Apa itu OLAP (pemrosesan analitik online)?
Jelajahi solusi OLAP IBM Berlangganan pembaruan AI
Latar belakang hitam dan biru
Apa itu OLAP?

OLAP, atau pemrosesan analitik online, adalah teknologi untuk melakukan kueri kompleks berkecepatan tinggi atau analisis multidimensi pada volume data yang besar di gudang data, data lake, atau repositori data lainnya. OLAP digunakan dalam intelijen bisnis (BI), dukungan keputusan, dan berbagai aplikasi peramalan dan pelaporan bisnis. 

Sebagian besar data bisnis memiliki beberapa dimensi—beberapa kategori yang menjadi tempat data dipecah untuk presentasi, pelacakan, atau analisis. Sebagai contoh, angka penjualan mungkin memiliki beberapa dimensi yang terkait dengan lokasi (wilayah, negara, negara bagian/provinsi, toko), waktu (tahun, bulan, minggu, hari), produk (pakaian, pria/wanita/anak-anak, merek, jenis), dan banyak lagi.

Namun dalam gudang data atau data lake, kumpulan data disimpan dalam tabel, yang masing-masing dapat mengatur data ke dalam dua dimensi ini sekaligus. OLAP mengekstrak data dari beberapa set data relasional dan mengaturnya kembali ke dalam format multidimensi yang memungkinkan pemrosesan yang sangat cepat dan analisis yang sangat mendalam. 

Pelajari dan operasikan Presto

Jelajahi buku elektronik O'Reilly gratis untuk mempelajari cara memulai Presto, mesin SQL sumber terbuka untuk analisis data.

Konten terkait

Mendaftar untuk mendapatkan laporan IDC

Apa itu kubus OLAP?

Inti dari sebagian besar sistem OLAP, kubus OLAP adalah database multidimensi berbasis array yang memungkinkan untuk memproses dan menganalisis beberapa dimensi data jauh lebih cepat dan efisien daripada database relasionaltradisional.

Tabel basis data relasional terstruktur seperti spreadsheet, menyimpan setiap catatan dalam format dua dimensi, baris per kolom. Setiap data "fakta" dalam basis data berada di persimpangan dua dimensi-baris dan kolom-seperti wilayah dan total penjualan.

Alat pelaporan basis data SQL dan relasional tentu saja dapat melakukan kueri, melaporkan, dan menganalisis data multidimensi yang tersimpan dalam tabel, tetapi kinerjanya melambat seiring dengan meningkatnya volume data. Selain itu, diperlukan banyak usaha untuk mengatur ulang hasilnya agar fokus pada dimensi yang berbeda.

Di sinilah kubus OLAP berperan. Kubus OLAP memperluas tabel tunggal dengan lapisan tambahan, masing-masing menambahkan dimensi tambahan, biasanya tingkat berikutnya dalam "hierarki konsep" dimensi. Sebagai contoh, lapisan atas kubus dapat mengatur penjualan berdasarkan wilayah; lapisan tambahan dapat berupa negara, negara bagian/provinsi, kota, dan bahkan toko tertentu.

Secara teori, sebuah kubus dapat berisi jumlah lapisan yang tak terbatas. (Sebuah kubus OLAP yang mewakili lebih dari tiga dimensi kadang-kadang disebut hypercube.) Dan kubus yang lebih kecil dapat berada di dalam lapisan, misalnya, setiap lapisan toko dapat berisi kubus yang mengatur penjualan berdasarkan tenaga penjualan dan produk. Dalam praktiknya, analis data akan membuat kubus OLAP yang hanya berisi lapisan yang mereka butuhkan, untuk analisis dan kinerja yang optimal. 

Terperinci

Operasi drill-down mengubah data yang kurang detail menjadi data yang lebih detail melalui salah satu dari dua metode—bergerak ke bawah dalam hierarki konsep atau menambahkan dimensi baru ke kubus. Misalnya, jika Anda melihat data penjualan untuk kalender organisasi atau kuartal fiskal, Anda dapat menelusuri secara lebih detail untuk melihat penjualan setiap bulan, bergerak ke bawah dalam hierarki konsep dimensi "waktu".

