1. Data Quality
1. Apa itu Data Quality?
1. Menurut Mark Mosley (2008), dalam bukunya “Dictionary of Data Management”, pengertian kualitas data adalah level data yang menyatakan data tersebut akurat (accurate), lengkap (complete), timely (update), konsisten (consistent) sesuai dengan semua kebutuhan peraturan bisnis dan relevan.
2. Karakteristik dari Data Quality?
1. Accuraccy 
   Akurasi data adalah sejauh mana data dengan benar mencerminkan objek dunia nyata atau acara yang dijelaskan.
2. Accessibility 
   adalah data dapat dengan mudah diakses, dan dimengerti, serta dapat digunakan sesuai dengan keperluan yang dibutuhkan.
3. Completeness 
   Kelengkapan data adalah sejauh mana atribut diharapkan data yang disediakan.
4. Consistency 
   Konsistensi data berarti bahwa data di seluruh perusahaan harus sinkron dengan satu sama lain.
5. Integrity 
   Integrity data berarti bahwa setiap data harus berhubungan atau dapat dihubungkan dengan data - data yang lain sehingga setiap data bisa saling terkait.
6. Timeliness 
   merepresentasikan waktu dari data yang dimasukkan (jika data digunakan perhari maka data pada warehaouse harus juga dibuat per hari)
7. Validity 
   Validity data adalah sejauh mana data tersebut dapat di jelaskan dengan benar dan sah sesuai dengan fakta - fakta yang ada sebenarnya.
2. Data Quality Critical  
   Data yang berkualitas dapat : 
   • Meningkatkan kepercayaan diri dalam melakukan analisis 
   • Meningkatkan kesempatan untuk menghasilkan value yang lebih baik bagi layanan 
   • Kebenaran yang sifatnya mutlak 
   • Meningkatkan produktivitas 
   • Meningkatkan kepuasan pelanggan

1. Sumber Data

• Penuaan data
• Kesalahan input
• Penipuan
• Sistem Konversi

1. Validasi Data 

• Duplikasi data 
• Beberapa atribut yang tercampur dalam satu field  
• Ejaan yang berbeda untuk nama yang sama
• Tidak adanya atribut kunci

1. Biaya besar untuk menjaga kualitas data

• Mengatur data agar selalu berkualitas membutuhkan biaya yang tidak sedikit
• Membutuhkan orang – orang yang berkompeten untuk me-manage data

4. Data Quality Tools
   1. Data Auditing
   1.  Data Auditing meningkatkan akurasi dan kebenaran data pada sumbernya. Tools ini pada umumnya membandingkan data di database sumber dengan aturan bisnis yang ada.
   2. Data Cleansing
   1.  Data Cleansing digunakan dalam staging area. Data Cleansing berguna untuk melakukan standarisasi, dan verifikasi data terhadap data yang tidak dikenali.
   3. Data Migration 
   1. Data Migration digunakan untuk mengekstrak data dari sumber untuk dikirim ke staging area dan dari staging area ke data warehouse.
   5. Data Quality Initiative
        
   Untuk bisa sukses, Data Quality program harus bisa dimulai oleh CEO, didukung oleh jajaran direksi, dan dijalankan oleh manajer yang khusus bertugas mengatur kualitas data.

ETL → Extraction, Transformation, Loading

1. Ekstraksi data secara otomatis dari aplikasi sumber.
2. Penyaringan atau seleksi data hasil ekstraksi.
3. Pengiriman data dari berbagai platform aplikasi ke sumber data.
4. Perubahan format layout data dari format aslinya.
5. Penyimpanan dalam file sementara untuk penggabungan dengan hasil ekstraksi dari sumber lain.

• STAR SCHEMA

1. Fact table menampung nilai-nilai metric yang direkam untuk suatu kejadian yang spesifik. Sehubungan dengan tujuan untuk menampul data atomik, biasanya terdapat sejumlah besar record (jutaan). Pengelolaan khusus dilakukan untuk meminimalisasi jumlah dan ukuran atribut dengan tujuan membatasi ukuran tabel keseluruhan dan mengatur performa. Fact tables biasanya berupa transaksi (fakta-fakta mengenai kejadian tertentu, misalnya penjualan), snapshot (fakta-fakta yang direkam pada suatu waktu tertentu, misalnya rincian Account pada awal bulan), dan tabel-tabel snapshot akumulasi (misalnya, penjualan month-to-date untuk suatu produk). 
2. Dimension tables biasanya memiliki record yang lebih sedikit dibandingkan fact tables, tetapi bisa memiliki jumlah atribut yang besar untuk mendeskripsikan data fakta.

Skema Data Warehouse

• Skema Bintang (Star Schema) 

      Skema bintang ( Poe, 1996, p33) merupakan suatu jenis khusus dari perancangan database yang digunakan untuk mendukung proses analytical. Skema ini terdiri dari sekumpulan tabel yang dinormalisasi. Skema bintang terdiri dari dua jenis tabel, yaitu :

• Tabel fakta (fact tabel) 

Tabel fakta atau disebut juga tabel utama (major table) terdiri dari data fakta atau kuantitatif tentang informasi bisnis yang akan di–query. Informasi ini biasanya berupa ukuran numerik dan dapat terdiri dari banyak kolom dan jutaan baris. 

Nama Paper yang saya analisis :

• Perancangan Arsitektur
  Arsitektur Data Warehousenya dimulai dengan mengumpulkan data yang berkaitan dengan penjualan yang bersumber dari berbagai database seperti database penjualan, promosi, customer, dan produksi.
  Pada proses kedua data – data dari data source tersebut di gabung menjadi satu dan di Extraction dan hasil dari data itulah yang digunakan lalu data tersebut di simpan ke dalam format .xls (excelsheet).
  

1. Subject oriented.

2. Integrated.

3. Time variant.

4. Non Volatile.