DATA MINING & MACHINE LEARNING

 

DATA MINING DAN MACHINE LEARNING

     Perangkat lunak yang digunakan untuk menemukan polapola tersembunyi maupun hubungan-hubungan yang terdapat dalam basis data yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku di masa medatang.

 ‣ Data mining sering dikatakan berurusan dengan “penemuan pengetahuan” dalam basis data. Suatu aturan yang dihasilkan oleh data mining misalnya seperti berikut : “Kebanyakan pembeli mobil Forsa adalah wanita berusia di atas 30 tahun”.

PRINSIP DATA MINING

APLIKASI DATA MINING

TEKNOLOGI UNTUK DATA MAINING

‣ Statistik ‣ Neural network ‣ Fuzzy logic ‣ Algoritma genetika ‣ dan berbagai teknologi kecerdasan buatan yang lain.

DATA MINING DAN VISUALISASI DATA

 ‣  Pendekatan data mining juga ada yang melalui visualisasi data

 ‣ Pada sistem seperti ini, pemakai akan dibantu untuk menemukan sendiri pola dari sejumlah data berukuran besar dengan didasarkan visualisasi oleh data mining.

MACHINE LEARNING

‣ Kerusakan gearboxes telah menyebabkan Helikopter AS CH-46 jatuh.

‣Meskipun kerusakan gearbox tersebut dapat didiagnosa oleh mekanik sebelum helicopter itu tinggal landas, bagaimana jika kerusakan terjadi pada saat terbang hal itu tidak mungkin dideteksi oleh manusia. 

‣ Machine Learning digunakan untuk domain tersebut dan digunakan untuk menyelamatkan kehidupan manusia.

CARA KERJA NYA :

Jika ita sedang mengemudikan mobil, tiba tiba terdengar suara aneh dari mobil kita. 

‣ Untuk menghindari kecelakaan, kita akan memperlambat mobil kita, kemudian berhenti ditempat yang aman atau bengkel terdekat.

 ‣ Dalam penerbangan helicopter sistem monitoring kerusakan gearbox didisain dengan ide yang sama. Perbedaannya adalah, kerusakan gearbox tidak dapat didengar oleh manusia, tetapi harus dimonitor oleh mesin.

YANG KOMPUTER PELAJARI :

‣Komputer tidak dapat mendengar dan pastinya tidak akan dapat membedakan suar normal dan suara tidak normal. 

‣ Suara, dapat direpresentasikan sebagai pola gelombang seperti gambar dibawah ini, yang sebenarnya merupakan sederetan bilangan real yang diproyeksikan kedalam bentuk grafik.

‣ Komputer akan sangat memahami deretan angka tersebut!

‣ Sebagai contoh, sebuah komputer dapat dengan mudah diprogram untuk dapat mencari pada sederetan string apakah mengandung angka “3” didalamnya atau tidak.

‣Pada permasalahan monitoring gearbox helicopter, diasumsikan bahwa berfungsi atau tidaknya gearboxes akan menghasilkan suara yg berbeda. Maka, deretan nilai yang merepresentasikan suara tersebut akan mempunyai karakteristik yang berbeda. 

‣ Pada kenyataanya nernagai karakteristik mempunyai kategori yg berbeda, dan akan terlalu sulit untuk digambarkan. 

‣ Oleh karena itu, hal tersebut tidak dapat diprogram, tapi perlu dipelajari oleh komputer.

‣ Banyak cara komputer dapat mempelajari bagaimana mereka menemukan perbedaa dari dua pola ( decision trees, neural networks, bayesian networks, dll.) inilah yang dipelajari dalam Machine Learning!

APA SAJA YANG MACHINE LEARNING LAKUKAN?

