Pendahuluan Sistem Basis Data

Definisi Basis Data

Basis data (database) adalah kumpulan data yang terstruktur dan terorganisir secara sistematis sehingga dapat dengan mudah diakses, dikelola, dan diperbarui menggunakan sistem manajemen basis data (DBMS). Basis data berfungsi sebagai fondasi dalam sistem informasi untuk menyimpan dan mengelola data dengan cara yang lebih efisien dibandingkan metode penyimpanan manual atau sistem file tradisional.

DBMS (Database Management System) adalah perangkat lunak yang digunakan untuk mengelola basis data, memungkinkan pengguna untuk melakukan operasi seperti penyimpanan, pengambilan, pemanipulasian, serta penghapusan data secara lebih efektif dan aman.

Sejarah Basis Data

Sejarah perkembangan basis data mencerminkan evolusi teknologi dalam pengelolaan data dari sistem sederhana hingga sistem modern berbasis cloud dan big data. Berikut adalah tahapan utama dalam perkembangan basis data:

1950-an – 1960-an: Sistem File Tradisional

Pada era ini, data disimpan dalam bentuk file flat (flat file), yang berarti setiap aplikasi memiliki sistem penyimpanan data sendiri tanpa ada hubungan atau keterkaitan dengan aplikasi lain. Beberapa karakteristik utama:

  • Data bersifat redundan dan berulang karena tidak ada sistem yang mengatur keterkaitan antar file.
  • Kesulitan dalam pengambilan data karena setiap file memiliki format yang berbeda.
  • Inkonsistensi data sering terjadi karena tidak ada mekanisme pengontrolan versi data.

1970-an: Model Hierarkis dan Model Jaringan

Pada dekade ini, model basis data hierarkis dan jaringan mulai diperkenalkan untuk mengatasi kelemahan sistem file tradisional.

  • Model Hierarkis (diperkenalkan oleh IBM melalui IMS – Information Management System)
    • Data diatur dalam bentuk struktur pohon (tree), dengan satu entitas utama sebagai root dan berbagai cabang yang merepresentasikan hubungan parent-child.
    • Efisien untuk data dengan hierarki tetap tetapi sulit untuk dimodifikasi.
  • Model Jaringan (digunakan dalam database IDMS – Integrated Database Management System)
    • Data memiliki hubungan yang lebih fleksibel melalui konsep record dan set.
    • Lebih kompleks dalam pengelolaan tetapi lebih efisien dibandingkan model hierarkis.

1980-an: Model Relasional

Edgar F. Codd dari IBM memperkenalkan model basis data relasional, yang menjadi revolusi dalam teknologi basis data. Ciri utama:

  • Data disimpan dalam bentuk tabel yang disebut relasi.
  • Relasi menggunakan primary key dan foreign key untuk menghubungkan data tanpa redundansi.
  • SQL (Structured Query Language) dikembangkan sebagai bahasa standar untuk manipulasi basis data.
  • Model ini mendukung efisiensi dalam pengelolaan data, pemeliharaan integritas, dan fleksibilitas akses.

1990-an: Model Berorientasi Objek dan NoSQL Awal

  • Model basis data berorientasi objek dikembangkan untuk menangani data yang lebih kompleks, seperti gambar, video, dan data multimedia.
  • NoSQL (Not Only SQL) mulai dikembangkan untuk menangani kebutuhan penyimpanan data tidak terstruktur yang tidak cocok dengan model relasional.

2000-an – Sekarang: Big Data dan Cloud-Based Databases

  • Teknologi Big Data berkembang dengan munculnya basis data terdistribusi seperti Hadoop, MongoDB, dan Google BigQuery.
  • Cloud databases menawarkan skalabilitas tinggi dan efisiensi dalam pengelolaan data berskala besar.
  • Kombinasi AI dan database mulai berkembang untuk otomatisasi analisis data.

