Dataware House

La complejidad creciente implica la necesidad de adquirir métodos más eficientes para el tratamiento de los datos de una organización, en consecuencia, las organizaciones deben optimizar sus sistemas de gestión. Sin embargo, no fue antes de 1990 cuando el concepto de Inteligencia de Negocios se arraigó el mundo empresarial. Ahora es tiempo del mundo académico: las Universidades no pueden escapar a este escenario. La linea de investigación y desarrollo presentada propone relevar los requerimientos claves de las unidades inter-institucionales encargadas de la toma de decisiones con el propósito de crear tableros de control dinámicos, interactivos y estratégicos. En el trabajo, se exponen los resultados obtenidos de las tres primeras etapas de implementación del DataWarehouse y los objetivos específicos de la próxima etapa de explotación. Palabras clave: TIC, Business Intelligence, Universidad, Tableros de Control.

These last years we have been witnessing a tremendous growth in the volume and availability of data. This fact results primarily from the emergence of a multitude of sources (e.g. computers, mobile devices, sensors or social networks) that are continuously producing either structured, semi-structured or unstructured data. Database Management Systems and Data Warehouses are no longer the only technologies used to store and analyze datasets, namely due to the volume and complex structure of nowadays data that degrade their performance and scalability. Big Data is one of the recent challenges, since it implies new requirements in terms of data storage, processing and visualization. Despite that, analyzing properly Big Data can constitute great advantages because it allows discovering patterns and correlations in datasets. Users can use this processed information to gain deeper insights and to get business advantages. Thus, data modeling and data analytics are evolved in a way that we are able to process huge amounts of data without compromising performance and availability, but instead by "relaxing" the usual ACID properties. This paper provides a broad view and discussion of the current state of this subject with a particular focus on data modeling and data analytics, describing and clarifying the main differences between the three main approaches in what concerns these aspects, namely: operational databases, decision support databases and Big Data technologies.

Data warehousing solutions play a crucial role in empowering e-commerce businesses to manage
and analyze vast volumes of data for informed decision-making. With the advent of cloud
computing, organizations now have the option to deploy their data warehousing infrastructure
either on-premises or in the cloud. This paper compares traditional on-premises data
warehousing solutions with cloud-based alternatives in the context of e-commerce, examining
factors such as scalability, cost-effectiveness, flexibility, and security. Through a comprehensive
analysis of the strengths and limitations of each approach, this paper aims to provide insights into
the selection and implementation of data warehousing solutions tailored to the unique
requirements of e-commerce businesses.

En la última década uno de los importantes cambios que impactaron en las organizaciones, fue la transformación de las economías y sociedades industriales, en economías de servicio basadas en el conocimiento y la información. El uso intensivo de la información en las organizaiones y en la sociedad en general, dió lugar a un nuevo contexto conocido como sociedad del conocimiento. Los sistemas de información desempeñan actualmente un papel fundamental en el avance y crecimiento de una institución. Los usos estratégicos de la información y sus sistemas llegan a ser determinantes para el éxito de las mismas. Mediante una adecuada gestión de la información y la tecnología, la organización genera conocimiento. El conocimiento facilita la innovación, mejora la eficiencia en el uso de los recursos, la calidad de los procesos y la toma de decisiones, lo que en definitiva, le permite diferenciarse y crecer acorde a las expectativas del contexto. El papel que las tecnologías de información jueg...

La implementación de soluciones basadas en Business Intelligence (BI) permite a las empresas mejorar sus procesos de toma de decisiones mediante la optimización del acceso a datos precisos y en tiempo real. Este artículo detalla un caso de estudio en el que se aplicó BI en el área de costos y presupuestos de una empresa utilizando la metodología ágil Scrum. Se desarrollaron dashboards interactivos a través de Power BI, lo que redujo en un 65% el tiempo de generación de reportes. Se presentarán gráficos de las fases del proyecto y la mejora en los indicadores de desempeño.