‣ Diagnosa Medis (breast cancer detection) 

‣ Deteksi kecurangan Credit Card 

‣ Deteksi Sonar (kapal selam dibandingkan ikan ) 

‣ Speech Recognition ( Telephone automated systems)

 ‣ Mobil Otomatis (kendaraan yg dapat melaju tanpa awak pada 70 mph sejauh 90 kilometer di jalan tol. Berguna untuk misi berbahaya) 

‣ Personalized Web Assistants (bantuan otomatis yg dapat menyusun berita yg dierlukan sesuai kebutuhan pembacanya)

 DEFINISI MACHINE LEARNING

        Sebuah program komputer dikatakan belajar dari pengalaman/experience [E] sehubungan dengan beberapa tugas/task [T] dan mengukur kinerja/ performance [P], jika kinerjanya pada tugas-tugas [T], yang diukur dengan [P,] meningkatkan dengan pengalaman [E]. 

CONTOH APLIKASI MACHINE LEARNING

 Pembelajaran mengenali kata-kata yang diucapkan (Lee, 1989; Waibel, 1989).

 • Pembelajaran mengemudikan mobil otomatis (Pomerleau, 1989).

 • Pembelajaran klasifikasi struktur astronomi baru (Fayyad et al., 1995).

 • Pembelajaran bermain world-class backgammon (Tesauro 1992, 1995).

MENGAPA MACHINE LEARNING DI PERLUKAN?

 Beberapa tasks tidak dapat didefinisikan dengan baik, kecuali dengan contoh (mengenali orang).

 ‣ Relasi dan korelasi dapat tersembunyi dalam data dalam jumlah besar. Machine Learning/Data Mining dapat menemukan relasi tersebut.

 ‣ Seorang designers seringkali menghasilkan mesin yang tidak dapat bekerja seperti yang diharapkan untuk bekerja pada lingkungannya dimana mereka digunakan.

‣ Jumlah pengetahuan yang tersedia tentang tugas-tugas tertentu mungkin terlalu besar untuk pengkodean eksplisit oleh manusia (misalnya, diagnostik medis).

 ‣  Lingkungan berubah seiring waktu.

‣ Pengetahuan baru tentang tugas terus-menerus ditemukan oleh manusia. Mungkin sulit untuk terus sistem re-desain “secara manual

BIDANG ILMU YG BERKAITAN

‣ Statistik: Bagaimana cara terbaik menggunakan sample dari distribusi probabilitas yang tidak diketahui untuk mengetahui dari distibusi mana sampel baru diambil. 

‣ Brain Model: Unsur-unsur non-linear dengan input tertimbang (Artificial Neural Networks) telah diusulkan sebagai model sederhana neuron biologis

 ‣ Adaptive Control Theory: Bagaimana menangani pengendalian proses yang memiliki parameter yang tidak diketahui tetapi harus diestimasi selama operasi?

 ‣ Psychology: Bagaimana model kinerja manusia pada berbagai tugas learning? 

‣ Arificial Intelligence: Bagaimana menulis algoritma yang mampu memperoleh pengetahuan manusia, setidaknya, seperti manusia?

 ‣ Evolutionary Models: Bagaimana memodelkan aspek-aspek tertentu dari evolusi biologi untuk meningkatkan kinerja program komputer.

CONTOH DESAIN LEARNING SYSTEM

1. Mendeskripsikan Problem

2. Memilih Training Experience

3. Memilih Target Function 

4. Memilih Representasi Target Function 

5. Memilih Function Approximation Algorithm 

6. Design Akhir C

ISSUE PADA MACHINE LEARNING

 ‣ Algoritma apa yang tersedia untuk belajar konsep? 

‣ Seberapa baik mereka lakukan? 

‣ Berapa banyak data pelatihan yang cukup untuk belajar konsep dengan keyakinan yang tinggi?

 ‣ Kapan hal itu berguna terhadap pengetahuan sebelumnya? 

‣ Adalah beberapa pelatihan lebih berguna daripada yang lain?

 ‣ Apa saja tugas terbaik bagi sistem untuk belajar? 

‣ Apa cara terbaik bagi sistem untuk mewakili pengetahuan?

