SlideShare ist ein Scribd-Unternehmen logo
1 von 22
DATA WAREHOUSE
Merupakan database yang
menyimpan data sekarang dan data
historis yang dibutuhkan oleh
pengambil keputusan perusahaan
Data Warehouse?
Komponen Data Warehouse/Model Data Warehouse
Data mart adalah merupakan bagian
dari informasi data warehouse.
Data warehouse fokus pada data
organisasi, data mart fokus pada
informasi unit tertentu seperti
keuangan, produksi, atau operasi.
Data mart
Query
Kemampuan untuk menampilkan suatu data dari database
dimana mengambil dari tabel-tabel yang ada di database.
Perintah-perintah untuk mengakses data pada sistem basis
data.
Struktur bahasa query standar:
SELECT nama data item
FROM nama file
WHERE kondisi
Akses dan Analisis Data
Sebagai misal penggunaan bahasa query adalah sebagai
berikut:
SELECT no_mhs, nama_mhs, ip_mhs
FROM file_mhs
WHERE ip_mhs>=3
Query di atas digunakan untuk menampilkan data
mahasiswa dari file database yang bernama file_mhs
untuk mahasiswa yang indeks prestasinya paling
sedikit 3.
OLAP (Online Analytical Processing/OLAP)
Analisis data multidimensi
Mendukung manipulasi dan analisis data
dalam jumlah besar dari beragam
dimensi/perspektif
Multidimensional Data Model
Data Mining
Proses selecting, exploring, and
modeling sejumlah besar data untuk
menemukan pola tersembunyi dan
hubungan yang belum diketahui
sebelumnya untuk mendukung
pembuatan keputusan guna
memprediksi perilaku masa depan.
Tipe informasi yang diperoleh dari data mining:
Assosiasi
Sequence
Klasifikasi
Kluster
Forecasting (peramalan)
Analisis Statistik
Asosiasi
Informasi yang dikaitkan dengan event tunggal
tertentu.
Contoh:
Pembelian pop corn -> kenaikan pembelian coca
cola 65%
Ada promosi -> kenaikan pembelian coca-cola 85%
Sequence (tahapan)
Informasi yang menghubungkan
kejadian lintas waktu.
Contoh:
Pembelian rumah -> pembelian kulkas
naik 65% -> pembelian oven naik 45%
Klasifikasi
Pola yang menggambarkan suatu item masuk
dalam kelompok mana dengan menguji item
yang sudah diklasifikasi dan menyimpulkan suatu
aturan.
Contoh:
Bisnis kartu kredit khawatir tentang konsumen
yang loyal/tidak -> klasifikasi untuk mengetahui
klasifikasi konsumen loyal/tidak  menentukan
kampanye untuk mempertahankan konsumen
Klaster
Sama seperti melakukan klasifikasi tapi ketika belum ada
kelompok yang teridentifikasi
Contoh: data dalam kartu kredit yang membagi
konsumen berdasar demografi
Forecasting (peramalan)
Menggunakan data yang ada untuk meramalkan
informasi yang akan terjadi.
Contoh: data historis penjualan 5 tahun terakhir untuk
meramalkan penjualan tahun depan
Analisis Statistik
Menggunakan fungsi2 Statistik
seperti: korelasi, regresi, variance, dll
untuk menganalisa data
Korelasi: membahas keeratan hubungan antar
variabel X dg Y
Regresi: membahas prediksi (peramalan), jenisnya:
Regresi tunggal: Y = a + bX
Regresi berganda; Y = a + b1X1 + b2X2, dst…
Perusahaan perlu memformulasi strategi untuk:
meningkatkan kualitas informasi organisasi
Efektifitas pengambilan keputusan
“information cleansing / scrubbing
Aktivitas untuk menyelesaikan masalah informasi yang
inconsistent, incorrect, atau incomplete.
(dengan bantuan software, misal: Oracle, SAS, dll)
Kualitas Informasi
Contoh (gambar 6.17)
Perubahan dari CUSTOMER ID menjadi
CONTACT
o Contoh (gambar 6.18)
Diperlukannya standarisasi nama konsumen
Terima kasih atas perhatiannya
ada pertanyaan?

