Kursus
Pengantar Power BI
4 jam
827.5K
Sebagai pemimpin lama di ranah business intelligence, inovasi berkelanjutan Power BI membuka jalan bagi alat BI lainnya. Hal ini semakin ditegaskan oleh pengumuman Microsoft tentang Fabric, yang mereka pandang sebagai "solusi analitik terpadu pertama yang benar-benar berbasis pada satu salinan data," di mana Power BI menjadi salah satu komponennya.
Dengan demikian, istilah 'dataset' di Power BI tidak lagi mencakup seluruh fungsionalitasnya. Sebuah dataset tidak hanya berisi data—dataset juga memuat transformasi, perhitungan, dan relasi sebagai bagian dari model data yang komprehensif dan serbaguna (yakni model semantik).
Anda dapat menggunakan lembar contekan Power BI kami untuk mulai menggunakan Power BI dengan cepat—mulai dari membuat visualisasi pertama hingga Power Query dan perhitungan DAX.
Dalam artikel blog ini, kami akan mendefinisikan model semantik, termasuk apa saja yang membentuk model semantik dan berbagai mode di dalam model semantik. Setelah itu, kami akan meninjau cara membuat dan mengelola model semantik serta memberikan beberapa praktik terbaik yang dapat Anda ikuti saat membuat model semantik Anda sendiri.
Apa itu Model Semantik Power BI?
Model semantik di Power BI dapat dianggap sebagai lapisan logis yang memuat transformasi, perhitungan, dan relasi antar sumber data yang diperlukan untuk membuat laporan dan dasbor. Model semantik berfungsi sebagai single source of truth untuk laporan di seluruh organisasi.
Gambar oleh penulis
Walaupun model semantik dapat dibangun menggunakan Power BI Desktop (dalam file .pbix), model ini tidak harus berisi visual. Anggap model semantik sebagai pemberhentian terakhir dalam pipeline data sebelum laporan dan dasbor dibangun. Selanjutnya, setelah Anda membagikan model semantik kepada anggota organisasi lainnya, mereka dapat membangun sejumlah laporan dan dasbor hanya dari satu model semantik tersebut.
Model semantik menyembunyikan detail teknis yang kompleks di balik laporan sehingga pengguna teknis dan non-teknis dapat berkonsentrasi menganalisis data dan menjawab pertanyaan bisnis. Berbagi dan keterpakaiulang adalah dua fitur menonjol dari model semantik.
Apa Saja yang Membentuk Model Semantik?
Model semantik terdiri dari beberapa elemen berbeda:
- Koneksi data ke satu atau lebih sumber data, baik diimpor, melalui DirectQuery, atau sebagai bagian dari model komposit.
- Transformasi yang membersihkan dan menyiapkan data untuk pelaporan.
- Perhitungan dan metrik terdefinisi berdasarkan aturan bisnis untuk memastikan konsistensi laporan yang dibangun dari model semantik. Ini memastikan kejelasan dan menghindari perbedaan antara analisis dan laporan.
- Relasi terdefinisi antar tabel memungkinkan pengguna fokus pada perancangan laporan tanpa harus mengetahui terlebih dahulu struktur basis data dan model data yang mendasarinya.
Mode Model Semantik
Memilih mode yang tepat saat menghubungkan ke data Anda di Power BI adalah langkah awal penting dalam membuat model semantik karena masing-masing memiliki kelebihan dan kekurangan yang perlu Anda ketahui.
Ada tiga mode model semantik di Power BI:
- Mode Import
- Mode DirectQuery
- Mode Komposit
Mode Import
Mode ini memuat data sepenuhnya ke dalam file Power BI (.pbix). Setiap kali laporan Power BI disegarkan, mesin penyimpanan Vertipaq mengompresi, mengoptimalkan, dan menyimpan data ke disk. Ini menghasilkan kinerja yang cepat dan opsi desain yang fleksibel bagi pembuat laporan. Selain itu, mode import memungkinkan pembuat model semantik menggunakan seluruh kumpulan fungsi bahasa Power Query M untuk mentransformasi dan menyiapkan data serta fungsi DAX untuk membuat perhitungan dan measure.