KONSEP DATA MINING

 

LATAR BELAKANG 

• Banyak data yang telah direkam dan disimpan
• Transaksi penjualan di Supermarket 
• Transaksi perbankan dan Kartu Kredit
• Log kunjungan WEB
• Akuisisi data dalam penelitian (sosial, kesehatan,…) 
• Sistem Komputer semakin cepat dan ekonomis (Moore’s Law)
• Kebutuhan berkompetisi dengan strategi yang tepat semakin meningkat 

TRANSFORMASI DIGITAL DATA MINING

LEDAKAN PERTUMBUHAN DATA

MENGAPA HARUS DATA MINING?

• Data yang sangat besar terkadang memiliki informasi yang tersembunyi
• Kemampuan manusia terbatas untuk mengamati kumpulan data tersebut dalama proses analisis 

DEFINISI DATA MINING

PENGERTIAN YANG SALAH

ILMU DATA MINING

• Gabungan dari beberapa bidang ilmu dalam Memantik dan Ilmu Komputer
• Diperlukan karena: 
• Data yang sangat besat
• Dimensi data yang besar
• Data Heterogen

ARSITEKTUR DATA MINING

ARSITEKTUR DATA MINING

• Knowledge Base
• Domain Knowledge yang digunakan untuk memberi petunjuk pencarian atau mengevaluasi hasil pola
• Data Mining Engine
• Terdiri dari sekumpulan model fungsional seperti characterization, association, classification, cluster analysis, evaluation and deviation analysis
• Pattern Evaluation Module
• Komponen yang berinteraksi dengan modul data mining untuk pencarian pola
• GUI (Graphical User Interface)
• modul yang mempermudah user berinteraksi dengan sistem data mining

TUGAS DATA MINING

METODE DALAM DATA MINING

PREDICTIVE - CLASSIFICATION

• Menemukan fungsi atau model yang membedakan kelas data
• Fungsi atau model tsb dapat berbentuk aturan if-else, descision tree, formula matematika, atau neural network
• Tujuannya untuk memperkirakan kelas dari suatu objek yang labelnya tidak diketahui
• Algoritma : Decision Tree (C4.5), Artificial Neural Network, Naïve Bayes, Genetic Algorithm, Fuzzy, Case-Based Reasoning, k-Nearest Neighbor
• Supervised Method

PREDICTIVE - CLASSIFICATION

CONTOH  

• Pemakaian Kartu Kredit secara Ilegal
• Tujuan : 
• Mendeteksi adanya penggunaan Kartu Kredit secara Ilegal
• Pendekatan:
• Mencari data transaksi sebelumnya (Lokasi & waktu transaksi, jenis barang yg dibeli, nilai transaksi)
• Labeli data-data tersebut dengan Label Curang atau Aman
• DM mencari model klasifikasi Curang & Aman berdasarkan atribut transaksi
• Menerapkan model tersebut jika ada transaksi baru untuk mempercepat/tepat tindakan preventif

CONTOH LAIN

• Deteksi SPAM  
• tindakan preventif untuk mendeteksi email yang tidak diharapkan 
• Direct Marketing 
• Mencari pengelompokan profil pelanggan agar target market sesuai dengan produk yang akan dipasarkan 
• Sky Survey Cataloging 
• Mengelompokan benda langit hasil pemotretan teleskop kedalam class nya

METODE POHON KEPUTUSAN

PREDICTIVE – TIME SERIES ANALYSIS

• Time series data : sekuens data yang nilainya berubah setiap interval waktu tertentu.
• Time series data dapat dipresentasikan dalam bentuk grafik atau kurva yang menunjukkan fungsi sebuah variabel data terhadap satuan waktu. 
• Metode : Neural Network (model Backpropagation, multi layer perceptron)
• Aplikasi : memprediksikan indeks harga saham 

CONTOH : PREDIKSI DALAM PASAR SAHAM

garis yang tegas adalah time-series data sebenarnya dari nilai saham Microsoft, dan garis putus-putus adalah time series model yang memprediksi nilai saham berdasarkan nilai saham pada masa lalu