Weitere ähnliche Inhalte

Was ist angesagt? (18)

Data warehouse
Data warehouseData warehouse
Data warehouse
 
Data Warehousing and OLAP I
Data Warehousing and OLAP IData Warehousing and OLAP I
Data Warehousing and OLAP I
 
15749 5 pengelompokkan data mining
15749 5 pengelompokkan data mining15749 5 pengelompokkan data mining
15749 5 pengelompokkan data mining
 
Data Warehousing and OLAP II
Data Warehousing and OLAP IIData Warehousing and OLAP II
Data Warehousing and OLAP II
 
99 1-414-2-10-20190724
99 1-414-2-10-2019072499 1-414-2-10-20190724
99 1-414-2-10-20190724
 
Data mining week 1 - pengantar data mining
Data mining   week 1 - pengantar data miningData mining   week 1 - pengantar data mining
Data mining week 1 - pengantar data mining
 
Janaloka,+v1n1 04 (1)
Janaloka,+v1n1 04 (1)Janaloka,+v1n1 04 (1)
Janaloka,+v1n1 04 (1)
 
26813 9 arsitektur data mining
26813 9 arsitektur data mining26813 9 arsitektur data mining
26813 9 arsitektur data mining
 
Nine step methodology
Nine step methodologyNine step methodology
Nine step methodology
 
Arsitektur data warehouse
Arsitektur data warehouseArsitektur data warehouse
Arsitektur data warehouse
 
Pertemuan 11 Kualitas Data
Pertemuan 11 Kualitas DataPertemuan 11 Kualitas Data
Pertemuan 11 Kualitas Data
 
Perancangan data warehouse
Perancangan data warehousePerancangan data warehouse
Perancangan data warehouse
 
Kecerdasan bisnis
Kecerdasan bisnisKecerdasan bisnis
Kecerdasan bisnis
 
Kecerdasan bisnis- Sistem Penunjang Keputusan
Kecerdasan bisnis- Sistem Penunjang KeputusanKecerdasan bisnis- Sistem Penunjang Keputusan
Kecerdasan bisnis- Sistem Penunjang Keputusan
 
Chindy, chika. informasi dalam praktik
Chindy, chika. informasi dalam praktikChindy, chika. informasi dalam praktik
Chindy, chika. informasi dalam praktik
 
Konsep dan teknologi data mining
Konsep dan teknologi data miningKonsep dan teknologi data mining
Konsep dan teknologi data mining
 
484 922-1-pb
484 922-1-pb484 922-1-pb
484 922-1-pb
 
Pertemuan 10 Metadata Datawarehouse
Pertemuan 10 Metadata DatawarehousePertemuan 10 Metadata Datawarehouse
Pertemuan 10 Metadata Datawarehouse
 

Andere mochten auch

What it Takes to be a True Marketing Leader and Innovator
What it Takes to be a True Marketing Leader and InnovatorWhat it Takes to be a True Marketing Leader and Innovator
What it Takes to be a True Marketing Leader and InnovatorBMANEO
 
택배아찌talk 화면디자인
택배아찌talk 화면디자인택배아찌talk 화면디자인
택배아찌talk 화면디자인su90123
 
презентация Microsoft power point
презентация Microsoft power pointпрезентация Microsoft power point
презентация Microsoft power pointZabolotnya
 
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...Thinh Phan
 
131218 清水プレゼン資料
131218 清水プレゼン資料131218 清水プレゼン資料
131218 清水プレゼン資料Yasuyuki Shimizu
 
Air pollutin control 1
Air pollutin control 1Air pollutin control 1
Air pollutin control 1rosmida2525
 

Andere mochten auch (17)

What it Takes to be a True Marketing Leader and Innovator
What it Takes to be a True Marketing Leader and InnovatorWhat it Takes to be a True Marketing Leader and Innovator
What it Takes to be a True Marketing Leader and Innovator
 
Game dao vang
Game dao vangGame dao vang
Game dao vang
 
Dengue introduction
Dengue introductionDengue introduction
Dengue introduction
 
택배아찌talk 화면디자인
택배아찌talk 화면디자인택배아찌talk 화면디자인
택배아찌talk 화면디자인
 
Ci 350 webquest
Ci 350   webquestCi 350   webquest
Ci 350 webquest
 
Defensoria bebederos
Defensoria bebederosDefensoria bebederos
Defensoria bebederos
 
Vanessa langa pr 2013
Vanessa langa  pr 2013Vanessa langa  pr 2013
Vanessa langa pr 2013
 
презентация Microsoft power point
презентация Microsoft power pointпрезентация Microsoft power point
презентация Microsoft power point
 
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...
PHAÂN TÍCH TÌNH HÌNH HOAÏT ÑOÄNG VAØ XAÂY DÖÏNG CHIEÁN LÖÔÏC MARKETING NHAÈM ...
 
