M365Con 2027 – konferensi online gratis · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Apa Itu Semantic Model di Fabric? Lakehouse, Warehouse, Data Factory, dan Dasar-Dasar Keamanan

By ·

Penjelasan sederhana tentang semantic model di Microsoft Fabric dan hubungannya dengan lakehouse, warehouse, Data Factory, serta lapisan keamanan Fabric, berdasarkan Microsoft Learn.

Automatically translated with AI from the original post. Read the English original

Semantic model di Fabric adalah lapisan yang mengubah tabel mentah menjadi sesuatu yang dapat digunakan oleh laporan. Microsoft Learn menjelaskan semantic model Power BI sebagai sumber data yang siap digunakan untuk pelaporan dan visualisasi. Lapisan ini berada di atas data di lakehouse, warehouse, atau sumber lain, dan menambahkan relasi, kalkulasi, serta aturan keamanan. Artikel ini menjelaskan lapisan tersebut, lalu komponen di sekitarnya: lakehouse, warehouse, Data Factory, dan model keamanan.

Poin Penting

  • Semantic model adalah data yang siap untuk pelaporan. Model ini berisi data atau kueri, desain model (relasi, kalkulasi), dan aturan keamanan tingkat baris yang bersifat opsional.
  • Lakehouse menangani data terstruktur dan tidak terstruktur dengan Spark. Warehouse berbasis T-SQL dan mendukung transaksi multi-tabel. Keduanya menyimpan tabel Delta di OneLake.
  • Setiap lakehouse memiliki SQL analytics endpoint hanya-baca. Sejak 5 September 2025, semantic model default tidak lagi dibuat secara otomatis bersama lakehouse.
  • Data Factory di Fabric memindahkan, mentransformasi, dan mengorkestrasi data dengan copy job, Dataflow Gen2, mirroring, dan pipeline.
  • Fabric mengautentikasi setiap permintaan dengan Microsoft Entra ID dan mengontrol akses melalui peran workspace, izin item, keamanan tingkat data, serta label sensitivitas.

Satu catatan tentang sumber: halaman Power BI yang dibaca untuk definisi semantic model tidak menyebutkan Direct Lake atau nama lama semantic model, sehingga artikel ini tidak membahasnya.

Isi semantic model

Microsoft Learn mencantumkan tiga hal yang dimiliki semantic model:

  • Data. Semantic model dapat menyimpan data yang diimpor, mengirimkan permintaan kueri pass-through ke sumber yang mendasarinya, atau keduanya.
  • Desain model. Ini mencakup kueri persiapan data, relasi, dan kalkulasi.
  • Aturan keamanan tingkat baris (RLS). Model dapat menerapkan RLS untuk memfilter akses data bagi pengguna tertentu.

Halaman tersebut juga menjelaskan cara model dibangun dan dijaga tetap mutakhir. Anda dapat terhubung ke model yang sudah ada, mengunggah file Power BI Desktop, mengunggah workbook Excel atau file CSV, atau menggunakan API push atau streaming. Model yang dikembangkan di Power BI Desktop menggunakan salah satu dari tiga mode penyimpanan: Import, DirectQuery, atau Composite. Model Import perlu di-refresh agar tetap mutakhir, dan di-refresh sesuai jadwal atau sesuai permintaan di layanan Power BI. Model tersebut harus menggunakan gateway jika sumbernya tidak dapat dijangkau langsung melalui internet.

Lakehouse: file dan tabel dalam satu tempat

Learn menyebutkan bahwa lakehouse di Fabric menggabungkan skalabilitas data lake dengan kemampuan query pada warehouse. Lakehouse mengatur data ke dalam dua folder tingkat atas: Tables untuk tabel Delta yang dikelola, dan Files untuk data tidak terstruktur atau data non-Delta. Delta Lake menyediakan transaksi ACID, penegakan skema, dan time travel.