PREDICTIVE - REGRESSION

• Regression vs Classification : 
• Regression diterapkan untuk mengklasifikasikan target data numerik
• Classification untuk mengklasifikasikan target data kategorial
• Aplikasi : prediksi nilai penjualan yang akan datang berdasarkan trend data penjualan tahun sebelumnya. 
• Algoritma : Support Vector Machine (SVM), Generalized Linear Model (GLM) 

DESCRIPTIVE - CLUSTERING 

• Mengidentifikasi kelompok alami dari data berdasarkan kemiripan atribut : seringkali disebut juga Segmentation
• Unsupervised Method : tidak satupun atribut yang digunakan untuk memandu proses pembelajaran (tidak ada label)
• Algoritma : k-Means, k-Medoid, Fuzzy C-Means, Subtractive, Mountain, Hierarki

CONTOH : DATA PELANGGAN

• Terdiri dari dua atribut, yaitu Age (Umur) dan Income (Pendapatan).
• Algoritma Clustering mengelompokkan kelompok data kedalam tiga segment berdasarkan kedua atribut ini.
• Cluster 1 : populasi berusia muda dengan pendapatan rendah 
• Cluster 2 : populasi berusia menengah dengan pendapatan yang lebih tinggi
• Cluster 3 : populasi berusia tua dengan pendapatan yang relatif rendah. 

SEGMENTASI PASAR

• Tujuan: mencari gugus segmentasi pasar berdasarkan data transaksi untuk keperluan marketing 
• Pendekatan: 
• mempersiapkan data transaksi beserta atribut data pelanggan berdasarkan geografi dan data pribadi lainnya 
• mencari gugus pelanggan yang mirip berdasarkan atribut atribut tersebut 
• melakukan observasi perilaku pasar berdasarkan gugus-gugus pelanggan yang ditemukan 
• Hasil : Strategi marketing yang tepat sasaran

DESCRIPTIVE – ASSOCIATION RULE

• Disebut juga Market Basket Analysis.
• Menganalisa tabel transaksi penjualan dan mengidentifikasi produk-produk yang seringkali dibeli bersamaan oleh customer 
• Untuk mengidentifikasi kelompok kesamaan dari produk dan kebiasaan apa yang terjadi guna kepentingan cross-selling
• Untuk mencari produk apa yang biasanya terjual bersamaan
• Untuk mencari tahu apa aturan yang menyebabkan kesamaan tersebut

CONTOH

• Ketika orang membeli susu, dia biasanya membeli keju 
• Ketika orang membeli pepsi atau coke, biasanya dia membeli juice 

CONTOH LAIN

MARKETING & SALES PROMOTION

• Contoh pola yang ditemukan
• {Susu Kental Manis,…} —> {Kwaci}
• Kwaci sebagai konsekuen: bagaimana caranya menaikan penjualan kwaci
• Susu Ketal Manis sebagai anteseden: jika tidak lagi menjual susu kental manis, memprediksi produk lain yang ikut jatuh penjualannya
• Dua duanya: membuat paket promo Susu Kental Manis, Kwaci, dll…

DESCRIPTIVE – SEQUENCE ANALYSIS

• Digunakan untuk mencari pola pada serangkaian kejadian yang disebut dengan Sequence.
• Contoh rangkaian klik pada sebuah website berisi rentetan URL. 
• Implementasi : memodelkan pembelian oleh pelanggan sebagai sebuah sequence (rangkaian) data : 
• Pertama-tama seorang pelanggan membeli komputer 
• kemudian membeli speaker 
• dan akhirnya membeli sebuah webcam.