131218 清水プレゼン資料
131218 清水プレゼン資料131218 清水プレゼン資料
131218 清水プレゼン資料
 
pencemaran udara
pencemaran udarapencemaran udara
pencemaran udara
 
D.tech u1
D.tech u1D.tech u1
D.tech u1
 
Shashi fluoroplastiks-mumbai
Shashi fluoroplastiks-mumbaiShashi fluoroplastiks-mumbai
Shashi fluoroplastiks-mumbai
 
Accredited Teacher---Schools
Accredited Teacher---SchoolsAccredited Teacher---Schools
Accredited Teacher---Schools
 
Mtc global -brief presentation
Mtc global -brief presentationMtc global -brief presentation
Mtc global -brief presentation
 
Air pollutin control 1
Air pollutin control 1Air pollutin control 1
Air pollutin control 1
 
Bits números 0 9
Bits números 0   9Bits números 0   9
Bits números 0 9
 

Ähnlich wie DW-DataWarehouse

DATABASE AND CUSTOMER DATA DEVELOPMENT
DATABASE AND CUSTOMER DATA DEVELOPMENTDATABASE AND CUSTOMER DATA DEVELOPMENT
DATABASE AND CUSTOMER DATA DEVELOPMENTnurulhrizal
 
Sejarah perkembangan basis data
Sejarah perkembangan basis dataSejarah perkembangan basis data
Sejarah perkembangan basis dataDayu Ratna
 
Chapter 1 : The Compelling Need for Data Warehousing .pdf
Chapter 1 : The Compelling Need for Data Warehousing .pdfChapter 1 : The Compelling Need for Data Warehousing .pdf
Chapter 1 : The Compelling Need for Data Warehousing .pdfBelinda Isamar
 
Materi 2_Munti Parsi Holan.pptx
Materi 2_Munti Parsi Holan.pptxMateri 2_Munti Parsi Holan.pptx
Materi 2_Munti Parsi Holan.pptxMuntiHolanBokenka
 
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...ynsinaga
 
Big Data Analytics
Big Data AnalyticsBig Data Analytics
Big Data AnalyticsRarasPrasaty
 
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...Mercu Buana University
 
Bab 8 (18 slide)
Bab 8 (18 slide)Bab 8 (18 slide)
Bab 8 (18 slide)gilangbewok
 

Ähnlich wie DW-DataWarehouse (20)

DATABASE AND CUSTOMER DATA DEVELOPMENT
DATABASE AND CUSTOMER DATA DEVELOPMENTDATABASE AND CUSTOMER DATA DEVELOPMENT
DATABASE AND CUSTOMER DATA DEVELOPMENT
 
Sejarah perkembangan basis data
Sejarah perkembangan basis dataSejarah perkembangan basis data
Sejarah perkembangan basis data
 
Chapter 1 : The Compelling Need for Data Warehousing .pdf
Chapter 1 : The Compelling Need for Data Warehousing .pdfChapter 1 : The Compelling Need for Data Warehousing .pdf
Chapter 1 : The Compelling Need for Data Warehousing .pdf
 
P1 data mining
P1  data mining P1  data mining
P1 data mining
 
mengelola sumber data
mengelola sumber datamengelola sumber data
mengelola sumber data
 
Materi 2_Munti Parsi Holan.pptx
Materi 2_Munti Parsi Holan.pptxMateri 2_Munti Parsi Holan.pptx
Materi 2_Munti Parsi Holan.pptx
 
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...
Tugas sim, yenni nalam sinaga, yananto mihadi p., s.e., m.si., cma., informas...
 
Big Data Analytics
Big Data AnalyticsBig Data Analytics
Big Data Analytics
 
093-P01.pdf
093-P01.pdf093-P01.pdf
093-P01.pdf
 
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...
SIM 9, Rosmala Dewi, Prof.Dr.Ir. Hapzi Ali, mm, cm. Decision Support System (...
 
TUGAS SEMESTER
TUGAS SEMESTERTUGAS SEMESTER
TUGAS SEMESTER
 
Bab 8 (18 slide)
Bab 8 (18 slide)Bab 8 (18 slide)
Bab 8 (18 slide)
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8 (18 slide)
Bab 8 (18 slide)Bab 8 (18 slide)
Bab 8 (18 slide)
 
Bab 8
Bab 8 Bab 8
Bab 8
 
Bab 8
Bab 8 Bab 8
Bab 8
 

Mehr von Ikhsan Bz

Implementasi km di pertamina
Implementasi km di pertaminaImplementasi km di pertamina
Implementasi km di pertaminaIkhsan Bz
 