En la última década uno de los importantes cambios que impactaron en las organizaciones, fue la transformación de las economías y sociedades industriales, en economías de servicio basadas en el conocimiento y la información. El uso intensivo de la información en las organizaiones y en la sociedad en general, dió lugar a un nuevo contexto conocido como sociedad del conocimiento. Los sistemas de información desempeñan actualmente un papel fundamental en el avance y crecimiento de una institución. Los usos estratégicos de la información y sus sistemas llegan a ser determinantes para el éxito de las mismas. Mediante una adecuada gestión de la información y la tecnología, la organización genera conocimiento. El conocimiento facilita la innovación, mejora la eficiencia en el uso de los recursos, la calidad de los procesos y la toma de decisiones, lo que en definitiva, le permite diferenciarse y crecer acorde a las expectativas del contexto. El papel que las tecnologías de información jueg...

As organizations increasingly rely on data-driven decision-making, the need for efficient data management solutions has become paramount. This paper explores the design and implementation of cloudbased data warehousing solutions, highlighting their advantages in scalability, accessibility, and costeffectiveness. Traditional on-premises data warehouses often struggle with the challenges of handling large volumes of data and the demands of real-time analytics. In contrast, cloud-based architectures offer flexible storage options, enabling businesses to dynamically adjust their resources based on fluctuating data needs. The paper discusses various architectural frameworks and best practices for developing robust cloud data warehouses, including the use of ETL (Extract, Transform, Load) processes, data modeling techniques, and security considerations. By leveraging platforms such as Amazon Redshift, Google BigQuery, and Microsoft Azure Synapse, organizations can enhance their analytical capabilities while minimizing infrastructure overhead. Additionally, case studies of successful implementations demonstrate how cloud-based data warehousing can streamline operations, improve data accessibility across departments, and support advanced analytics and machine learning initiatives. This research underscores the transformative impact of cloud technologies on data warehousing, providing a comprehensive guide for organizations aiming to enhance their data management strategies in an increasingly digital landscape. Ultimately, adopting cloud-based solutions not only optimizes data storage and retrieval but also fosters a culture of innovation by enabling faster, more informed decision-making.

This paper provides a comprehensive comparison of AWS Redshift and Snowflake, two leading cloud-based data warehousing solutions, focusing on their performance and usability for data analytics. By examining various metrics such as query execution speed, scalability, cost-effectiveness, and ease of use, this study aims to provide insights into which platform better meets the needs of modern data-driven enterprises. Through a series of benchmark tests and case studies, the research highlights key differences, strengths, and weaknesses of each platform, offering valuable recommendations for organizations looking to optimize their data analytics operations.

Real-time data processing has become increasingly important in today's data-driven world, where organizations need to quickly analyze and respond to incoming data to maintain a competitive edge. PySpark, an open-source distributed computing framework, has emerged as a powerful tool for processing large-scale data in real-time. This paper analyzes the capabilities of PySpark for real-time data processing, focusing on its scalability, flexibility, and integration with other big data technologies. PySpark provides a robust framework for handling real-time data streams, leveraging Apache Spark's distributed computing power and the ease of use of the Python programming language. The paper discusses the architecture of PySpark, including its core components and how it processes data in memory, which
significantly enhances performance over traditional disk-based systems.
The analysis explores PySpark's compatibility with various data sources, such as Kafka, HDFS, and Amazon
S3, enabling seamless data ingestion and processing. PySpark's ability to handle structured, semi-structured,
and unstructured data allows it to be used in diverse applications, from financial analytics to social media
monitoring and IoT device management.
Moreover, PySpark's support for machine learning libraries such as MLlib enables the development of realtime predictive models, enhancing its value in data-driven decision-making. This paper also examines
PySpark's scalability, demonstrating how it efficiently handles data growth and varying workload demands
by utilizing dynamic resource allocation and parallel processing.
In addition, the paper highlights PySpark's integration with other big data technologies, such as Apache Hive
and Apache HBase, which allows for enhanced data storage and querying capabilities. These integrations
enable PySpark to provide comprehensive solutions for real-time analytics, from data ingestion to
visualization.

The healthcare sector enhances the integration of artificial intelligence, natural language processing and machine learning in data governance for developing automation procedures. Data management offered AI-powered ETL testing with the adoption of an automation framework for resolving data governance issues [1]. This insight promotes operational efficiency with assurance of data quality that empowers data security by ML, AI and NLP frameworks. The framework allows healthcare institutions to arrange unstructured data in effective insights into patient care and treatment procedures. Advanced analytics leads to the development of predictions on patient outcomes in treatment procedures. The automated process of ETL improves efficient information collection by NPL with the creation of predictive models in monitoring data management by ML [2].