CONTOH : RANGKAIAN KLIK PADA SEBUAH WEBSITE BERITA

• Setiap node adalah sebuah kategori URL. 
• Garis melambangkan transisi antar kategori URL tersebut. 
• Setiap transisi dikelompokan dengan sebuah bobot yang menggambarkan kemungkinan transisi antara satu URL dan URL yang lain

DATA WAREHOUSE

 DATA WAREHOUSING & ON-LINE ANALYTICAL PROCESSING

“Data warehouse adalah sebuah subject-oriented, yang terpadu, taime-varian, dan merupakan kumpulan data non volatile dalam mendukung proses pengambilan keputusan bagi manajemen.”

-W. H. Inmon-

Data warehouse merupakan metode dalam perancangan database, yang menunjang DSS (KEPUTUSAN Sistem Support) dan EIS (Executive Information System). Secara fisik, data warehouse adalah database, tapi perancangan data warehouse dan database sangat berbeda. Dalam desain database tradisional menggunakan normalisasi, sedangkan data warehouse normalisasi bukanlah cara terbaik.

DATA WAREHOUSE - SUBJECT ORIENTED

 ▸ Diorganisir disekitar subyek utama, seperti pelanggan, produk, penjualan 

 ▸ Fokus pada pemodelan dan analisis data untuk pembuat keputusan, bukan pada operasional sehari-hari atau pengolahan transaksi 

 ▸ Memberikan pandangan sederhana dan ringkas sekitar isu-isu topik tertentu dengan mengecualikan data yang tidak berguna dalam proses pendukung keputusan

DATA WAREHOUSE - INTEGRATED

▸ Dibangun dengan mengintegrasikan beberapa sumber data yang heterogen

▸ Menerapkan teknik Data cleaning dan data integration.

DATA WAREHOUSE - TIME VARIANT 

▸ Horison waktu untuk data warehouse secara signifikan lebih lama dibandingkan dengan sistem operasional 

     ▸ Operational database: nilai data saat ini 

     ▸ Data warehouse data: memberikan informasi dari perspektif historis (misalnya, 5-10 tahun) 

 ▸ Point penting dalam data warehouse 

     ▸ Mengandung unsur waktu, secara eksplisit maupun implisit 

     ▸ Tetapi key dari data operasional dapat memiliki “elemen waktu” atau tidak 

DATA WAREHOUSE - NON VOLATILE

▸ Data yg sudah diubah isimpan terpisah secara fisik dari lingkundan operasional

 ▸ Update data operasional tidak terjadi dalam lingkungan data warehouse 

     ▸ Tidak memerlukan proses transaksi, recovery, dan mekanisme kontrol concurrency 

     ▸ Hanya membutuhkan dua operasi dalam akses data: 

         ▸ loading data awal dan akses data

OLTP VS. OLAP

MENGAPA DATA WAREHOUSE TERPISAH?

    1. High performance for both systems

• DBMS-disetel untuk OLTP: metode akses, pengindeksan, kontrol konkurensi, recovery
• Warehouse-disetel untuk OLAP: OLAP query yang kompleks, View multidimensi, konsolidas

    2. Perbedaan Fungsi dan Perbedaan Data:

• missing data : pendukung keputusan memerlukan data historis yang operasional DBs tidak biasanya mempertahankan
•  data consolidation: DS membutuhkan konsolidasi (agregasi, summarization) data dari sumber yang heterogen
•  data quality: sumber yang berbeda biasanya menggunakan representasi konsisten data, kode dan format yang harus direkonsiliasi

    3.  Catatan: Saat ini banyak sistem yang dapat melakukan analisis OLAP langsung pada database                 relasional 

DATA WAREHOUSE: ARSITEKTUR MULTI-TIERED

MODEL DATA WAREHOUSE

 ▸ Enterprise warehouse 

     ▸ mengumpulkan semua informasi tentang subjek yang mencakup seluruh organisasi

 ▸ Data Mart 

     ▸ subset dari data coorporate-wide yang bernilai untuk grup pengguna tertentu. Jangkauannya dibatasi pada hal yang spesifik, kelompok yang dipilih, seperti pemasaran Data mart 