Peran Basis Data

Basis data memiliki peran yang sangat penting dalam berbagai aspek, di antaranya:

Manajemen Data yang Efisien

  • Memungkinkan penyimpanan dan pengambilan data dengan cepat dan terstruktur.
  • Menyediakan akses yang lebih cepat dibandingkan sistem file tradisional.

Keamanan dan Integritas Data

  • Basis data modern dilengkapi dengan mekanisme enkripsi, autentikasi pengguna, dan backup otomatis.
  • Mendukung aturan integritas seperti primary key, foreign key, dan constraints.

Reduksi Redundansi dan Inkonsistensi

  • Dengan normalisasi data, redundansi dapat dikurangi sehingga meningkatkan efisiensi penyimpanan.
  • Sistem basis data menjaga konsistensi data melalui aturan yang diterapkan dalam skema relasional.

Mendukung Pengambilan Keputusan

  • Basis data digunakan dalam Sistem Pendukung Keputusan (Decision Support System – DSS) untuk membantu analisis data dan peramalan bisnis.

Interoperabilitas dan Integrasi

  • Basis data memungkinkan integrasi antara berbagai sistem informasi dalam suatu organisasi.
  • Mendukung berbagai standar seperti SQL, XML, dan API untuk pertukaran data.

Perbandingan Sistem File Tradisional vs Basis Data

Berikut adalah perbandingan antara sistem file tradisional dengan sistem basis data:

AspekSistem File TradisionalBasis Data (DBMS)
Struktur DataData disimpan dalam file terpisah tanpa struktur yang jelasData terorganisir dalam tabel dan relasi
Redundansi DataTinggi karena data bisa tersimpan di berbagai file berbedaRendah karena mendukung normalisasi
Keamanan DataKurang terjamin karena tidak ada kontrol akses khususMemiliki fitur keamanan seperti enkripsi dan hak akses pengguna
Integritas DataSulit dijaga karena tidak ada aturan integritasMendukung aturan integritas seperti primary key dan foreign key
Akses dan Pemrosesan DataLambat karena perlu mencari data dalam berbagai fileLebih cepat dengan dukungan indeks dan query SQL
SkalabilitasTerbatas, sulit menangani data besarLebih fleksibel dan mampu menangani data dalam skala besar
Kemudahan PemrogramanPerlu pemrograman manual untuk setiap operasi dataDBMS menyediakan API dan bahasa SQL yang mempermudah manipulasi data

Dari tabel perbandingan tersebut, dapat disimpulkan bahwa sistem basis data lebih unggul dibandingkan sistem file tradisional dalam hal efisiensi penyimpanan, keamanan, integritas data, dan kemudahan akses.


Dengan memahami konsep, sejarah, dan peran basis data, kita dapat lebih memahami pentingnya basis data dalam dunia teknologi informasi dan bagaimana peranannya semakin berkembang seiring dengan kemajuan teknologi. Basis data kini menjadi salah satu komponen utama dalam sistem informasi modern, mendukung berbagai aplikasi mulai dari bisnis, pemerintahan, pendidikan, hingga kecerdasan buatan (AI).

Pengenalan DDL MySQL

Pengertian DDL

DDL (Data Definition Language) adalah bahasa yang digunakan untuk mendefinisikan struktur database, termasuk tabel, kolom, dan constraint. DDL digunakan untuk membuat, mengubah, atau menghapus objek database seperti tabel, indeks, atau constraint.

Perbedaan antara DDL dan DML

DDL dan DML (Data Manipulation Language) adalah dua jenis bahasa SQL yang berbeda. DDL digunakan untuk mendefinisikan struktur database, sedangkan DML digunakan untuk memanipulasi data dalam tabel. DDL berfokus pada objek database, sedangkan DML berfokus pada data yang terkait dengan objek tersebut.

Lanjutkan membaca

Constraint dalam MySQL

Constraint dalam MySQL adalah aturan yang digunakan untuk membatasi nilai-nilai yang dapat dimasukkan ke dalam suatu tabel atau kolom dalam tabel. Constraint digunakan untuk memastikan integritas data dan membatasi operasi yang dapat dilakukan pada data di dalam tabel.