Mode DirectQuery
Mode ini hanya menyimpan metadata tentang struktur model, bukan datanya. Saat model dikueri (misalnya saat merender visual), data diambil dari sumber data yang mendasarinya. Ini sangat berguna untuk volume data besar atau ketika ada kebutuhan bisnis akan data hampir real-time dalam laporan.
Mode Komposit
Mode komposit adalah kombinasi mode import dan DirectQuery. Mode ini berguna ketika diperlukan daya dan performa mode import, sekaligus kemampuan melihat data real-time. Sebuah tabel dapat diatur ke mode penyimpanan Dual, memungkinkan layanan Power BI memilih mode yang lebih efisien bergantung pada sifat kuerinya.
5 Langkah Membuat Model Semantik Power BI
Membuat model semantik melibatkan langkah-langkah yang mungkin sudah Anda ikuti pada tahap awal pengembangan laporan menggunakan Power BI Desktop. Jika Anda bercita-cita menjadi analis data, Anda dapat mempelajari Dasar-Dasar Power BI melalui jalur keterampilan kami, di mana Anda akan mempelajari visualisasi data, DAX, dan cara mentransformasi data Anda.
Tentu saja, langkah tepat yang Anda ikuti saat membuat model semantik bergantung pada kebutuhan bisnis dan tujuan model. Namun, secara garis besar, lima langkah ini umum ditemui saat membuat model semantik:
Gambar oleh penulis
- Impor atau hubungkan ke sumber data yang diperlukan menggunakan mode import, DirectQuery, atau model komposit.
- Bersihkan dan transformasikan data agar bermanfaat bagi pengguna. Ini melibatkan menghapus duplikasi, menangani data hilang, membersihkan kolom data berbasis teks, dan sebagainya. Langkah transformasi yang tepat bergantung pada kebutuhan unik data Anda.
- Definisikan relasi antar tabel data Anda menggunakan prinsip pemodelan data yang baik seperti skema bintang. Kami memiliki kursus yang akan mengajarkan dasar-dasar pemodelan data di Power BI.
- Buat measure dan perhitungan berdasarkan kebutuhan bisnis Anda yang unik.
- Setelah Anda puas dengan model semantik Anda, publikasikan ke layanan Power BI.
Memanfaatkan Model Semantik untuk Pelaporan yang Efektif
Setelah Anda membuat dan memublikasikan model semantik ke layanan Power BI, Anda dapat membuat koneksi langsung ke model semantik dari dalam laporan Power BI lainnya. Bahkan, Anda dapat membuat banyak laporan dari satu model semantik yang dipublikasikan, sehingga memastikan konsistensi dan keandalan di semua laporan.
Sebelumnya, umum ditemukan banyak laporan Power BI yang berbasis pada dataset yang sama, masing-masing dengan model data terpisah. Ini menimbulkan tantangan karena bisa terjadi perbedaan besar antar laporan, dan cukup sulit serta memakan waktu untuk mencari tahu penyebab perbedaan dan laporan mana yang perlu diubah. Membuat satu model semantik yang dibagikan di beberapa laporan Power BI sepenuhnya menyelesaikan masalah ini.
Jika Anda ingin meningkatkan kemampuan visualisasi data Power BI dan belajar membuat laporan di Power BI yang efektif, kami memiliki kursus untuk membantu Anda melakukannya.
Mengelola Model Semantik
Model semantik dapat dengan mudah dibagikan lintas workspace, mendemokratisasi data dan menumbuhkan budaya data yang kuat. Namun, ini juga memerlukan pengelolaan model semantik yang efektif dengan kontrol dan kebijakan yang tepat untuk menjaga integritas, keamanan, dan kualitas data.
Kepemilikan dan Izin
Mengelola kontrol akses dan izin untuk model semantik di Power BI dapat dilakukan oleh admin, anggota workspace (bergantung pada perannya), dan pemilik model semantik (pemilik adalah pihak yang membuat model semantik).
Izin model semantik dapat diatur dan dikelola dengan dua cara:
- Pertama, melalui kontrol akses langsung ke model semantik untuk individu atau seluruh grup keamanan.
- Kedua, dengan mengelola cara model semantik beserta laporannya dibagikan kepada pengguna lain yang tidak berada di workspace.
