Skip to main content

atribut, entitas, dan relasi dalam ERD

  • Entitas
Entitas adalah “sesuatu” atau “objek” di dunia nyata yang dapat dibedakan dari objek lain. contohnya antara lain entitas mahasiswa, dosen, buah, hewan dan lain sebagainya. 

Entitas bisa dibagi menjadi 2 yaitu:

    • Entitas kongkrit, Contoh : Mahasiswa, Buku
    • Entitas abstrak, Contoh : Pinjaman, Jadwal, Nilai

  • Atribut

Entitas mempunyai elemen yang disebut atribut, berfungsi untuk mendeskripsikan karakter entitas. Misalnya atribut NIM dari entitas mahasiswa. Setiap ERD bisa terdapat lebih dari satu atribut. 
Tipe-tipeAtribut sebagai berikut.
  1. Simple dan Composite attributes – Atribut Simple : Atribut sederhana yang tidak dapat dibagi dalam beberapa bagian; – Atribut Komposit : Atribut yang dapat dibagi lagi dalam beberapa bagian; contoh : Nama; yang terdiri dari Nama depan dan Nama Belakang.
  2. Single-valued dan multi-valued attributes –Atribut Single-valued : Atribut yang memiliki paling banyak satu nilai untuk setiap baris data – Multi-valued attributes : Atribut yang dapat diisi dengan lebih satu nilai tetapi jenisnya sama. Contoh : NomorTelp, Alamat.
  3. Derived attributes – Atribut Turunan : Atribut yang diperoleh dari pengolahan dari atribut lain yang berhubungan. Contoh : Umur, IP 
  4. Atribut Mandatory dan Non Mandatory - Atribut Mandatory adalah atribut yang harus diisi tidak boleh kosong (not null) - Atribut Non mandatory adalah atribut yang boleh kosong(null).

  • Relasi
Relasi adalah hubungan antara beberapa entitas. 
Himpunan relasi adalah kumpulan semua relasi yang merupakan relasi matematik antara n ≥ 2 entitas, dari himpunan-himpunan entitas yang ada.
Derajat Relasi menunjukan banyaknya himpunan entitas yang saling berelasi. 
contoh derajat relasi
    • Binary Relationship
    • Ternary relationship


Untuk Himpunan relasi biner pemetaan kardinalitasnya dapat merupakan salah satu dari tipe2 berikut.
  1. Satu ke Satu (One to one)


  2. Satu ke Banyak (One to many) 


  3. Banyak ke Satu (Many to one) 


  4. Banyak ke Banyak (Many to many) 


Kardinalitas pemetaan dinyatakan dengan 2 cara : 
  1. [Korth] garis berarah (1) dan garis tidak berarah (Banyak). 
  2. [Date] menuliskan kardinalitasnya pada garis

Comments

Post a Comment

Popular posts from this blog

P9 - Supervise Learning (Klasifikasi) dan Contoh Algoritma Yang Ada Didalamnya

Supervised learning adalah salah satu jenis pembelajaran mesin (machine learning) di mana model dilatih menggunakan data yang telah diberi label. Dalam supervised learning, terdapat dua kategori utama: klasifikasi dan regresi. Fokus kita kali ini adalah pada klasifikasi. Supervised Learning (Klasifikasi) Klasifikasi adalah salah satu tugas utama dalam supervised learning, di mana model bertujuan untuk memetakan input ke dalam salah satu dari beberapa kategori atau kelas yang sudah ditentukan sebelumnya. Misalnya, dalam klasifikasi email, model dilatih untuk mengkategorikan email sebagai "spam" atau "not spam." Dalam klasifikasi gambar, model dilatih untuk mengenali objek dalam gambar seperti "kucing," "anjing," atau "mobil." Dalam konteks pembelajaran mesin, supervised learning (pembelajaran terawasi) adalah metode di mana model dilatih menggunakan data yang telah diberi label. Artinya, setiap contoh data dalam set pelatihan memiliki in...
Post a Comment
Read more

MENENTUKAN KARDINALITAS DAN OPSIOANLITAS

Prodi diketuai oleh dosen (one to one) 2. Dosen ploting program studi (one to one) 3.   Mahasiswa dibimbing dosen (many to one) 4.  Dosen memiliki prodi(one to one) 5.  Dosen mengampu matakuliah (one to one) 6.   Prodi memiliki kelas (many to many) 7.  Mahasiswa memilih matakuliah (many to many) 8.  mahasiswa ploting kelas (many to many) 9.  Fakultas memiliki Prodi (one to many) 10.  Mahasiswa dibimbing dosen (many to one)
Post a Comment
Read more

Quiz Pertemuan 5 Data Mining

  Anda juga dapat mendownload laporan  Di sini . silahkan klik kata 'di sini'. Bagian 1. Pendahuluan Di era modern ini, tantangan dalam meningkatkan kualitas pendidikan menjadi semakin kompleks. Salah satu indikator keberhasilan pendidikan adalah tingkat kelulusan tepat waktu dan lama masa studi mahasiswa di perguruan tinggi. Oleh karena itu, pemahaman mendalam terhadap faktor-faktor yang memengaruhi lulusan tepat waktu sangat penting. Laporan ini bertujuan untuk melakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi lulusan tepat waktu dan lama masa studi di lingkungan akademik. Analisis dilakukan meliputi integrasi dan pembersihan data, serta mengidentifikasi tren atau pola yang mempengaruhi lulusan tepat waktu. Berikut permasalahan-permasalahan yang akan dibahas pada analisis lulusan tepat waktu. 1.      Langkah-langkah apa saja dalam integrasi dan pembersihan data serta analisis pola lulusan tepat waktu? 2.    ...
Post a Comment
Read more