Change Data Capture (CDC) is a pivotal feature in Relational Database Management Systems (RDBMS) that facilitates the identification, tracking, and extraction of modifications made to data within databases. This paper provides a thorough examination of the principles, benefits, and implementation strategies associated with CDC in the context of RDBMS. The paper begins by elucidating the fundamental concepts of CDC and its significance in various data management scenarios, such as data warehousing, data integration, and real-time analytics. It explores the motivations behind adopting CDC and outlines the challenges it addresses in maintaining data consistency, integrity, and auditability. A critical aspect of the paper involves a detailed discussion of the steps involved in enabling a Custom CDC within an RDBMS environment. This includes selecting tables for CDC, configuring CDC settings, and understanding the structure of CDC tables. Practical examples are provided to illustrate the implementation process, with a focus on a prominent RDBMS like SQL Server. Furthermore, the paper addresses considerations for handling different types of changes (inserts, updates, deletes) and managing the overhead associated with CDC processes. The impact of CDC on system performance is thoroughly examined, and the paper proposes strategies to mitigate potential overhead.

Sahabat-sahabat yang selalu menjadi tempat berbagi cerita, Teman-teman TF angkatan 2009 yang setia, ceria, kompak, dan selalu memberi semangat, serta teman-teman menyanyi penulis sebagai tempat melepas lelah. 7. Segenap karyawan Kantor Sistem Informasi (KSI) yang ramah dan menyenangkan. Pak Cahyadi, Mbak Ayik, Mbak Lili, Pak Widodo, dll. Terima kasih atas semua bantuan dan kerjasamanya. 8. Segenap dosen, laboran, dan karyawan Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta. 9. Semua teman-teman yang tidak dapat penulis sebutkan satu per satu yang telah memberikan dorongan dan semangat yang sangat berarti. Penulis menyadari bahwa tugas akhir ini jauh dari pengetahuan yang dimiliki penulis. Oleh sebab itu segala kritik dan saran yang membangun sangat penulis harapkan. Akhir kata semoga tugas akhir ini dapat berguna dan bermanfaat bagi semua pihak. Yogyakarta, Juli 2013 Penulis v HALAMAN PERSEMBAHAN "Hidup adalah proses bertanya. Jawaban hanyalah persinggahan dinamis yang bisa berubah seiring dengan berkembangnya pemahaman. Namun, pertanyaanlah yang membuat kita terus maju." Bagi mereka, persinggahan ini saya persembahkan: Bapak dan Mama, yang selalu percaya bahwa bakat itu selalu ada. Adik-adik saya, yang tanpa sadar sering menjadi guru bagi saya. Krispinus Haruman, rekan seperjalanan yang menjadi inspirasi, rumah, sekaligus cermin hati. I truly love you. Dan terakhir, bagi Hidup, dalam berbagai wujud dan rupa, dalam yang tak berwujud dan tak berupa. Terimalah noktah ini, yang meski mungil tapi tak pernah luput Engkau beri makna.

Dalam merancang dan menganalisa sistem yang ada pada perusahaan digunakan metode analisa CSF, analisa SWOT dan analisa matriks. Data warehouse menyimpan data transaksional baik yang bersifat histori ataupun data baru yang telah ditransformasi ...

Today's enterprises are constantly looking for means to reduce operational costs while increasing the efficiency of their database management systems. This helps them to quickly go through real-time analytics and make critical decisions that push them ahead of the competition. In the modern data-driven business ecosystem, there are always huge amounts of data to be processed and generated both in-house and from external sources. To maximize this activity, it is necessary to shift databases from existing systems to technologically advanced platforms that offer cutting-edge advantages. One of the ways of doing so is to move databases from Microsoft SQL Server to Snowflake.