Berikut adalah penjelasan secara detail mengenai jenis-jenis constraint dalam MySQL beserta fungsi, sintaks, dan contohnya:

Lanjutkan membaca

Pemrosesan Data Transaksional

Dalam pemahaman awam Sistem pemrosesan data transaksional dianggap sebagai fungsi utama dalam komputasi bisnis. Sistem transaksional mencatat transaksi yang merangkum peristiwa spesifik yang ingin dilacak oleh organisasi. Suatu transaksi dapat berupa keuangan, seperti pergerakan uang antar rekening dalam sistem perbankan, atau mungkin merupakan bagian dari sistem ritel, melacak pembayaran barang dan jasa dari pelanggan. Pikirkan transaksi sebagai unit kerja yang kecil dan terpisah.

Sistem transaksi sering bervolume tinggi, terkadang menangani jutaan transaksi dalam satu hari. Data yang diproses harus dapat diakses dengan sangat cepat. Pekerjaan yang dilakukan oleh sistem transaksional sering disebut sebagai Online Transactional Processing (OLTP).

Solusi OLTP mengandalkan sistem database di mana penyimpanan data dioptimalkan untuk operasi baca dan tulis untuk mendukung beban kerja transaksional di mana catatan data dibuat (create), diambil (read), diperbarui (update), dan dihapus(delete) (sering disebut sebagai operasi CRUD) . Operasi ini diterapkan secara transaksional, dengan cara memastikan integritas data yang disimpan dalam database. Untuk mencapai hal ini, sistem OLTP memberlakukan transaksi yang mendukung apa yang disebut semantik ACID. ACID adalah kependekan dari Atomicity (Atomisitas), Consistency (Konsistensi), Isolation (Isolasi), dan Durability (Daya tahan).

Lanjutkan membaca

Profesi Bidang Basis Data

Semakin banyaknya organisasi yang menggunakan teknologi digital untuk mengelola data diiperkirakan permintaan untuk profesional basis data akan terus meningkat di masa depan. Setiap profesi membutuhkan keterampilan dan pengetahuan khusus untuk menjalankan tugas-tugas yang diperlukan. Peluang karir di bidang basis data sangat menjanjikan dan beragam, dan dapat memberikan kesempatan yang baik untuk pertumbuhan dan pengembangan karir dalam jangka panjang.

Database Administrator (DBA)

Seorang DBA bertanggung jawab untuk mengelola, merancang, dan memelihara database perusahaan. Tugas-tugasnya termasuk pemantauan kinerja database, pemulihan bencana, tuning, dan memastikan bahwa data aman dan tersedia.

Data Analyst

Seorang analis data bertanggung jawab untuk menganalisis dan menginterpretasikan data untuk membantu bisnis membuat keputusan yang lebih baik. Tugas-tugasnya meliputi pengumpulan data, pemrosesan data, analisis data, dan penyajian data.

Data Scientist

Seorang ilmuwan data bertanggung jawab untuk mengumpulkan, memproses, dan menganalisis data besar dengan tujuan memperoleh informasi dan wawasan yang lebih baik. Tugas-tugasnya termasuk pemodelan data, analisis data, dan pengembangan algoritma yang kompleks.

Lanjutkan membaca

Jenis-jenis Analisis

Secara umum, analitik data terdiri dari empat jenis (Gambar 1):

  • Deskriptif, untuk menjawab pertanyaan: Apa yang terjadi?
  • Diagnostik, untuk menjawab pertanyaan: Mengapa terjadi?
  • Prediktif, untuk menjawab pertanyaan: Apa yang akan terjadi?
  • Preskriptif, untuk menjawab pertanyaan: Tindakan apa yang harus kita ambil?

Analisis Deskriptif (Descriptive Analysis)

Analisis ini mengacu pada cara menggambarkan data dengan menggunakan visualisasi dan statistik deskriptif seperti rata-rata, median, modus, dan sebagainya. Analisis deskriptif sering digunakan untuk menjawab pertanyaan seperti “Apa yang terjadi di masa lalu?” atau “Apa yang sedang terjadi sekarang?”.