         ▸ Independent vs. dependent (directly from warehouse) data mart 

 ▸ Virtual warehouse 

     ▸ Sekumpulan tampilan/view atas database operasional 

     ▸ Hanya beberapa tampilan ringkasan yang mungkin dapat terwujud

EXTRACTION, TRANSFORMATION, LOADING

 ▸ Data extraction : mendapatkan data dari berbagai sumber, heterogen, maupun eksternal

 ▸ Data cleaning : mendeteksi kesalahan dalam data dan mengoreksikannya apabila memungkinkan 

 ▸ Data transformation : mengkonversi dari data legacy atau format awal ke format Warehouse

 ▸ Load : menyortir, meringkas, konsolidasi, compute views, memeriksa integritas, dan membangun indeks dan partisi

 ▸ Refresh : menyebarkan update dari sumber data ke warehouse 

METADATA REPOSITORY

▸ Meta data merupakan data yang mendefinisikan obyek Warehouse. 

▸ Deskripsi struktur data warehouse

▸ Operasional meta-data

▸ Algoritma yang digunakan untuk summarization 

▸ Pemetaan dari lingkungan operasional ke data warehouse 

▸ Data yang terkait dengan kinerja sistem

▸ Bisnis data

TABEL & SPREADSHEETS KE DATA CUBES 

▸ Data warehouse didasarkan pada model data multidimensi yang memandang data dalam bentuk data cube

 ▸ Data Cube, seperti penjualan, memungkinkan data yang akan dimodelkan dan dilihat dalam berbagai dimensi

     ▸ Tabel Dimensi, sepert item (nama_item, merek, type), atau waktu(hari, minggu, bulan, kuartal, tahun)

     ▸ Tabel fakta berisi pengukuran (seperti dolar dijual) dan kunci untuk masing-masing tabel dimensi yang terkait

 ▸ Dalam literatur data warehousing, nD base cube disebut kubus dasar. Paling atas 0-D cuboid, yang memegang ringkasan tingkat tertinggi, disebut apex cuboid. Kisi-kisi dari cuboid membentuk data cube

CUBE 

    CUBE : KISI KISI DARI CUBOIDS

            

PEMODELAN KONSEPTUAL DATA WAREHOUSE

Dimensi & Ukuran 

 ▸ Star schema: Sebuah tabel fakta di bagian tengah terhubung dengan sekumpulan tabel dimensi 

 ▸ Snowflake schema: Sebuah penyempurnaan skema bintang di mana beberapa hirarki dimensi dinormalkan menjadi serangkaian tabel dimensi yang lebih kecil, membentuk bentuk yang mirip dengan kepingan salju 

▸ Fact constellations: Beberapa Tabel fakta berbagi dengan (share) tabel dimensi, dipandang sebagai kumpulan bintang, karena itu disebut Galaxy schema atau fact constellation  

        CONTOH STAR SCHEMA

        CONTOH SKEMA SNOWFLAKE

 

  

        CONTOH FACT CONSTELLATIONS

  

KONSEP HIRARKI: DIMENSI (LOKASI)

KEAMANAN DATABASE

 MODEL KONSEPTUAL DATABASE

 

DATA MODEL

Data model adalah sekumpulan konsep yang digunakan untuk menjelaskan struktur dari basis data (database structure) dan memberikan gambaran tingkat-tingkat abstraksi data (data abstraction). Data abstraction adalah deskripsi mengenai struktur basis data yang mudah dimengerti oleh user, atau bisa juga mencakup detil dari penyimpanan data yang biasanya perlu diketahui oleh perancang basis data. Database structure mencakup data type (type nama adalah string), relationship (customer berelasi dengan account), dan constraint (ada batasan bahwa tidak bisa menjamin bahwa - peserta MIK harus sudah mengambil KP1).

