertian

Business Intelligence adalah teknologi analisis dan visualisasi data.

---

🔍 Narasi

BI digunakan untuk:

• dashboard,
• laporan,
• grafik,
• KPI,
• analitik bisnis.

Contoh tools:

• Power BI
• Tableau
• Looker Studio

---

🖼️ Dashboard Business Intelligence

7

---

🟢 11. Jenis Arsitektur Data Warehouse

🟡 11.1 Single Tier Architecture

📌 Penjelasan

Semua proses berada dalam satu lapisan.

Kelebihan:

• sederhana,
• murah.

Kekurangan:

• sulit dikembangkan.

---

🟡 11.2 Two Tier Architecture

📌 Penjelasan

Client langsung terhubung ke warehouse.

Kelebihan:

• cepat,
• mudah.

Kekurangan:

• kurang skalabel.

---

🟡 11.3 Three Tier Architecture

📌 Penjelasan

Arsitektur paling populer.

Layer:

1. Bottom Tier → Database
2. Middle Tier → OLAP
3. Top Tier → Dashboard

---

🖼️ Diagram Three Tier Architecture

7

---

🟢 12. Cloud Data Warehouse

📌 Pengertian

Data Warehouse berbasis cloud.

---

🔍 Narasi

Contoh platform:

• Google BigQuery
• Amazon Redshift
• Snowflake
• Azure Synapse

Keunggulan:

• scalable,
• fleksibel,
• biaya lebih efisien.

---

📊 Perbandingan Cloud dan Traditional DW

Aspek	Traditional	Cloud DW
Infrastruktur	Lokal	Cloud
Biaya Awal	Mahal	Lebih murah
Skalabilitas	Terbatas	Tinggi
Maintenance	Manual	Otomatis

---

🖼️ Cloud Data Warehouse

6

---

🟢 13. Tutorial Praktikum

💻 Praktikum: Simulasi Arsitektur Data Warehouse

📌 Tools

• MySQL
• XAMPP
• Power BI
• Excel

---

🟡 Langkah 1 — Membuat Database

CREATE DATABASE dw_kampus;

---

🟡 Langkah 2 — Membuat Tabel Mahasiswa

CREATE TABLE mahasiswa (
    nim VARCHAR(10),
    nama VARCHAR(100),
    prodi VARCHAR(50),
    angkatan INT,
    ipk DECIMAL(3,2)
);

---

🟡 Langkah 3 — Input Data

INSERT INTO mahasiswa VALUES
('22001','Andi','Informatika',2022,3.75),
('22002','Budi','Sistem Informasi',2022,3.60),
('22003','Citra','Informatika',2021,3.90);

---

🟡 Langkah 4 — Analisis Data

SELECT prodi, AVG(ipk)
FROM mahasiswa
GROUP BY prodi;

---

🟡 Langkah 5 — Visualisasi di Power BI

• Import data MySQL
• Buat grafik IPK per prodi
• Buat dashboard sederhana

---

🖼️ Ilustrasi Praktikum BI

6

---

🟢 14. Studi Kasus Implementasi

📌 Studi Kasus Universitas

Universitas memiliki:

• Sistem akademik
• Sistem keuangan
• Sistem perpustakaan

Semua data diintegrasikan ke Data Warehouse untuk:

• evaluasi mahasiswa,
• monitoring pembayaran,
• akreditasi kampus.

---

🟢 15. Latihan Mahasiswa

🎯 Latihan Teori

1. Jelaskan pengertian arsitektur Data Warehouse!
2. Apa fungsi staging area?
3. Jelaskan proses ETL!
4. Apa perbedaan Data Mart dan Data Warehouse?
5. Mengapa OLAP penting?

---

🎯 Latihan Praktikum

Buat desain arsitektur sederhana untuk:

• Sistem akademik kampus
• Sistem penjualan toko
• Sistem rumah sakit

---

🟢 16. Diskusi Kelas

💬 Topik Diskusi

1. Mengapa organisasi modern membutuhkan Data Warehouse?
2. Apa tantangan integrasi data?
3. Apakah cloud DW lebih baik?
4. Bagaimana hubungan BI dan Data Warehouse?

---

🟢 17. Kesimpulan

📌 Ringkasan

Arsitektur Data Warehouse merupakan fondasi utama dalam pengelolaan data modern.

Dengan arsitektur yang baik:

• data menjadi terintegrasi,
• analisis lebih cepat,
• informasi lebih akurat,
• keputusan lebih efektif.

Dalam era Big Data, AI, dan Business Intelligence, pemahaman arsitektur Data Warehouse menjadi kompetensi penting bagi mahasiswa Informatika dan Sistem Informasi.