Tidak Terperinci

Roll up adalah kebalikan dari fungsi drill-down-agregasi data pada kubus OLAP dengan bergerak ke atas dalam hirarki konsep atau dengan mengurangi jumlah dimensi. Sebagai contoh, Anda dapat naik ke atas dalam hierarki konsep dimensi "lokasi" dengan melihat data setiap negara, alih-alih setiap kota.

Iris dan potong dadu

Operasi irisan membuat sub-kubus dengan memilih satu dimensi dari kubus OLAP utama. Sebagai contoh, Anda dapat melakukan irisan dengan menyorot semua data untuk kuartal fiskal atau kalender pertama organisasi (dimensi waktu).

Operasi dadu mengisolasi sub-kubus dengan memilih beberapa dimensi dalam kubus OLAP utama. Sebagai contoh, Anda dapat melakukan operasi potong dadu dengan menyorot semua data berdasarkan kalender organisasi atau kuartal fiskal (dimensi waktu) dan di Amerika Serikat dan Kanada (dimensi lokasi).

Pivot

Fungsi pivot memutar tampilan kubus saat ini untuk menampilkan representasi baru dari data—memungkinkan tampilan multidimensi data yang dinamis. Fungsi pivot OLAP sebanding dengan fitur tabel pivot dalam perangkat lunak spreadsheet, seperti Microsoft Excel, tetapi meskipun tabel pivot di Excel dapat menjadi tantangan, pivot OLAP relatif lebih mudah digunakan (lebih sedikit keahlian yang dibutuhkan) dan memiliki waktu respons dan kinerja kueri yang lebih cepat.

MOLAP vs.ROLAP vs HOLAP

OLAP yang bekerja langsung dengan kubus OLAP multidimensi dikenal sebagai OLAP multidimensi, atau MOLAP. Sekali lagi, untuk sebagian besar penggunaan, MOLAP adalah jenis analisis data multidimensi tercepat dan paling praktis.

Namun, ada dua jenis OLAP lain yang mungkin lebih disukai dalam kasus-kasus tertentu:

ROLAP

ROLAP, atau OLAP relasional, adalah analisis data multidimensi yang beroperasi secara langsung pada data pada tabel relasional, tanpa terlebih dahulu mengatur ulang data ke dalam sebuah kubus.

Seperti disebutkan sebelumnya, SQL adalah alat yang sangat mumpuni untuk kueri, pelaporan, dan analisis multidimensi. Namun kueri SQL yang diperlukan rumit, kinerja dapat terhambat, dan tampilan data yang dihasilkan bersifat statis, tidak dapat diputar untuk mewakili tampilan data yang berbeda. ROLAP paling baik digunakan ketika kemampuan untuk bekerja secara langsung dengan data dalam jumlah besar lebih penting daripada kinerja dan fleksibilitas.

HOLAP

HOLAP, atau OLAP hibrida, berupaya menciptakan pembagian kerja yang optimal antara database relasional dan multidimensi dalam arsitektur OLAP tunggal. Tabel relasional berisi jumlah data yang lebih besar, dan kubus OLAP digunakan untuk agregasi dan pemrosesan spekulatif. HOLAP membutuhkan server OLAP yang mendukung MOLAP dan ROLAP.

Alat HOLAP dapat "menelusuri" kubus data ke tabel relasional, yang membuka jalan bagi pemrosesan data cepat dan akses fleksibel. Sistem hybrid ini dapat menawarkan skalabilitas yang lebih baik tetapi tidak dapat lepas dari perlambatan yang tak terhindarkan saat mengakses sumber data relasional. Selain itu, arsitekturnya yang kompleks biasanya memerlukan pembaruan dan pemeliharaan yang lebih sering, karena harus menyimpan dan memproses semua data dari basis data relasional dan basis data multidimensi. Karena alasan ini, HOLAP bisa menjadi lebih mahal.

OLAP vs. OLTP

Pemrosesan transaksi online, atau OLTP, mengacu pada metode pemrosesan data dan perangkat lunak yang berfokus pada data dan aplikasi yang berorientasi pada transaksi. 

Perbedaan utama antara OLAP dan OLTP adalah sesuai namanya: OLAP bersifat analitis, dan OLTP bersifat transaksional. 