A large portion of the public health frameworks is taking transformations into data-centred techniques as a base for proper decision-making targeting the complicated nature of modern health issues. In recent years, the old-fashioned methods of handling big data related to public health have yet to practically encompass the amount of data emerging from the computerization of medical reporting. This article will look at how cloud-based data analytics can transform people-based decision-making into revolution and modern approaches to the current public health decisions that are being made. The objective of the report was to lay the basis of the literature on the significance of data-driven decision-making for public health, traditional viewpoint obstacles, action of cloud computing, and research studies on cloud computing-based analytics in the public health setting. Therefore, the novella goes along from being data for acquisition and preprocessing to having a model to be developed, trained, and tuned up until it is ready to be deployed and maintain sufficient control of data integrity, security, privacy compliance, including collaborative collection and sharing of information, and continuous monitoring and further update. This highlights that public health organizations are likely to build their capability of using evidence-based data that can be spread globally and in a timely manner, keeping in mind the health outcomes of the whole world's population delicately through cloud-based analytics.

Sahabat-sahabat yang selalu menjadi tempat berbagi cerita, Teman-teman TF angkatan 2009 yang setia, ceria, kompak, dan selalu memberi semangat, serta teman-teman menyanyi penulis sebagai tempat melepas lelah. 7. Segenap karyawan Kantor Sistem Informasi (KSI) yang ramah dan menyenangkan. Pak Cahyadi, Mbak Ayik, Mbak Lili, Pak Widodo, dll. Terima kasih atas semua bantuan dan kerjasamanya. 8. Segenap dosen, laboran, dan karyawan Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta. 9. Semua teman-teman yang tidak dapat penulis sebutkan satu per satu yang telah memberikan dorongan dan semangat yang sangat berarti. Penulis menyadari bahwa tugas akhir ini jauh dari pengetahuan yang dimiliki penulis. Oleh sebab itu segala kritik dan saran yang membangun sangat penulis harapkan. Akhir kata semoga tugas akhir ini dapat berguna dan bermanfaat bagi semua pihak. Yogyakarta, Juli 2013 Penulis v HALAMAN PERSEMBAHAN "Hidup adalah proses bertanya. Jawaban hanyalah persinggahan dinamis yang bisa berubah seiring dengan berkembangnya pemahaman. Namun, pertanyaanlah yang membuat kita terus maju." Bagi mereka, persinggahan ini saya persembahkan: Bapak dan Mama, yang selalu percaya bahwa bakat itu selalu ada. Adik-adik saya, yang tanpa sadar sering menjadi guru bagi saya. Krispinus Haruman, rekan seperjalanan yang menjadi inspirasi, rumah, sekaligus cermin hati. I truly love you. Dan terakhir, bagi Hidup, dalam berbagai wujud dan rupa, dalam yang tak berwujud dan tak berupa. Terimalah noktah ini, yang meski mungil tapi tak pernah luput Engkau beri makna.

Actualmente estamos rodeados de grandes volúmenes de datos, que van generándose cotidianamente como resultado de diferentes procesos; el adecuado procesamiento de estos datos puede marcar el éxito o la falta de procesamiento, puede conducirle al fracaso de una institución, organización o empresa. Es por esta razón, que primeramente se realizó varias visitas a la Dirección Distrital de Educación del cantón Guaranda, Provincia Bolívar; donde se concluyó que en esta dependencia educativa existe un alto riesgo de pérdida de información, debido a que la mayoría de la fuente de datos, se encuentran en formato físico y muy pocas en digital; además no existe un almacén centralizado de datos, que disponga datos históricos, normalizados, con altos niveles de seguridad y puedan ser extraídos, para análisis y apoyo a la toma de decisiones. También existe un alto desconocimiento del estado del rendimiento académico de las Instituciones educativas particulares, fiscales y fisco misionales; lo cual dificulta tomar acciones de mejora en beneficio de la educación. Históricamente nadie se ha preocupado por procesar los datos existentes, para generar información relevante que apoye a la toma de decisiones. Es por estas razones principales que se construyó e implemento un sistema de análisis de datos denominado "Sistema de Soporte a la Toma de Decisiones" (DSS), que se caracteriza por estar desarrollado con herramientas Open Source de la Suite de Pentaho; mismo que permitirá conocer el estado del rendimiento académico de las instituciones educativas de diferentes modalidades y sostenimientos; a través de actividades analíticas como reporteo ad hoc y análisis OLAP.

