Bentuk normal
Perancangan Basis Data
Lis Sulmont
Curriculum Manager
Normalisasi
Identifikasi grup data yang berulang dan buat tabel baru untuknya
Definisi yang lebih formal:
Tujuan normalisasi adalah:
- Mencirikan tingkat redundansi dalam skema relasional
- Menyediakan mekanisme untuk mentransformasi skema guna menghapus redundansi
1 Database Design, Edisi ke-2 oleh Adrienne Watt
Bentuk normal (NF)
Diurutkan dari paling tidak hingga paling ternormalisasi:
- First normal form (1NF)
- Second normal form (2NF)
- Third normal form (3NF)
- Elementary key normal form (EKNF)
- Boyce-Codd normal form (BCNF)
$$
- Fourth normal form (4NF)
- Essential tuple normal form (ETNF)
- Fifth normal form (5NF)
- Domain-key Normal Form (DKNF)
- Sixth normal form (6NF)
1 https://en.wikipedia.org/wiki/Database_normalization
Aturan 1NF
- Setiap rekaman harus unik - tidak boleh ada baris duplikat
- Setiap sel harus berisi satu nilai
Data awal
| Student_id | Student_Email | Courses_Completed |
|------------|-----------------|----------------------------------------------------------|
| 235 | [email protected] | Introduction to Python, Intermediate Python |
| 455 | [email protected] | Cleaning Data in R |
| 767 | [email protected] | Machine Learning Toolbox, Deep Learning in Python |
Dalam bentuk 1NF
| Student_id | Student_Email |
|------------|-----------------|
| 235 | [email protected] |
| 455 | [email protected] |
| 767 | [email protected] |
| Student_id | Completed |
|------------|--------------------------|
| 235 | Introduction to Python |
| 235 | Intermediate Python |
| 455 | Cleaning Data in R |
| 767 | Machine Learning Toolbox |
| 767 | Deep Learning in Python |
2NF
- Harus memenuhi 1NF DAN
- Jika kunci utama satu kolom
- maka otomatis memenuhi 2NF
- Jika kunci utama komposit
- maka setiap kolom non-kunci harus bergantung pada semua kunci
- Jika kunci utama satu kolom
Data awal
| Student_id (PK) | Course_id (PK) | Instructor_id | Instructor | Progress |
|-----------------|----------------|---------------|---------------|----------|
| 235 | 2001 | 560 | Nick Carchedi | .55 |
| 455 | 2345 | 658 | Ginger Grant | .10 |
| 767 | 6584 | 999 | Chester Ismay | 1.00 |
Dalam bentuk 2NF
| Student_id (PK) | Course_id (PK) | Percent_Completed |
|-----------------|----------------|-------------------|
| 235 | 2001 | .55 |
| 455 | 2345 | .10 |
| 767 | 6584 | 1.00 |
| Course_id (PK) | Instructor_id | Instructor |
|----------------|---------------|---------------|
| 2001 | 560 | Nick Carchedi |
| 2345 | 658 | Ginger Grant |
| 6584 | 999 | Chester Ismay |
3NF
- Memenuhi 2NF
- Tidak ada ketergantungan transitif: kolom non-kunci tidak boleh bergantung pada kolom non-kunci lain
Data awal
| Course_id (PK) | Instructor_id | Instructor | Tech |
|----------------|---------------|---------------|--------|
| 2001 | 560 | Nick Carchedi | Python |
| 2345 | 658 | Ginger Grant | SQL |
| 6584 | 999 | Chester Ismay | R |
Dalam 3NF
| Course_id (PK) | Instructor | Tech |
|----------------|---------------|--------|
| 2001 | Nick Carchedi | Python |
| 2345 | Ginger Grant | SQL |
| 6584 | Chester Ismay | R |
| Instructor_id | Instructor |
|---------------|---------------|
| 560 | Nick Carchedi |
| 658 | Ginger Grant |
| 999 | Chester Ismay |
Anomali data
Apa risikonya jika kita tidak cukup menormalisasi?
1. Anomali pembaruan
2. Anomali penyisipan
3. Anomali penghapusan
Anomali pembaruan
Ketidakkonsistenan data akibat redundansi saat memperbarui
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Untuk memperbarui email mahasiswa 520:
- Harus memperbarui lebih dari satu rekaman, jika tidak akan tidak konsisten
- Pengguna yang memperbarui harus mengetahui adanya redundansi
Anomali penyisipan
Tidak dapat menambahkan rekaman karena atribut hilang
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Tidak dapat menambahkan mahasiswa yang sudah mendaftar tetapi belum mengambil kursus apa pun
Anomali penghapusan
Penghapusan rekaman menyebabkan hilangnya data yang tidak disengaja
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Jika kita menghapus mahasiswa 230, apa yang terjadi pada data Cleaning Data in R?
Anomali data
Apa risikonya jika kita tidak cukup menormalisasi?
1. Anomali pembaruan
2. Anomali penyisipan
3. Anomali penghapusan
Semakin ternormalisasi basis data, semakin kecil kemungkinannya terjadi anomali data
Jangan lupa sisi negatif normalisasi dari video sebelumnya
Ayo berlatih!
Perancangan Basis Data