      ▸ Data model: 

 ▸ Object-based logical model

 ▸ Entity-relationship model

 ▸ Object-oriented model

 ▸ Semantic model

 ▸ Fungsional model: 

     ▸ Record-based logical model:

     ▸ Relationship model

     ▸ Network model 

     ▸ Hierarchical model

VIEW OF DATA

TINGKATAN ABSTRAKSI

▸ Physical level 

 ▸ Logical level

 ▸ View level

CONCEPTUAL DATA MODEL

▸ High-level atau Conceptual Data Model merupakan konsep yang mudah dimengerti oleh end-user. Menggunakan konsep entities, attributes, dan relationships.

▸ Entity representasi obyek dalam dunia nyataatau obyek dalam konsep.

▸ Attribute: representasi property yang dimiliki oleh suatu entitas.

▸ Relationship: hubungan antara beberapa entitas.

IMPLEMENTATION DATA MODEL

Representational or Implementation Data Model merupakan konsep yang dapat dimengerti oleh end user, menggambarkan organisasi data dalam komputer, tanpa detil penyimpanan dalam komputer. Disebut juga sebagai record-based data model, karena merepresentasi data dalam bentuk record structure. Konsep ini digunakan untuk menjelaskan skema traditional commercial database seperti relational database, network dan hierarchical databases.

RELATIONAL MODEL

Example :

PHYSICAL DATA MODEL

Low-level or Physical data model merupakan konsumsi computer specialist yang mencakup detil penyimpanan data di komputer. Pada konsep ini data direpresentasi dalam bentuk record format,record ordering, dan access path. Access path: adalah suatu struktur pencarian, pencarian record dalam database diharapkan bisa efisien

FASE RANCANGAN DATABASE

▸ Rancangan Database Conceptual.

▸ Rancangan Database Logical.

▸ Rancangan Database Physical

FAKTOR KESUKSESAN RANCANGAN DATABASE

▸ Bekerja secara interactively dengan users.

▸ Kelengkapan mengikuti seluruh proses metodologi pembangunan model data. Kelengkapan penggunaan pendekatan data-driven. 

 ▸ Mempertimbangan Struktur perusahaan dan kendala integrity kedalam model data. 

 ▸ Mengkombinasikan conceptualization, normalization, dan teknik validasi transaksi kedalam metodologi pemodelan data. 

METODOLOGI PERANCANGAN DATABASE

▸ Membangun Model Konseptual Data Lokal untuk Setiap User View

     - Identifikasi tipe entity. 

     - Identifikasi tipe relationship 

     - Identifikasi tipe dan menggabungkan attributes pada tiap entity 

     - Menentukan domain attribute. 

     - Menentukan attributes candidate dan primary key 

     - Mempertimbangkan konsep pemodelan enhanced (optional step)

     - Cek model dari redundancy

     - Validasi model konseptual lokal terhadap transaksi user

     - Review model konseptual data lokal terhadap NEED user

▸ Membangun dan Memvalidasi Model Logical Data Lokal Untuk Setiap View 

     - Menghilangkan features tidak compatible terhadap model relational (optional step)

     - Menentukan relasi untuk model logikal data lokal

     - Validasi relasi dengan menggunakan normalization

     - Validasi relasi terhadap transactions user

     - Menentukan kendala integrity

     - Review model logical data lokal terhadap NEED user

▸ Membangun dan Memvalidasi Model Logikal Data Global

     - Merge model logikal data lokal kedalam model logikal data global 

     - Memvalidasi model logical data global 

     - Cek model terhadap future growth

     - Review model logical data global terhadap NEED user

▸ Menerjemahkan model logical data global menjadi target DBMS

     - Merancang basis relasi 

     - Merancang representasi kebutuhan data 

     - Merancang kendala perusahaan

▸ Merancang representasi physical 

     - Analisis Transaksi 

     - Memilih organisasi file

     - Pemilihan indexes 

     - Estimasi kebutuhan disk space

▸Perancangan user view 

     - Perancangan mekanisme security 

     - Mempertimbangkan kontrol redundancy

     - Monitor dan Merubah sistem operasional