Langsung ke konten utama

APA ITU PHYSICAL MODEL?

PHYSICAL MODEL          

        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.

        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.

        Physical Model banyak digunakan  untuk  menjelaskan  kepada  pemakai  bagaimana data-data dalam  basis  data  disimpan  dalam  media  penyimpanan  secara  fisik,  yang  lebih berorientasi pada mesin

Model Data Fisik

Model Data Fisik menjelaskan implementasi spesifik Data Model Basis Data yang menawarkan abstraksi dari Database dan membantu menghasilkan skema. Jenis Model Data ini juga membantu memvisualisasikan struktur Basis Data. Ini membantu memodelkan kunci kolom, batasan, indeks, pemicu, dan fitur RDBMS lainnya.

Jenis Model Data

Ada tiga jenis Model Data yaitu sebagai berikut :
  1. Konseptual : Model Data ini mendefinisikan APA isi sistem. Model ini biasanya dibuat oleh pemangku kepentingan Bisnis dan Arsitek Data. Tujuannya adalah untuk mengatur, memperluas, dan mendefinisikan konsep dan aturan bisnis.
  2. Logis : Menentukan BAGAIMANA sistem harus diimplementasikan terlepas dari DBMS. Model ini biasanya dibuat oleh Arsitek Data dan Analis Bisnis. Tujuannya adalah untuk mengembangkan peta teknis peraturan dan struktur data.
  3. Fisik : Model Data ini menjelaskan BAGAIMANA sistem akan diimplementasikan menggunakan sistem DBMS tertentu. Model ini biasanya dibuat oleh DBA dan pengembang. Tujuannya adalah implementasi aktual dari Database.



Ada 2 model :

  • Unifying model
  • Frame memory

Komentar

Posting Komentar

Postingan populer dari blog ini

DATA TRANSKIP NILAI DAN DATA LULUSAN DARI UNIVERSITAS MELALUI API

 Link Google Colaboratory : Link Google Colaboratory Link PDf :  Link PDF           Pendahuluan Dalam laporan ini, kami akan menganalisis data transkrip nilai mahasiswa untuk mengeksplorasi beberapa aspek yang relevan dengan keberhasilan akademik mereka. Fokus utama analisis meliputi Indeks Prestasi Semester (IPS) per semester per mahasiswa, hubungan antara IPS dan lulusan tepat waktu, keterkaitan antara predikat kelulusan 'Pujian' dengan lulusan tepat waktu, hubungan antara durasi studi dan predikat kelulusan, serta perbandingan prestasi akademik berdasarkan jenis kelamin. Dengan menggali data ini, kami bertujuan untuk mendapatkan wawasan yang lebih mendalam tentang faktor-faktor yang memengaruhi keberhasilan akademik mahasiswa terutama dalam konteks lulus tepat waktu. I            I ntegrasi Data Mengambil data transkrip nilai dari API dan mengonversinya menjadi DataFrame Pandas, kemudian menampilkan bebe...
Posting Komentar
Baca selengkapnya

DATA PREPARATION & VISUALIZATION

Data Preparation Data preparation atau persiapan data adalah langkah-langkah yang dilakukan untuk mempersiapkan data mentah sebelum digunakan dalam analisis dan pemodelan. Tujuannya adalah memastikan bahwa data yang akan digunakan adalah bersih, konsisten, dan dalam format yang sesuai untuk analisis atau pelatihan model pembelajaran mesin. Proses ini melibatkan berbagai tahapan, seperti pembersihan data, transformasi data, dan pengurangan dimensi. Contoh kode untuk Data Preparation dalam Python menggunakan library pandas: import pandas as pd # Membaca data dari file CSV data = pd.read_csv ( 'data.csv' ) # Pembersihan data: menghapus entri duplikat dan menangani nilai yang hilang data.drop_duplicates ( inplace= True ) data.dropna ( inplace= True ) # Transformasi data: mengubah format tanggal, mengonversi variabel kategorikal menjadi numerik, dll. data [ 'tanggal' ] = pd.to_datetime ( data [ 'tanggal' ]) data [ 'jenis_kelamin' ] = data [ 'jenis_kel...
Posting Komentar
Baca selengkapnya

SUPERVISED LEARNING (PREDIKSI) 30 ALGORITMA

1. Pengertian Supervised Learning: Supervised Learning adalah salah satu metode dalam pembelajaran mesin (machine learning) di mana model dilatih menggunakan data yang sudah diberi label. Data berlabel berarti setiap data input memiliki output yang diketahui dan telah ditentukan sebelumnya. Proses pelatihan ini melibatkan pemetaan input ke output yang benar, dengan tujuan agar model dapat melakukan prediksi yang akurat pada data baru yang belum pernah dilihat sebelumnya. Dalam supervised learning, model dibimbing (supervised) dengan contoh-contoh dari data berlabel, sehingga dapat belajar dari pola-pola yang ada untuk kemudian digunakan dalam memprediksi atau mengklasifikasikan data yang tidak dikenal. Terdapat dua jenis utama tugas dalam supervised learning, yaitu: Klasifikasi : Di mana output yang diprediksi adalah kategori atau kelas (contohnya, deteksi email spam, diagnosis penyakit). Regres i: Di mana output yang diprediksi adalah nilai kontinu (contohnya, prediksi harga rumah, ...
Posting Komentar
Baca selengkapnya