Analisis Prescriptive merupakan jenis analisis data yang digunakan untuk memberikan rekomendasi tentang tindakan atau keputusan yang harus diambil berdasarkan hasil analisis data. Analisis preskriptif biasanya melibatkan penggunaan teknik analisis data yang lebih kompleks, seperti optimisasi dan analisis simulasi, untuk mengevaluasi berbagai skenario yang mungkin terjadi dan menentukan tindakan terbaik yang dapat diambil dalam situasi tersebut.

Tujuan utama dari analisis preskriptif adalah membantu pengambil keputusan dalam mengoptimalkan hasil bisnis atau operasional. Dalam bisnis, analisis preskriptif dapat membantu dalam menentukan strategi pemasaran, perencanaan persediaan, dan pengelolaan risiko. Dalam industri manufaktur, analisis preskriptif dapat membantu dalam mengoptimalkan produksi dan meningkatkan efisiensi.

Beberapa contoh teknik analisis preskriptif yang sering digunakan adalah Linear Programming, Optimization, dan Monte Carlo Simulation. Linear Programming digunakan untuk menentukan solusi terbaik dari suatu masalah yang melibatkan sejumlah variabel dan keterbatasan. Optimization digunakan untuk menemukan kombinasi terbaik dari sumber daya yang tersedia, seperti waktu, tenaga kerja, dan peralatan. Monte Carlo Simulation digunakan untuk menguji berbagai skenario dan menentukan risiko yang terkait dengan keputusan yang akan diambil.

Dalam keseluruhan, analisis preskriptif memungkinkan pengambil keputusan untuk membuat keputusan yang lebih informasi dan berbasis data, dengan mempertimbangkan berbagai faktor dan skenario yang terlibat dalam situasi tersebut.

Analisis Prediktif (Predictive Analysis)

Analisis ini mencoba untuk memprediksi apa yang akan terjadi di masa depan berdasarkan pola dan tren yang terlihat dari data yang telah ada. Analisis prediktif menggunakan teknik seperti regresi, klasifikasi, dan analisis deret waktu. Analisis prediktif dapat membantu dalam membuat keputusan yang lebih baik dan membantu dalam perencanaan.

Contoh analisis deskriptif adalah sebagai berikut:

Misalkan sebuah perusahaan ingin melakukan analisis penjualan produk selama satu tahun terakhir untuk melihat performa penjualan mereka. Dalam melakukan analisis ini, mereka dapat menggunakan teknik deskriptif untuk menjawab beberapa pertanyaan seperti:

  1. Berapa jumlah produk yang terjual selama satu tahun terakhir?
  2. Berapa rata-rata penjualan per bulan?
  3. Apa produk yang paling laris terjual?
  4. Bagaimana distribusi penjualan di tiap wilayah?

Untuk menjawab pertanyaan-pertanyaan tersebut, perusahaan dapat menggunakan visualisasi dan statistik deskriptif seperti diagram batang, histogram, tabel frekuensi, rata-rata, median, modus, dan sebagainya.

Sebagai contoh, perusahaan dapat membuat diagram batang untuk menunjukkan jumlah produk yang terjual per bulan selama satu tahun terakhir. Diagram batang ini akan menunjukkan apakah penjualan meningkat atau menurun dari waktu ke waktu.

Selain itu, perusahaan juga dapat membuat tabel frekuensi untuk menunjukkan jumlah penjualan di tiap wilayah. Tabel frekuensi ini dapat membantu perusahaan dalam memahami distribusi penjualan dan melihat apakah ada wilayah yang perlu ditingkatkan penjualannya.

Dengan menggunakan teknik analisis deskriptif, perusahaan dapat memperoleh wawasan tentang performa penjualan mereka dan mengambil tindakan yang diperlukan untuk meningkatkan penjualan mereka di masa depan.