Sistem teknologi informasi yang dipadukan dengan Business Intelligence (BI) atau intelijen bisnis dapat membantu pemilik bengkel Ban Motor XYZ dalam memenuhi kebutuhan manajemen bengkel. Metode yang diterapkan pada penelitian menggunakan System Development Life Cycle (SDLC) yang terdiri dari: perencanaan, analisis, rancangan, penerapan dan penggunaan. Sistem informasi yang dipadukan dengan Intelijen Bisnis akan sangat baik dalam pengolahan sebuah data, sangat berguna bagi penyedia jasa dan retail seperti bengkel yang memiliki banyak pelanggan. Intelijen Bisnis berperan untuk mengumpulkan data dan kemudian diolah menjadi sebuah informasi, sehingga informasi yang ditampilkan pada dasbor lebih akurat. Intelijen Bisnis dapat membantu untuk melakukan prediksi data dan juga rekomendasi data.

Antes del inicio del proyecto cada campus (21) manejaba su propio sistema de información, los procesos no estaban relacionados ni compartían información alguna. El software ha mejorado los tiempos de atención de 2 horas a 5 minutos, y ha mejorado el sistema de cobranza al implementar los pagos en línea. También permite a los alumnos realizar la mayoría de los procesos en línea si trasladarse hasta los campus

Antes del inicio del proyecto cada campus (21) manejaba su propio sistema de información, los procesos no estaban relacionados ni compartían información alguna. El software ha mejorado los tiempos de atención de 2 horas a 5 minutos, y ha mejorado el sistema de cobranza al implementar los pagos en línea. También permite a los alumnos realizar la mayoría de los procesos en línea si trasladarse hasta los campus

The purpose of this study is to analyze sales data from warehouse to distributors, identification of distributor status, and extension periods of active distributors. From the analysis, a data warehouse application is created with user interfaces that are easy to understand so as it can facilitate executive decision making. The analysis is done through the following steps: survey of the running system, analysis of the data obtained from the survey, identification of the information needed for data warehouse creation and identification requirements of the system to be built. Meanwhile, designing a data warehouse uses the Nine-Step Methodology of Ralph Kimball. The result is a data warehouse containing relevant and required information for executives to make decisions. The data warehouse application displays information to the user interface that is easy to understand and quick in making the report. The data needed by the company have been analyzed and produce useful information for executives. In addition, the reports can be generated quickly and the results of the analysis shown in the form of charts and pivot facilitate decision making more rapidly and precisely.

Data mining is increasingly becoming an essential tool in organizations today. Particularly, academic organizations are requesting more sophisticated tools to improve their decision making process. A large quantity of data and information is produced during the student' s life, but it is still necessary to turn them into insight. This paper describes a project that use data mining to support the decision making process in higher education in Chile. The aim of this project is to find patterns that allow the identification and determination of relationships among the initial conditions of students and with their final status as a student (drop-out or graduated). The study is conducted in a university in the north of Chile and it considers five undergraduate majors. The final results of this project are expected to support the decisions making process related with university admission policies, causes of student failure or success, and university marketing policies.

The data warehouse (DW) is a modern proven technique of handling and managing diversity in data sources, format and structure. Recent advances in database technologies are leading to the proliferation of different kinds of information design with independent supporting hardware and software. This technology was developed therefore to integrate heterogeneous information sources for analysis purposes. Information sources are progressively becoming autonomous and they change their content rapidly due to perpetual transactions (data changes) and may change their structure due to continual users' requirements evolving (schema changes). Handling correctly all type of these changes however is a real challenge. Thus, strategic decision making is an ongoing process and part of human life. Businesses all over the world are faced with challenging decision making which is the very livelihood to their very existence. There has been intensive research in the field of databases including the grandfather of data warehousing Inmon which they offered tremendous insight into how the power of computing can be harnessed in strategic decision making. There achievement in the petroleum industry has been highlighted and written about by Nimmagadda and his fellow professionals. However how this can be implemented in Africa is remain to be solved. In this paper we investigated the various data capturing systems which they currently in use at the Ghana National Petroleum Cooperation (GNPC)-a state agency responsible for the overall management and supervision of the hydrocarbon endowment of the sub-region and recommending a tree tier level petroleum data warehouse architecture for cutting-edge decision making on petroleum resources.

TUJUAN PENELITIAN ini adalah untuk melakukan identifikasi kebutuhan data, informasi dan pengetahuan serta permasalahan yang dihadapi oleh Divisi IT dan manajemen yang berkaitan dengan pengambilan keputusan, pengolahan data dan juga perencanaan strategi.