Saat Anda membuat lakehouse, Fabric otomatis membuat SQL analytics endpoint. Endpoint ini bersifat read-only dan hanya menampilkan tabel Delta, termasuk tabel Delta yang diakses melalui OneLake shortcut. File Parquet atau CSV tidak akan muncul sampai Anda mengonversinya ke Delta. Dari endpoint ini, Anda dapat membuat semantic model Power BI.

Microsoft juga menyampaikan sebuah perubahan: sejak 5 September 2025, semantic model default tidak lagi dibuat secara otomatis bersama lakehouse, dan semantic model yang sudah ada menjadi semantic model independen pada 30 November 2025. Dalam praktiknya, sekarang Anda sendiri yang membuat dan memberi nama semantic model.

Warehouse: T-SQL dan transaksi

Fabric Data Warehouse digambarkan sebagai warehouse relasional berskala enterprise yang dibangun di atas fondasi data lake. Data disimpan sebagai tabel Delta. Pengembangan terutama menggunakan T-SQL, dengan dukungan transaksi ACID lintas beberapa tabel, materialized view, fungsi, dan stored procedure. Penyimpanan dan komputasi dipisahkan.

Learn menyebutkan dua item warehousing:

| Item | Kemampuan | |---|---| | Warehouse | Dukungan transaksi penuh, termasuk DDL dan DML | | SQL analytics endpoint | Dapat melakukan query pada objek data tetapi tidak dapat mengubah data. Dibuat otomatis untuk setiap lakehouse. |

Mana yang sebaiknya dipilih

Panduan Microsoft cukup singkat. Warehouse cocok untuk solusi berskala enterprise dengan pengaturan minimal dan sedikit tuning performa, serta paling efektif untuk data terstruktur dan semi-terstruktur. Lakehouse cocok untuk volume besar data tidak terstruktur dari berbagai sumber, terutama ketika Spark menjadi alat utama. Halaman lakehouse menambahkan bahwa lakehouse tidak mendukung transaksi lintas beberapa tabel, sedangkan warehouse mendukungnya. Keduanya menyimpan data Delta di OneLake dan menggunakan mesin SQL yang sama untuk query T-SQL.

Data Factory di Fabric

Learn menyebut Data Factory di Microsoft Fabric sebagai generasi berikutnya dari Azure Data Factory. Layanan ini terhubung ke lebih dari 170 sumber data dan mencakup perpindahan, transformasi, dan orkestrasi:

| Tugas | Item | |---|---| | Pindahkan | Copy job (solusi yang disarankan untuk perpindahan yang disederhanakan), copy activity, mirroring | | Transformasi | Dataflow Gen2 dengan lebih dari 300 transformasi, aktivitas pipeline, dbt job | | Orkestrasi | Pipeline dengan loop, kondisi, jadwal dan event trigger, serta Apache Airflow |

Mirroring membuat replika database operasional yang hampir real-time di dalam OneLake. Halaman tersebut menyebutkan bahwa SLA untuk pipeline Fabric setara dengan SLA untuk pipeline di Azure Data Factory, tetapi mengarahkan ke panduan terpisah untuk daftar lengkap perbedaannya, yang tidak dibaca dalam pembahasan ini.

Keamanan Fabric berlapis

Ikhtisar keamanan Fabric menjelaskan lapisan-lapisan berikut:

  1. Autentikasi. Setiap permintaan diautentikasi dengan Microsoft Entra ID, dan Conditional Access dapat menambahkan kontrol seperti MFA atau pembatasan lokasi.
  2. Pengaturan tenant. Admin mengontrol kemampuan untuk seluruh organisasi dan dapat mendelegasikannya ke kapasitas, workspace, dan domain.
  3. Peran workspace. Workspace adalah batas akses utama. Admin, member, dan contributor dapat menggunakan semua item. Viewer tidak memiliki akses ke OneLake.
  4. Izin item. Pengguna tanpa peran workspace dapat menerima item yang dibagikan dengan akses terbatas.
  5. Keamanan tingkat data. Row-level, column-level, dan object-level security membatasi apa yang dapat dilihat viewer. Data at rest di OneLake dienkripsi.
  6. Keamanan jaringan. Private Link memblokir akses publik dan membatasi akses ke virtual network. Managed private endpoint memungkinkan koneksi aman ke sumber data tanpa mengeksposnya ke jaringan publik.
  7. Label sensitivitas. Label Microsoft Purview mengikuti data dari satu item ke item lain dan tetap dipertahankan saat diekspor ke PBIX, Excel, PowerPoint, dan PDF.