Analisis Preskriptif (Prescriptive Analysis)

Analisis ini bertujuan untuk memberikan rekomendasi tentang tindakan yang harus diambil berdasarkan hasil analisis data. Analisis preskriptif menggabungkan data dari analisis deskriptif dan prediktif untuk memberikan rekomendasi tentang apa yang harus dilakukan berdasarkan situasi yang ditemukan.

Misalkan sebuah perusahaan memiliki beberapa produk yang ingin mereka produksi dan mereka memiliki keterbatasan dalam sumber daya, seperti tenaga kerja, bahan baku, dan waktu. Perusahaan ingin mengetahui kombinasi produk mana yang dapat mereka produksi untuk memaksimalkan laba mereka, sambil memenuhi keterbatasan sumber daya.

Dalam melakukan analisis preskriptif ini, perusahaan dapat menggunakan teknik optimisasi untuk menemukan solusi terbaik untuk masalah mereka. Teknik optimisasi akan menghasilkan kombinasi produk yang dapat diproduksi dengan mengoptimalkan penggunaan sumber daya yang tersedia.

Misalkan perusahaan menggunakan Linear Programming untuk menyelesaikan masalah ini. Mereka akan menentukan tujuan optimisasi mereka (maksimalkan laba), variabel keputusan (jumlah produksi setiap produk), dan keterbatasan sumber daya mereka. Kemudian, mereka akan menggunakan software Linear Programming untuk menemukan solusi optimal.

Setelah solusi optimal ditemukan, perusahaan dapat mengevaluasi hasilnya dan membuat keputusan tentang kombinasi produk mana yang akan mereka produksi untuk memaksimalkan laba mereka, sambil memenuhi keterbatasan sumber daya. Misalnya, mereka dapat memutuskan untuk memproduksi lebih banyak produk yang menghasilkan laba tinggi dan kurang produk yang menghasilkan laba rendah.

Dalam keseluruhan, analisis preskriptif memungkinkan perusahaan untuk membuat keputusan yang lebih informasi dan berbasis data, dengan mempertimbangkan berbagai faktor dan keterbatasan yang terlibat dalam situasi tersebut. Dengan menggunakan teknik optimisasi, perusahaan dapat menemukan solusi terbaik untuk masalah mereka dan mengambil keputusan yang lebih baik dalam operasi bisnis mereka.

Analisis Kognitif (Cognitive Analysis)

Analisis ini menggunakan teknologi Artificial Intelligence (AI) untuk memproses data yang kompleks seperti suara, teks, dan gambar. Analisis kognitif dapat membantu dalam mengidentifikasi pola dan tren yang mungkin tidak terlihat melalui analisis data tradisional. Contoh dari analisis kognitif termasuk pemrosesan bahasa alami, pengenalan wajah, dan identifikasi objek pada gambar.

Analisis kognitif (cognitive analysis) adalah suatu teknik analisis data yang berfokus pada pemahaman bagaimana manusia memproses informasi, mengambil keputusan, dan berinteraksi dengan lingkungan mereka. Analisis kognitif digunakan dalam berbagai bidang, seperti psikologi, ilmu sosial, pemasaran, dan bisnis, untuk memahami pola pikir manusia dan membuat keputusan yang lebih baik berdasarkan pemahaman tersebut.

Contoh penggunaan analisis kognitif dalam bisnis adalah untuk memahami perilaku pelanggan dan mencari cara untuk meningkatkan kepuasan mereka. Dalam hal ini, analisis kognitif dapat membantu bisnis untuk:

  1. Mempelajari kebutuhan dan preferensi pelanggan
  2. Memahami pola perilaku pelanggan
  3. Menganalisis respons pelanggan terhadap produk atau layanan baru
  4. Meningkatkan interaksi dan komunikasi dengan pelanggan

Analisis kognitif dapat dilakukan dengan menggunakan berbagai teknik, seperti survei, wawancara, eksperimen, dan analisis data. Beberapa teknik analisis data yang sering digunakan dalam analisis kognitif adalah clustering, analisis faktor, analisis jalur, dan analisis regresi.