Transact SQL (T-SQL) merupakan bahasa pengelolaan basis data yang digunakan pada Database Management System (DBMS) Microsoft SQL Server. Kelebihan dari T-SQL adalah, perintahperintah T-SQL dapat disisipkan dalam bahasa pemograman. Pada pengembangan aplikasi manajemen basis data, T-SQL dapat digunakan untuk menangani proses-proses yang berhubungan langsung dengan basis data beserta komponennya. Pada makalah ini akan dipaparkan penggunaan T-SQL pada pengembangan aplikasi manajemen basis data berbasis web. Aplikasi manajemen basis data bertujuan untuk memudahkan administrator server basis data SQL Server dalam mengelola basis data beserta komponennya. Aplikasi ini dikembangkan berbasis web dengan bahasa pemrograman php dan T-SQL. Dari uji coba yang dilakukan dapat diketahui bahwa T-SQL memudahkan pengembangan aplikasi pengelolaan server dalam menangani proses-proses yang berhubungan dengan basis data beserta obyek-obyek basis data.

Sahabat-sahabat yang selalu menjadi tempat berbagi cerita, Teman-teman TF angkatan 2009 yang setia, ceria, kompak, dan selalu memberi semangat, serta teman-teman menyanyi penulis sebagai tempat melepas lelah. 7. Segenap karyawan Kantor Sistem Informasi (KSI) yang ramah dan menyenangkan. Pak Cahyadi, Mbak Ayik, Mbak Lili, Pak Widodo, dll. Terima kasih atas semua bantuan dan kerjasamanya. 8. Segenap dosen, laboran, dan karyawan Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta. 9. Semua teman-teman yang tidak dapat penulis sebutkan satu per satu yang telah memberikan dorongan dan semangat yang sangat berarti. Penulis menyadari bahwa tugas akhir ini jauh dari pengetahuan yang dimiliki penulis. Oleh sebab itu segala kritik dan saran yang membangun sangat penulis harapkan. Akhir kata semoga tugas akhir ini dapat berguna dan bermanfaat bagi semua pihak. Yogyakarta, Juli 2013 Penulis v HALAMAN PERSEMBAHAN "Hidup adalah proses bertanya. Jawaban hanyalah persinggahan dinamis yang bisa berubah seiring dengan berkembangnya pemahaman. Namun, pertanyaanlah yang membuat kita terus maju." Bagi mereka, persinggahan ini saya persembahkan: Bapak dan Mama, yang selalu percaya bahwa bakat itu selalu ada. Adik-adik saya, yang tanpa sadar sering menjadi guru bagi saya. Krispinus Haruman, rekan seperjalanan yang menjadi inspirasi, rumah, sekaligus cermin hati. I truly love you. Dan terakhir, bagi Hidup, dalam berbagai wujud dan rupa, dalam yang tak berwujud dan tak berupa. Terimalah noktah ini, yang meski mungil tapi tak pernah luput Engkau beri makna.

These last years we have been witnessing a tremendous growth in the volume and availability of data. This fact results primarily from the emergence of a multitude of sources (e.g. computers, mobile devices, sensors or social networks) that are continuously producing either structured, semi-structured or unstructured data. Database Management Systems and Data Warehouses are no longer the only technologies used to store and analyze datasets, namely due to the volume and complex structure of nowadays data that degrade their performance and scalability. Big Data is one of the recent challenges, since it implies new requirements in terms of data storage, processing and visualization. Despite that, analyzing properly Big Data can constitute great advantages because it allows discovering patterns and correlations in datasets. Users can use this processed information to gain deeper insights and to get business advantages. Thus, data modeling and data analytics are evolved in a way that we are able to process huge amounts of data without compromising performance and availability, but instead by "relaxing" the usual ACID properties. This paper provides a broad view and discussion of the current state of this subject with a particular focus on data modeling and data analytics, describing and clarifying the main differences between the three main approaches in what concerns these aspects, namely: operational databases, decision support databases and Big Data technologies.

Data warehouses traditionally are built using relational databases. The main reason for that-data warehouses mostly are used in enterprises with large-scale data sets stored in relational data structures of different legacy systems. Though rapidly developing non-relational databases also are still rather unusual in data processing tasks. This paper discusses the possibilities and advantages of using document-oriented NoSQL database management systems in data warehousing. The paper describes processes and implementation aspects of building data warehouses using a NoSQL data storages. The research is based on practical experience gained during implementing of NoSQL data marts in MongoDB.