Tabel di halaman tersebut menyebutkan bahwa viewer dapat melihat semua item di workspace tetapi tidak memiliki akses ke OneLake. Untuk perilaku yang tepat, periksa halaman model izin.

Cara sederhana untuk memulai

  1. Muat data mentah ke dalam lakehouse menggunakan copy job, pipeline, atau Dataflow Gen2.
  2. Gunakan SQL analytics endpoint untuk pemeriksaan T-SQL, atau warehouse jika Anda memerlukan penulisan dan transaksi T-SQL secara penuh.
  3. Buat semantic model dengan relasi, kalkulasi, dan RLS.
  4. Bangun laporan di atas model, dan tinjau peran serta label ruang kerja sebelum membagikannya.

Terkait

Sumber

FAQ

Apa itu semantic model di Fabric?

Microsoft Learn menjelaskan bahwa semantic model Power BI adalah sumber data yang siap digunakan untuk pelaporan dan visualisasi. Sebuah model dapat menyimpan data yang diimpor, mengirimkan kueri pass-through ke sumber, atau keduanya. Model ini juga berisi desain model, termasuk kueri persiapan data, relasi, dan kalkulasi, serta dapat menerapkan keamanan tingkat baris (row-level security).

Apakah saya masih mendapatkan semantic model default saat membuat lakehouse baru?

Tidak. Halaman Microsoft Learn tentang lakehouse menyatakan bahwa sejak 5 September 2025, semantic model default tidak lagi dibuat secara otomatis saat Anda membuat lakehouse. Semantic model default yang sudah ada dilepaskan dari item induknya paling lambat 30 November 2025 dan menjadi semantic model yang berdiri sendiri.

Sebaiknya saya memilih lakehouse atau warehouse?

Menurut Microsoft Learn, pilih warehouse untuk solusi berskala perusahaan dengan format standar terbuka, penyiapan minimal, dan sedikit penyetelan. Pilih lakehouse untuk volume besar data tidak terstruktur dari berbagai sumber, terutama jika Spark menjadi alat utama Anda. Keduanya menggunakan mesin SQL yang sama untuk kueri T-SQL, dan Anda dapat menambahkan item lainnya nanti.

Apa itu SQL analytics endpoint?

Microsoft Learn menyebutkan bahwa Fabric secara otomatis membuat SQL analytics endpoint saat Anda membuat lakehouse. Endpoint ini bersifat hanya-baca, memungkinkan Anda mengkueri tabel Delta dengan T-SQL, dan memungkinkan Anda membuat semantic model Power BI di atasnya. Hanya tabel Delta yang muncul di dalamnya.

Bagaimana Fabric menangani keamanan?

Ikhtisar keamanan Microsoft Learn menjelaskan beberapa lapisan: autentikasi Microsoft Entra ID, pengaturan admin tingkat penyewa, peran workspace, izin item, keamanan OneLake, keamanan tingkat baris, kolom, dan objek, kontrol jaringan, serta label sensitivitas Purview yang mengikuti data dari satu item ke item lainnya.

Entities in this article

Topik artikel ini:

Microsoft Fabric – Alat analitik dan BI dari Microsoft Model semantik – Konsep Fabric lakehouse – Produk Fabric Data Warehouse – Produk

Related articles

Artikel lain tentang Microsoft Fabric:

RSS