Sebagai contoh, dalam mempelajari preferensi pelanggan, bisnis dapat melakukan survei untuk mengumpulkan data tentang preferensi dan kebutuhan pelanggan. Kemudian, dengan menggunakan teknik clustering, bisnis dapat mengelompokkan pelanggan berdasarkan preferensi mereka, sehingga dapat menyesuaikan produk atau layanan mereka untuk memenuhi kebutuhan dan preferensi pelanggan yang berbeda.

Dalam keseluruhan, analisis kognitif membantu bisnis untuk memahami cara kerja manusia dan membuat keputusan yang lebih baik berdasarkan pemahaman tersebut. Dengan menggunakan teknik analisis kognitif, bisnis dapat meningkatkan interaksi dengan pelanggan, mengembangkan produk atau layanan yang lebih efektif, dan mencapai tujuan bisnis mereka dengan lebih baik.

Sistem File Versus DBMS

Sistem file dan DBMS adalah dua konsep yang berbeda dalam dunia teknologi informasi yang digunakan untuk menyimpan dan mengelola data. Sebelum adanya DBMS, sistem file merupakan satu-satunya cara untuk menyimpan dan mengelola data dalam sebuah sistem komputer.

Namun, sistem file memiliki keterbatasan dalam hal pengolahan data yang besar dan kompleks, serta dalam hal keamanan dan privasi data. Selain itu, sistem file juga tidak mampu untuk mengintegrasikan data dari berbagai sumber dengan mudah.

Seiring dengan perkembangan teknologi, DBMS muncul sebagai solusi yang lebih efektif untuk mengelola data. DBMS memungkinkan untuk mengatur data dalam struktur tabel yang terpusat dan memiliki antarmuka yang digunakan untuk mengakses data. Selain itu, DBMS juga memiliki sistem keamanan yang lebih kompleks dan memungkinkan integrasi data dari berbagai sumber dengan mudah.

Lanjutkan membaca

Mengidentifikasi Format Data (Terstruktur, Semi terstruktur, Tidak terstruktur)

Data adalah kumpulan fakta seperti angka, deskripsi, dan observasi yang digunakan untuk mencatat informasi. Struktur data tempat data ini diatur sering mewakili entitas yang penting bagi organisasi (seperti pelanggan, produk, pesanan penjualan, dan sebagainya). Setiap entitas biasanya memiliki satu atau beberapa atribut, atau karakteristik (misalnya, pelanggan mungkin memiliki nama, alamat, nomor telepon, dan sebagainya).

Anda dapat mengklasifikasikan data sebagai terstruktursemi terstruktur, atau tidak terstruktur.

Data terstruktur

Data terstruktur adalah data yang mematuhi skema tetap, sehingga semua data memiliki bidang atau properti yang sama. Umumnya, skema untuk entitas data terstruktur adalah tabular – dengan kata lain, data dihadirkan dalam satu tabel atau lebih yang terdiri dari beberapa baris yang mewakili setiap instans entitas data, dan kolom yang mewakili atribut entitas. Misalnya, gambar berikut menunjukkan representasi data tabular untuk entitas Pelanggan dan Produk.

Entitas Pelanggan:

ID PelangganNama PelangganAlamatKotaNegaraNomor Telepon
001AhmadJalan Suka Jaya No. 10JakartaIndonesia08123456789
002BudiJalan Mawar No. 12BandungIndonesia08234567890
003CharlieJalan Merdeka No. 23SurabayaIndonesia08567890123
004DianaJalan Kenanga No. 5BaliIndonesia08123456781
005ErikJalan Cemara No. 7SemarangIndonesia08567891234
006FitriJalan Anggrek No. 3JakartaIndonesia08123456792
007GunawanJalan Jambu No. 11YogyakartaIndonesia08567892345
008HadiJalan Raya No. 4MalangIndonesia08123456783
009IndahJalan Melati No. 6BandungIndonesia08234567895
010JokoJalan Cendana No. 8SurabayaIndonesia08123456794
Lanjutkan membaca