Setelah Anda memublikasikan model semantik ke layanan Power BI, Anda (sebagai pemilik model semantik) dan admin dapat menetapkan salah satu dari empat tingkat izin untuk model semantik:
- Read: Mengizinkan pengguna mengakses laporan yang menggunakan data dari model semantik dan melihat pengaturan model.
- Build: Memungkinkan pengguna membuat laporan dan dasbor baru dari model.
- Reshare: Memungkinkan pengguna memberikan akses model semantik kepada orang lain.
- Write: Mengizinkan pengguna memublikasikan ulang dan melakukan beberapa perubahan pada model, kecuali pengaturan tertentu seperti menambah atau mengubah kredensial sumber data, misalnya.
- Owner: Meskipun bukan izin secara ketat, pembuat model semantik menjadi pemilik di layanan Power BI dan memiliki semua izin di atas.
Pertimbangan Keamanan
Administrator Power BI juga dapat membatasi bagaimana data diakses, dibagikan, dan dimodifikasi dalam tenant Power BI mereka. Mereka dapat membatasi penggunaan ulang model semantik baik sepenuhnya maupun sebagian berdasarkan grup keamanan, yang memengaruhi berbagai fungsionalitas seperti menyalin laporan antar workspace, mengedit laporan berbasis model semantik bersama, serta visibilitas model semantik di layanan atau Desktop Power BI.
Pemilik model semantik juga mengontrol siapa yang dapat mengakses dan menggunakan data dalam model semantik mereka. Mereka dapat membuat model semantik mudah ditemukan dengan memberikan sertifikasi atau mempromosikannya, yang membantu pengguna dan pembuat laporan mengidentifikasi model semantik mana yang ditetapkan sebagai 'resmi' dan dianggap berkualitas tinggi di organisasi.
Keamanan tingkat peran (RLS) diberlakukan untuk model semantik dan semua laporan yang dibangun darinya. RLS dapat memengaruhi kemampuan pengguna untuk membaca data dari model semantik jika mereka memiliki izin build atau read, kecuali jika peran RLS tertentu mengizinkannya.
Praktik Terbaik dan Pertimbangan
Membuat jumlah minimum model semantik yang diperlukan dan menggunakannya sebagai sumber untuk laporan Power BI dalam suatu organisasi merupakan praktik terbaik yang diterima.
Di atas itu, disarankan agar model semantik bersifat:
- Komprehensif: model semantik harus memuat semua elemen yang diperlukan untuk menjawab pertanyaan bisnis yang relevan. Elemen-elemen ini juga harus mencerminkan sistem dan proses bisnis secara akurat dan logis.
- Teroptimasi dan berkinerja baik: model semantik harus dioptimalkan sehingga penyegaran, perhitungan DAX, dan pemuatan visual berlangsung cepat, bahkan saat volume data meningkat.
- Aman: model semantik harus memuat elemen keamanan yang diperlukan untuk mencegah akses tidak sah ke data (seperti keamanan tingkat baris).
- Fleksibel: model semantik harus dapat beradaptasi dengan perubahan kebutuhan bisnis.
Kesimpulan
Dengan mengganti nama dataset menjadi model semantik, Power BI telah menciptakan pergeseran dalam cara kita perlu memandang business intelligence. Alih-alih melihat data sebagai komponen statis dari laporan dan dasbor, kita dapat memandangnya sebagai bagian dari lapisan semantik yang lebih besar yang mudah dibagikan dan digunakan kembali.
Dengan mengikuti praktik terbaik yang diuraikan dalam artikel ini, Anda dapat membuat model semantik yang efektif dan efisien yang berfungsi sebagai single source of truth untuk kebutuhan pelaporan organisasi Anda. Dengan memanfaatkan kekuatan model semantik, Anda dapat memberdayakan pengguna teknis dan non-teknis untuk menganalisis data dan menjawab pertanyaan bisnis, yang pada akhirnya mendorong pengambilan keputusan yang lebih baik di seluruh organisasi.
Jika Anda tertarik berkarier sebagai Analis Data di Power BI, jalur karier kami akan membawa Anda melalui setiap aspek Power BI dan mempersiapkan Anda untuk sertifikasi Microsoft PL-300.
Jika Anda sudah mempelajari dasar-dasar Power BI, jelajahi daftar 8 proyek Power BI yang dapat Anda kerjakan untuk menerapkan keterampilan dan membangun portofolio Anda.