Pembentukan struktur basis data merupakan hal yang sangat penting dalam pengembangan sistem informasi. Tidak sedikit pengembangan sistem informasi gagal karena pemahaman kebutuhan data atas user tidak tercapai. Kebutuhan user inilah yang akan dituangkan dalam sebuah struktur basis data. Maka dari itu seorang perancang basis data tidak sekedar mampu membuat struktur yang bagus, struktur yang bagus tidak boleh hanya dilihat dari sisi teori belaka. Seorang perancang basis data juga harus mampu memahami kebutuhan tingkat operasional. Normalisasi merupakan parameter yang dapat digunakan oleh seorang perancang basis data untuk melakukan proses penyempurnaan dari tabel-tabel yang ada dalam basis data. Memang setelah diketahui tingkatan kenormalan dari setiap tabel, seorang perancang basis data dapat mengoptimalkan kinerjannya nanti sesuai dengan kebutuhan dengan melakukan denormalisasi. Denormalisasi merupakan proses untuk mengembalikan kembali sebuah tabel yang tadinya sudah normal ke seb...

Kemajuan teknologi yang berkembang pesat sehingga memberikan berbagai kemudahan dalam setiap aspek kehidupan. Dalam era globalisasi persaingan bisnis yang semakin ketat, baik dalam penyediaan barang dan jasa industri, keberhasilan suatu perusahaan atau organisasi sangat bergantung pada teknologi informasi yang dapat memberikan laporan untuk dianalisis. Sistem pelaporan dianggap statis tidak fleksibel dalam menjelajahi informasi dalam suatu sistem informasi yang ada. Alat pelaporan dinamis diperlukan sehingga pengguna dapat melakukan analisis data untuk melihat data yang tersedia dari berbagai dimensi. Metode yang digunakan adalah dengan membangun aplikasi data warehouse menggunakan pendekatan Top Down. Hasil dari peneliltian ini adalah terciptanya sebuah pangkalan data dan aplikasinya yang dapat digunakan untuk dilakukan analisa terhadap informasi transaksional yang terjadi pada unit pendidikan di Yayasan Ummu’l Quro Depok yang digunakan sebagai pendukung proses pengambilan keputusa...

Extraction, Transformation, dan Loading, yang lebih dikenal dengan singkatan ETL, merupakan salah satu proses yang sangat penting dalam penerapan konsep data warehouse. Secara garis besar tugas dari proses ETL adalah untuk mengumpulkan data yang berasal dari sumber data dengan sistem operasi dan environment berbeda-beda menjadi sebuah kumpulan besar data yang terintegrasi. Dengan demikian semakin besarnya jumlah data yang akan diintegrasikan maka akan semakin berat dan semakin lama pula kinerja dari proses ETL. Hal tersebut akan mempengaruhi performansi data warehouse keseluruhan. Dalam buku tugas akhir ini penulis melakukan optimasi terhadap ETL dengan representasi state-space dan algoritma heuristic-greedy yang dapat mengurangi jumlah baris data yang diproses dalam setiap transformasi. Kemudian dilakukan analisis pada hasil optimasi ETL dengan membandingkan antara cost value dan waktu eksekusi yang dihasilkan algoritma heuristic-greedy dan algoritma exhaustive. Hasil akhir dari pe...

Interest in biological methods for livestock and poultry pest management is largely motivated by the development of resistance to most of the available synthetic pesticides by the major pests. There also has been a marked increase in organic systems, and those that promote animal welfare by reducing animal densities and allowing greater freedom of movement. Such systems, especially organic operations, are in need of new tools and strategies to manage pest problems. This chapter reviews the status of entomopathogenic fungi, viruses, and nematodes for management of pests of livestock and poultry production. The pests covered here are limited to the research that has been conducted to date, but include biting and nuisance flies, ticks, poultry ectoparasites, and litter beetles. Many of the same pests affect horses as well, although little work has been done in this area. The fungal pathogens Beauveria bassiana and Metarhizium anisopliae s.l. have received the most attention and have been evaluated against most of the major livestock and poultry pests. These pathogens have the greatest potential for practical use, but more work is needed to identify efficacious isolates and develop formulations for both on-and off-host use. The slow kill rate of these pathogens has been considered a liability in the past, but a growing body of work has demonstrated important sublethal effects of infection that includes reduced feeding, movement, and pathogen transmission. Two pathogens of house fly, the fungus Entomophthora muscae and salivary gland hypertrophy virus, are effective under some conditions but have biological characteristics that have limited their development as practical management tools. Entomopathogenic nematodes (Steinernema and Heterorhabditis spp.) also have potential but are limited by environmental constraints, especially temperature and substrate moisture. Discovery of, or selection for, strains with wider environmental tolerance could broaden the range of situations where they can be used effectively.

