Apa itu Physical model?

 Physical data model Merupakan model yang menggunakan sejumlah tabel untuk menggambarkan data serta hubungan antara data-data tersebut. Setiap tabel mempunyai sejumlah kolom di mana setiap kolom memiliki nama yang unik.

Sebuah physical data model (alias desain database) adalah representasi dari desain data yang memperhitungkan fasilitas dan kendala sistem database yang diberikan manajemen. Dalam siklus hidup proyek itu biasanya berasal dari model data logis, meskipun mungkin reverse-engineered dari implementasi database yang diberikan. Sebuah physical data model lengkap akan mencakup semua artefak database yang diperlukan untuk membuat hubungan antara tabel atau mencapai tujuan kinerja, seperti indeks, definisi kendala, menghubungkan tabel, tabel dipartisi atau cluster. Physical data model biasanya dapat digunakan untuk menghitung perkiraan penyimpanan dan mungkin termasuk rincian alokasi penyimpanan khusus untuk sistem database tertentu.

Saat ini, ada enam database utama dalam pasar bisnis, Oracle, Postgres, SQL Server, Sybase, DB2 dan MySQL. Ada banyak sistem RDBMS besar lainnya di luar sana, tetapi ini cenderung baik untuk menjadi warisan database atau digunakan dalam akademis seperti universitas atau kolese pendidikan lanjutan. Sebuah physical data model pada setiap pelaksanaan akan secara signifikan berbeda, paling tidak karena kebutuhan OS yang mendasari yang duduk di bawah mereka. Contohnya SQL Server yang hanya berjalan pada sistem operasi Microsoft Windows, sedangkan Oracle dan MySQL dapat berjalan di Solaris, Linux dan sistem operasi berbasis UNIX serta Windows.

Ini berarti bahwa persyaratan disk, persyaratan keamanan dan banyak aspek lain dari physical data model akan dipengaruhi sepenuhnya oleh RDBMS yang database administrator (atau organisasi mereka) memilih untuk menggunakan.


www.ubpkarawang.ac.id

Komentar

Posting Komentar

Postingan populer dari blog ini

DATA MINING

Quiz Pertemuan 5 Link Google Collab :  https://colab.research.google.com/drive/1UbJAOYy6B0dElCj5DJaW77qEcf7Sb6r3?usp=sharing Link PDF :  https://drive.google.com/file/d/1e3zr-tEcnARMhLzQjyi5SqECCV8_JLyb/view?usp=sharing 1. Pendahuluan     Dalam laporan ini, kami akan mengeksplorasi beberapa aspek melalui analisis data transkrip nilai mahasiswa. Aspek yang akan kami tinjau mencakup Indeks Prestasi Semester (IPS) per semester per mahasiswa, hubungan antara IPS dan keberhasilan lulus tepat waktu, korelasi antara capaian kelulusan "Pujian" dengan lulus tepat waktu, relasi antara durasi studi dan capaian kelulusan, serta perbandingan prestasi akademik berdasarkan jenis kelamin.       2. IPS per Semester per Mahasiswa     Proses perhitungan IPS per semester per mahasiswa dilakukan dengan menggabungkan nilai total dari setiap mata kuliah pada semester tersebut, kemudian hasilnya dibagi dengan jumlah SKS yang diambil. Hal ini bertujuan untuk memberikan gambaran mengenai ki
Baca selengkapnya

Data Mining - Pertemuan 2

Gambar
  DATA PREPARATION & DATA VISUALIZATION Data Preparation Data Preparation adalah proses awal dalam analisis data yang melibatkan pembersihan data untuk menghapus data yang tidak valid dan mengatasi nilai yang hilang, transformasi data untuk mengubah format, melakukan normalisasi, atau menggabungkan data dari berbagai sumber, feature engineering untuk menciptakan fitur baru dari data yang ada, serta data integration untuk menggabungkan data dari berbagai sumber guna memastikan data siap untuk analisis yang lebih mendalam dan komprehensif. Contoh Data Preparation :  Data Visualization Data Visualization adalah teknik untuk merepresentasikan data secara grafis guna memudahkan pemahaman, interpretasi, dan analisis dengan tujuan menemukan pola, tren, atau hubungan dalam data, melalui berbagai jenis visualisasi seperti histogram untuk distribusi data, scatter plot untuk hubungan antar variabel, line chart untuk tren data sepanjang waktu, dan bar chart untuk membandingkan nilai antar kate
Baca selengkapnya

Data Mining - Pertemuan 10

Gambar
 Supervise Learning Pengertian Supervised Learning Supervised learning adalah jenis pembelajaran mesin di mana model dilatih menggunakan data yang telah diberi label. Dalam supervised learning, tujuan utamanya adalah untuk memprediksi hasil atau output berdasarkan input yang telah diketahui. Data yang digunakan dalam pelatihan memiliki pasangan input-output yang dikenal, dan model belajar untuk memetakan input ke output yang benar. Proses Supervised Learning Proses dalam supervised learning biasanya melibatkan langkah-langkah berikut: Pengumpulan Data: Mengumpulkan data yang relevan dengan pasangan input-output. Praproses Data: Membersihkan dan menyiapkan data untuk pelatihan model. Pembagian Data: Membagi data menjadi set pelatihan (training set) dan set pengujian (test set). Pelatihan Model: Menggunakan data pelatihan untuk membangun model. Evaluasi Model: Menggunakan data pengujian untuk mengevaluasi kinerja model. Tuning Hyperparameter: Menyesuaikan parameter model untuk meningkatk
Baca selengkapnya