Dss 15 12-2012
Dss 15 12-2012Dss 15 12-2012
Dss 15 12-2012Ikhsan Bz
 
08 sip database
08 sip database08 sip database
08 sip databaseIkhsan Bz
 
08 sip database (bhs indonesia)
08 sip database  (bhs indonesia)08 sip database  (bhs indonesia)
08 sip database (bhs indonesia)Ikhsan Bz
 
Sistem pakar
Sistem pakarSistem pakar
Sistem pakarIkhsan Bz
 
Pengertian penelitian eksperimen
Pengertian penelitian eksperimenPengertian penelitian eksperimen
Pengertian penelitian eksperimenIkhsan Bz
 
Contoh model dan hasil penelitian
Contoh model dan hasil penelitianContoh model dan hasil penelitian
Contoh model dan hasil penelitianIkhsan Bz
 
Contoh kuesioner riset perilaku konsumen
Contoh kuesioner riset perilaku konsumenContoh kuesioner riset perilaku konsumen
Contoh kuesioner riset perilaku konsumenIkhsan Bz
 
07 marketing research (revisi)
07 marketing research (revisi)07 marketing research (revisi)
07 marketing research (revisi)Ikhsan Bz
 
06 marketing inteligence systm revisi per 081012
06 marketing inteligence systm revisi per 08101206 marketing inteligence systm revisi per 081012
06 marketing inteligence systm revisi per 081012Ikhsan Bz
 
05 internal record systm(kotler)
05 internal record systm(kotler)05 internal record systm(kotler)
05 internal record systm(kotler)Ikhsan Bz
 
04 sumber internal(mc leod) revisi per 26092012
04 sumber internal(mc leod) revisi per 2609201204 sumber internal(mc leod) revisi per 26092012
04 sumber internal(mc leod) revisi per 26092012Ikhsan Bz
 
Pengenalan Sistem Informasi Pemasaran "SIP"
Pengenalan Sistem Informasi Pemasaran "SIP"Pengenalan Sistem Informasi Pemasaran "SIP"
Pengenalan Sistem Informasi Pemasaran "SIP"Ikhsan Bz
 
01 konsep dasar sistem informasi (si)
01 konsep dasar sistem informasi (si)01 konsep dasar sistem informasi (si)
01 konsep dasar sistem informasi (si)Ikhsan Bz
 
Titrasi serimetri dll
Titrasi serimetri dllTitrasi serimetri dll
Titrasi serimetri dllIkhsan Bz
 

Mehr von Ikhsan Bz (19)

Implementasi km di pertamina
Implementasi km di pertaminaImplementasi km di pertamina
Implementasi km di pertamina
 
Dss 15 12-2012
Dss 15 12-2012Dss 15 12-2012
Dss 15 12-2012
 
12 sip scm
12 sip scm12 sip scm
12 sip scm
 
11 sip crm
11 sip crm11 sip crm
11 sip crm
 
10 sip km
10 sip km10 sip km
10 sip km
 
09 sip dss
09 sip dss09 sip dss
09 sip dss
 
08 sip database
08 sip database08 sip database
08 sip database
 
08 sip database (bhs indonesia)
08 sip database  (bhs indonesia)08 sip database  (bhs indonesia)
08 sip database (bhs indonesia)
 
Sistem pakar
Sistem pakarSistem pakar
Sistem pakar
 
Pengertian penelitian eksperimen
Pengertian penelitian eksperimenPengertian penelitian eksperimen
Pengertian penelitian eksperimen
 
Contoh model dan hasil penelitian
Contoh model dan hasil penelitianContoh model dan hasil penelitian
Contoh model dan hasil penelitian
 
Contoh kuesioner riset perilaku konsumen
Contoh kuesioner riset perilaku konsumenContoh kuesioner riset perilaku konsumen
Contoh kuesioner riset perilaku konsumen
 
07 marketing research (revisi)
07 marketing research (revisi)07 marketing research (revisi)
07 marketing research (revisi)
 
06 marketing inteligence systm revisi per 081012
06 marketing inteligence systm revisi per 08101206 marketing inteligence systm revisi per 081012
06 marketing inteligence systm revisi per 081012
 
05 internal record systm(kotler)
05 internal record systm(kotler)05 internal record systm(kotler)
05 internal record systm(kotler)
 
04 sumber internal(mc leod) revisi per 26092012
04 sumber internal(mc leod) revisi per 2609201204 sumber internal(mc leod) revisi per 26092012
04 sumber internal(mc leod) revisi per 26092012
 