Tugas Membuat Basis Data Bengkel Mobil Menggunakan MySQL

Buat tabel-tabel berikut menggunakan MySQL

Berikut contoh data database bengkel mobil dengan struktur tabel:

Tabel Montir

ID_MontirNama_MontirAlamatTelp
1AndiJl. Merdeka No. 1008123456789
2BudiJl. Pahlawan No. 2508234567890
3CiciJl. Kenangan No. 508345678901

Tabel Pelanggan

ID_PelangganNama_PelangganAlamatTelp
1DodiJl. Mawar No. 208123456789
2EdoJl. Flamboyan No. 508234567890
3FaniJl. Anggrek No. 1208345678901

Tabel Mobil

ID_MobilMerkTipeTahun_Produksi
1ToyotaAvanza2019
2HondaBrio2020
3SuzukiErtiga2018

Tabel Transaksi

ID_TransaksiID_PelangganID_MobilID_MontirTanggalBiaya
11112023-03-05500000
22222023-03-06750000
33332023-03-07600000

Keterangan:

  • Tabel Montir menyimpan data mengenai montir bengkel mobil, yang terdiri dari ID_Montir, Nama_Montir, Alamat, dan Telp.
  • Tabel Pelanggan menyimpan data mengenai pelanggan bengkel mobil, yang terdiri dari ID_Pelanggan, Nama_Pelanggan, Alamat, dan Telp.
  • Tabel Mobil menyimpan data mengenai mobil yang diperbaiki di bengkel, yang terdiri dari ID_Mobil, Merk, Tipe, dan Tahun_Produksi.
  • Tabel Transaksi menyimpan data mengenai transaksi perbaikan mobil, yang terdiri dari ID_Transaksi, ID_Pelanggan (foreign key dari tabel Pelanggan), ID_Mobil (foreign key dari tabel Mobil), ID_Montir (foreign key dari tabel Montir), Tanggal, dan Biaya.

Tugas Membuat Database Kursus Setir Mobil Menggunakan MySQL

Buat Tabel-tabel Berikut Menggunakan MySQL

Berikut ini contoh data lengkap untuk database Kursus Setir Mobil:

Tabel Siswa

id_siswanama_siswaalamatnomor_telepon
1Andi SusantoJl. Raya Bogor No. 12081234567890
2Budi SantosoJl. Sudirman No. 45082345678901
3Cici AmeliaJl. Pemuda No. 56083456789012
4Dodi FirmansyahJl. Mawar No. 67084567890123
5Evi SetyawatiJl. Merdeka No. 78085678901234

Tabel Mobil

id_mobiljenis_mobilmerk_mobilnomor_polisi
1MaticHonda BrioB 1234 ABC
2ManualToyota AvanzaB 2345 DEF
3ManualSuzuki ErtigaB 3456 GHI

Tabel Instruktur

id_instrukturnama_instrukturalamatnomor_telepon
1Dian SuryadiJl. Juanda No. 13087654321098
2Fauzi NugrahaJl. Raya Bekasi No. 23089876543210

Tabel Pelaksanaan Kursus

id_pelaksanaanid_siswaid_mobilid_instrukturtanggal_mulaitanggal_selesaiprogress
11112022-01-012022-01-1080
22212022-01-022022-01-1175
33322022-01-032022-01-1270
44222022-01-042022-01-1360
55112022-01-052022-01-1490

Keterangan:

  • Tabel Siswa berisi data siswa yang mengikuti kursus setir mobil, dengan atribut id_siswa sebagai primary key.
  • Tabel Mobil berisi data mobil yang digunakan untuk kursus setir mobil, dengan atribut id_mobil sebagai primary key.
  • Tabel Instruktur berisi data instruktur yang mengajar di kursus setir mobil, dengan atribut id_instruktur sebagai primary key.
  • Tabel Pelaksanaan Kursus berisi data pelaksanaan kursus, dengan atribut id_pelaksanaan