Fondasi dan Kebutuhan
Bagian ini menjadi landasan utama untuk memahami konsep modern Data Warehousing. Mahasiswa diperkenalkan pada prinsip dasar, arsitektur, dan peran gudang data dalam mendukung pengambilan keputusan organisasi.
Topik mencakup pengantar data warehouse, model dan arsitektur (top-down, bottom-up, hybrid), proses ETL (Extract–Transform–Load), serta pentingnya metadata, kualitas data, dan teknologi terkini seperti cloud data warehouse dan big data integration.
Selain itu, mahasiswa belajar menganalisis sistem sumber, mengenali perbedaan OLTP vs OLAP, dan menyusun desain konseptual awal gudang data berdasarkan kebutuhan bisnis.
0/1
Desain Logika dan Fisikal
Bagian ini menekankan keterampilan teknis mahasiswa dalam merancang struktur logikal hingga fisikal gudang data.
Mahasiswa mempelajari pemodelan skema bintang (Star Schema), dimensi waktu, serta konsep primary–foreign key relationships dan normalisasi (3NF).
Topik lanjutan mencakup Slowly Changing Dimension (SCD), Bridge Table, Determinant Dimension, Junk Dimension, serta penggunaan Surrogate dan Natural Keys.
Mahasiswa juga dikenalkan pada multi-fact schema dan teknik slicing fact, sebelum akhirnya memahami desain fisikal seperti indeks, materialized view, partisi, dan optimasi star query pada sistem seperti SQL Server/Analysis Services.
Bagian ini ditutup dengan pembahasan spesifikasi kebutuhan dan manajemen proyek gudang data berdasarkan metodologi perencanaan, tim proyek, dan tahapan pengembangan yang sistematis.
0/3
Integrasi dan Tata Kelola
Bagian ini membahas bagaimana data dari berbagai sistem operasional diintegrasikan ke dalam gudang data dengan proses ETL (Extract, Transform, Load) maupun ELT (Extract, Load, Transform).
Mahasiswa akan mempelajari prinsip desain ETL, analisis sistem sumber, dan penggunaan BPMN (Business Process Model and Notation) untuk memodelkan alur ekstraksi dan transformasi data.
Konsep Changed Data Capture (CDC) dan ETL staging area diperkenalkan sebagai dasar dalam menangani pembaruan data secara efisien.
Selain itu, bagian ini juga membahas implementasi ETL menggunakan Integration Services serta manajemen metadata dalam gudang data—termasuk tipe metadata (statik dan dinamis), metadata repository, business vs technical metadata, serta pengelolaan SLA (Service Level Agreement) untuk metadata real-time.
Melalui bagian ini, mahasiswa memahami bagaimana integrasi, dokumentasi, dan tata kelola data yang baik menjadi fondasi keberhasilan gudang data.
0/3
Analitik
Bagian ini fokus pada pemanfaatan gudang data untuk analisis multidimensi (OLAP) dan eksplorasi data secara interaktif.
Mahasiswa diperkenalkan pada operasi OLAP seperti drill-down, roll-up, slice, dan dice untuk menjelajahi dimensi data.
Dipelajari pula tiga pendekatan utama—MOLAP, ROLAP, dan HOLAP—beserta cara kerja data cube dan teknik rollup aggregation.
Bagian ini juga mencakup penggunaan ranking functions dan aggregate functions dalam SQL analitik, serta bahasa khusus analitik seperti MDX (Multidimensional Expressions) dan DAX (Data Analysis Expressions) yang digunakan dalam platform seperti Analysis Services atau Power BI.
Tujuannya agar mahasiswa mampu mengubah data gudang menjadi informasi strategis melalui desain query OLAP, analisis KPI, dan visualisasi laporan atau dashboard bisnis.
0/2
Implementasi dan Pengembangan
Bagian ini menjadi tahapan akhir yang memadukan seluruh aspek perancangan, integrasi, dan analitik ke dalam sistem gudang data yang utuh.
Mahasiswa akan memulai dengan spesifikasi kebutuhan, mencakup pendekatan business-driven, data-driven, dan hybrid, identifikasi KPI, serta analisis kebutuhan pengguna dan sumber data.
Selanjutnya, dibahas proses implementasi dan pengembangan seperti penerapan multi-fact star schema, multi-input operational database, teknik vertical dan horizontal stacking, serta pengaturan granularity dan levels of aggregation.
Mahasiswa juga mempelajari incremental updates, schema evolution, serta pengembangan gudang data berbasis temporal, spatial, dan big data (NoSQL/Cloud).
Tahapan terakhir mencakup uji coba dan validasi desain, dengan topik seperti data quality assessment, SLA kualitas data, post-load audit, dashboard validation, serta evaluasi kinerja BI reporting.
Bagian ini menyiapkan mahasiswa untuk membangun gudang data yang stabil, dapat diukur kualitasnya, dan siap mendukung analisis tingkat lanjut di lingkungan bisnis nyata.
0/3