Pengenalan Sistem Informasi Pemasaran "SIP"
Pengenalan Sistem Informasi Pemasaran "SIP"Pengenalan Sistem Informasi Pemasaran "SIP"
Pengenalan Sistem Informasi Pemasaran "SIP"
 
01 konsep dasar sistem informasi (si)
01 konsep dasar sistem informasi (si)01 konsep dasar sistem informasi (si)
01 konsep dasar sistem informasi (si)
 
Titrasi serimetri dll
Titrasi serimetri dllTitrasi serimetri dll
Titrasi serimetri dll
 

DW-DataWarehouse

  • 2. Merupakan database yang menyimpan data sekarang dan data historis yang dibutuhkan oleh pengambil keputusan perusahaan Data Warehouse?
  • 4.
  • 5. Data mart adalah merupakan bagian dari informasi data warehouse. Data warehouse fokus pada data organisasi, data mart fokus pada informasi unit tertentu seperti keuangan, produksi, atau operasi. Data mart
  • 6. Query Kemampuan untuk menampilkan suatu data dari database dimana mengambil dari tabel-tabel yang ada di database. Perintah-perintah untuk mengakses data pada sistem basis data. Struktur bahasa query standar: SELECT nama data item FROM nama file WHERE kondisi Akses dan Analisis Data
  • 7. Sebagai misal penggunaan bahasa query adalah sebagai berikut: SELECT no_mhs, nama_mhs, ip_mhs FROM file_mhs WHERE ip_mhs>=3 Query di atas digunakan untuk menampilkan data mahasiswa dari file database yang bernama file_mhs untuk mahasiswa yang indeks prestasinya paling sedikit 3.
  • 8. OLAP (Online Analytical Processing/OLAP) Analisis data multidimensi Mendukung manipulasi dan analisis data dalam jumlah besar dari beragam dimensi/perspektif
  • 10. Data Mining Proses selecting, exploring, and modeling sejumlah besar data untuk menemukan pola tersembunyi dan hubungan yang belum diketahui sebelumnya untuk mendukung pembuatan keputusan guna memprediksi perilaku masa depan.
  • 11. Tipe informasi yang diperoleh dari data mining: Assosiasi Sequence Klasifikasi Kluster Forecasting (peramalan) Analisis Statistik
  • 12. Asosiasi Informasi yang dikaitkan dengan event tunggal tertentu. Contoh: Pembelian pop corn -> kenaikan pembelian coca cola 65% Ada promosi -> kenaikan pembelian coca-cola 85%
  • 13. Sequence (tahapan) Informasi yang menghubungkan kejadian lintas waktu. Contoh: Pembelian rumah -> pembelian kulkas naik 65% -> pembelian oven naik 45%
  • 14. Klasifikasi Pola yang menggambarkan suatu item masuk dalam kelompok mana dengan menguji item yang sudah diklasifikasi dan menyimpulkan suatu aturan. Contoh: Bisnis kartu kredit khawatir tentang konsumen yang loyal/tidak -> klasifikasi untuk mengetahui klasifikasi konsumen loyal/tidak  menentukan kampanye untuk mempertahankan konsumen
  • 15. Klaster Sama seperti melakukan klasifikasi tapi ketika belum ada kelompok yang teridentifikasi Contoh: data dalam kartu kredit yang membagi konsumen berdasar demografi Forecasting (peramalan) Menggunakan data yang ada untuk meramalkan informasi yang akan terjadi. Contoh: data historis penjualan 5 tahun terakhir untuk meramalkan penjualan tahun depan
  • 16. Analisis Statistik Menggunakan fungsi2 Statistik seperti: korelasi, regresi, variance, dll untuk menganalisa data
  • 17. Korelasi: membahas keeratan hubungan antar variabel X dg Y Regresi: membahas prediksi (peramalan), jenisnya: Regresi tunggal: Y = a + bX Regresi berganda; Y = a + b1X1 + b2X2, dst…
  • 18. Perusahaan perlu memformulasi strategi untuk: meningkatkan kualitas informasi organisasi Efektifitas pengambilan keputusan “information cleansing / scrubbing Aktivitas untuk menyelesaikan masalah informasi yang inconsistent, incorrect, atau incomplete. (dengan bantuan software, misal: Oracle, SAS, dll) Kualitas Informasi
  • 19. Contoh (gambar 6.17) Perubahan dari CUSTOMER ID menjadi CONTACT o Contoh (gambar 6.18) Diperlukannya standarisasi nama konsumen
  • 20.
  • 21.
  • 22. Terima kasih atas perhatiannya ada pertanyaan?