Considering the market's competitiveness and the complexity of organizations and projects, analyzing data is crucial to decision support on software development and project management processes. These practices are essential to increase performance, reduce costs and risks of failure, and guarantee the quality of results, keeping the work organized and controlled. ITLingo-Cloud is a multi-organization and multi-workspace collaborative platform to manage and analyze data that can support translating project performance knowledge into improved decision-making. This platform allows users to quickly set up their environment, manage workspaces and technical documentation, and analyze and observe statistics to aid both technical and business decisions. ITLingo-Cloud supports multiple technologies and languages, promotes data synchronization with templates and reusable libraries, as well as automation tasks, namely automatic data extraction, automatic validation, or document automation. The usability of ITLingo-Cloud was recently evaluated with two experiments and discussed with other related approaches.

Information about the distribution of data and supporting students is needed bymarketing and communications department (markom) Dr. Soetomo University(Unitomo) of Surabaya. On the other hand, the data distribution information markomstudents rely on the IT Department. To overcome these problems need to developeddata warehouse applications in order to support environmentally markkom routineactivities and faculty in promoting Unitomo to the wider community. The datawarehouse is a data set that is subject-oriented, integrated, time variant, and nonvolatilewhich helps management in decision making process. The method of data warehouse started from collecting the data needed to build adata warehouse, the next process is the star schema created, extraction and datatransformation (ETL). Data extraction is the process of selecting the data to be insertedinto the data warehouse. Once the transformation is done, the data is inserted into thedata warehouse. Existing data in the data warehouse w...

Data Warehouse merupakan sekumpulan teknologi yang memberikan dukungan pengambil keputusan yang bertujuan untuk memberikan pengetahuan bagi pegawai tingkat manajerial seperti eksekutif, manajer, analis dan jajaran direksi yang berguna dalam pengambilan keputusan yang baik dan cepat. Kebutuhan pemerintah daerah terkait kualitas informasi keuangan yang bersifat time series saat ini menjadi pokok setelah terbitnya kebijakan otonomi daerah dan perimbangan keuangan antara pusat dan daerah yang memberikan wewenang lebih luas kepada pemerintah daerah dalam pengelolaan keuangannya. Salah satu tolok ukur keberhasilan otonomi adalah terwujudnya kemandirian daerah dalam bidang keuangan yang berpengaruh langsung terhadap kemakmuran dan kesejahteraan masyarakat. Penelitian ini bertujuan untuk membuat desain sistem dan prototype data warehouse studi kasus sebuah provinsi di Indonesia yang mengelola sumber-sumber data keuangan yang selama ini tidak dikelola dengan baik dan memiliki nilai manfaat besar bagi pengambil keputusan. Sistem diimplementasikan menggunakan tool BI SQL Server melalui tahap skema data warehouse, koneksi data ke tool, desain analysis service dan delivering report. Hasil dari penelitian bermanfaat sebagai model yang dapat digunakan oleh unit yang membidangi pengembangan aplikasi untuk diintegrasikan dengan portal pemerintahan.

Dashboard is a tool that used for serving information in diagram model, visual indicator or graphic that make simply summary of information. Purpose of the thesis is to make an application for development dashboard that could used for measuring the performance of study program. Method that used is Extract, Transform, Load (ETL) and Method Software Engineering. ETL Method is importing the data to SQL SERVER and then transform it into a data master which easier to process to be a fact table data and ready to be the database master, and the software engineering method is a method Business Intelligence development derived from the method of software engineering is justification, planning, Business Analysis, Design, Construction, Deployment. The Result of dashboard design that can show and monitoring data of lecturers, employees, college student, research faculty, and completed research.