Alat OLAP dirancang untuk analisis data multidimensi dalam gudang data, yang berisi data transaksional dan historis. Pada faktanya, server OLAP biasanya berada di tingkat tengah, tingkat analitis dari solusi data pergudangan. Penggunaan umum OLAP termasuk penambangan data dan aplikasi intelijen bisnis lainnya, perhitungan analitis yang kompleks, dan skenario prediktif, serta fungsi pelaporan bisnis seperti analisis keuangan, penganggaran, dan perencanaan perkiraan.

OLTP dirancang untuk mendukung aplikasi yang berorientasi pada transaksi dengan memproses transaksi terbaru secepat dan seakurat mungkin. Penggunaan umum OLTP termasuk ATM, perangkat lunak e-commerce, pemrosesan pembayaran kartu kredit, pemesanan online, sistem reservasi, dan alat pencatatan.

Untuk menyelami lebih dalam perbedaan antara pendekatan ini, lihat "OLAP vs OLTP: Apa Perbedaannya?"

OLAP dan arsitektur cloud

OLAP memungkinkan perusahaan untuk memaksimalkan potensi data perusahaan mereka dengan mengubahnya menjadi format yang paling praktis untuk analisis multidimensi. Hal ini, pada gilirannya, membuatnya lebih mudah untuk melihat insight bisnis yang berharga. Namun, jika sistem ini dipelihara secara internal, hal ini membatasi potensi untuk meningkatkan skala.

Layanan OLAP berbasis cloud lebih murah dan lebih mudah disiapkan, sehingga lebih menarik bagi bisnis kecil atau perusahaan rintisan dengan anggaran terbatas. Perusahaan dapat memanfaatkan potensi besar dari gudang data berbasis cloud yang melakukan analisis canggih dengan kecepatan yang tak tertandingi karena menggunakan pemrosesan paralel raksasa (MPP). Oleh karena itu, perusahaan dapat menggunakan OLAP dengan kecepatan dan skala cloud, menganalisis data dalam jumlah besar tanpa memindahkannya dari gudang data cloud mereka.

Constance Hotels, Resorts & Golf adalah grup hotel mewah dengan sembilan properti di pulau-pulau di Samudra Hindia. Namun, kurangnya komunikasi antar-pulau menyebabkan silo-silo organisasi, dengan data bisnis yang terisolasi di setiap resor. Organisasi ini membangun gudang data cloud dan arsitektur analitik untuk menghubungkan semua sistem dan alat on premises dengan repositori data berbasis cloud pusat. Dengan melakukan hal ini, perusahaan memperoleh insight di seluruh grup yang mereka butuhkan untuk memanfaatkan analisis prediktif yang canggih dan mengimplementasikan sistem OLAP.

OLAP dalam arsitektur cloud adalah solusi cepat dan hemat biaya yang dibangun untuk masa depan. Setelah kubus dibuat, tim dapat menggunakan alat intelijen bisnis yang ada untuk langsung terhubung dengan model OLAP dan menarik insight real-time interaktif dari data cloud mereka.

Solusi terkait
IBM Db2 Warehouse on Cloud

IBM Db2 Warehouse on Cloud adalah layanan cloud publik terkelola. Anda dapat mengatur IBM Db2 Warehouse on premises dengan perangkat keras Anda sendiri atau di cloud pribadi.

Jelajahi IBM Db2 Warehouse di Cloud
Layanan Kubus

IBM DB2 Warehouse mengintegrasikan dan menyederhanakan lingkungan gudang data yang menghadirkan pergudangan dinamis dan memberikan dukungan langsung untuk OLAP terhadap gudang data.

Jelajahi Layanan kubus
Sumber daya Bagaimana memilih gudang data yang tepat untuk AI

Mempercepat inovasi dan mendorong hasil bisnis dengan mengubah data menjadi insight.

OLAP vs. OLTP: Apa Perbedaannya?

Istilah-istilah ini sering membingungkan satu sama lain, jadi apa perbedaan utamanya dan bagaimana Anda memilih yang tepat untuk situasi Anda?

Ambil langkah selanjutnya

Skalakan beban kerja AI untuk semua data Anda di mana saja dengan IBM watsonx.data. Penyimpanan data yang disesuaikan untuk tujuan yang dibangun pada arsitektur terbuka data lakehouse.

Jelajahi watsonx.data Pesan demo langsung