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

Snowflake schema

Concept

Snowflake schema adalah model data dimensional yang tabel dimensinya dinormalisasi menjadi tabel terkait lainnya (misalnya kategori produk dan subkategori) alih-alih terhubung langsung ke tabel fakta seperti pada star schema.

✦ CONCEPTSnowflake schemaM365.FM
Title graphic: Snowflake schema (Concept)

Sering dibahas bersama

Episode tentang Snowflake schema sering juga membahas Skema bintang, DAX, dan Power Query.

Description

Snowflake schema adalah model data dimensional yang tabel dimensinya dinormalisasi menjadi tabel-tabel terkait lainnya. Alih-alih setiap dimensi terhubung langsung ke tabel fakta sebagai satu tabel datar, seperti pada star schema, sebuah dimensi dipecah menjadi beberapa tabel yang saling terhubung. Contoh tipikalnya adalah dimensi produk yang dipisahkan menjadi tabel produk, kategori produk, dan subkategori, dengan tabel-tabel tersebut digabungkan secara berantai. Namanya berasal dari bentuk bercabang yang dihasilkan ketika dimensi-dimensi ternormalisasi ini digambarkan mengelilingi tabel fakta pusat.

Model ini digunakan dalam analitik dan business intelligence, tempat data diorganisasi ke dalam tabel fakta, yang menyimpan peristiwa yang dapat diukur, dan tabel dimensi, yang menjelaskan konteks dari peristiwa tersebut. Varian snowflake menerapkan normalisasi di sisi dimensi. Menurut episode M365.FM, normalisasi inilah yang membedakannya dari star schema, di mana tabel fakta terhubung langsung ke setiap tabel dimensi dan tabel-tabel dimensi tersebut didenormalisasi.

Pertukaran utama yang dibahas dalam episode adalah antara kesederhanaan kueri dan manfaat penyimpanan atau tata kelola. Episode "Build a Power BI Star Schema for Faster Reports" membandingkan kedua desain tersebut dan menyatakan bahwa star schema menawarkan performa kueri yang lebih cepat karena lebih sedikit join yang diperlukan, sedangkan snowflake schema lebih lambat karena adanya join tambahan. Perbandingan yang sama menyebutkan bahwa kalkulasi DAX lebih sederhana pada star schema dan lebih kompleks pada snowflake schema, serta bahwa responsivitas laporan dapat berkurang akibat beban performa dari join tambahan tersebut. Dalam perbandingan itu, star schema disajikan sebagai pilihan untuk dasbor Power BI yang intuitif dan responsif.

Episode "Optimize Microsoft Fabric Lakehouse Performance" membingkai pilihan ini dalam hal kecepatan, penyimpanan, dan penyetelan untuk beban kerja lakehouse dan warehouse. Episode ini menggambarkan star schema sebagai tabel fakta pusat dengan tabel dimensi yang didenormalisasi, dioptimalkan untuk kecepatan dan cocok untuk dasbor BI, kueri pelaporan, serta beban kerja yang banyak membaca data. Snowflake schema digambarkan memiliki tabel dimensi yang dinormalisasi sehingga menghasilkan kueri yang lebih kompleks karena join. Episode ini menyebutkan kumpulan data besar, optimalisasi penyimpanan, dan tata kelola data sebagai situasi ketika snowflake schema lebih sesuai, sambil mencatat bahwa model ini dapat memperlambat kueri.

Episode "From Raw Data to Real Business Impact: Mastering Power BI and Microsoft Fabric with Thummalacherla Krishnakanth" menempatkan perbandingan ini dalam pandangan yang lebih luas tentang pelaporan perusahaan. Pembahasannya mencakup star schema versus snowflake schema bersama tabel fakta dan dimensi, transformasi Power Query, kualitas data, desain relasi, arah cross-filter, dan model semantik yang dapat diskalakan. Episode ini menyatakan bahwa model data yang dirancang dengan baik meningkatkan performa, menyederhanakan pengembangan DAX, dan menjaga laporan tetap mudah dipelihara seiring pertumbuhan organisasi, yang menjadi konteks tempat keputusan snowflake-versus-star dibuat.

Dalam praktiknya, pilihan antara kedua desain bergantung pada prioritas. Ketika kueri yang cepat dan sederhana serta ukuran DAX yang lugas paling penting, seperti dalam pelaporan Power BI yang banyak membaca data, episode-episode tersebut mengarah pada star schema. Ketika mengurangi redundansi pada dimensi berukuran besar, menghemat penyimpanan, atau mendukung tata kelola lebih penting, snowflake schema dapat dibenarkan, dengan menerima join tambahan dan kueri yang lebih kompleks yang menyertainya. Fakta yang tersedia tidak melampaui perbandingan ini, sehingga langkah alat tertentu untuk membangun snowflake schema tidak dibahas di sini.

Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.

TypeConcept
WikipediaSnowflake schema – Wikipedia en.wikipedia.org

Frequently asked questions

Questions marked with AI were written with AI from the facts on this page.

Apa perbedaan antara snowflake schema dan star schema? (AI)

Pada star schema, tabel fakta terhubung langsung ke tabel dimensi yang didenormalisasi, sedangkan pada snowflake schema tabel dimensi dinormalisasi menjadi tabel-tabel terkait lainnya, seperti kategori produk dan subkategori.

Apakah snowflake schema lebih lambat daripada star schema di Power BI? (AI)

Menurut episode M365.FM "Build a Power BI Star Schema for Faster Reports", snowflake schema lebih lambat karena memerlukan join tambahan, dan dapat membuat kalkulasi DAX lebih kompleks serta mengurangi responsivitas laporan.

Kapan snowflake schema menjadi pilihan yang masuk akal? (AI)

Episode "Optimize Microsoft Fabric Lakehouse Performance" menyebutkan kumpulan data besar, optimalisasi penyimpanan, dan tata kelola data sebagai kasus ketika snowflake schema paling sesuai, meskipun kompleksitas join bertambah.

Glossary

Community wiki

Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.

Experts and companies for this topic

Nobody has listed this topic yet. Add it to your profile.

Sources

Maintained by Mirko Peters (Microsoft MVP) · Last updated: