Database Relational

Database

Database relasional mendasari sebagian besar AIS terintegrasi modern. Bab 17 hingga 19 ini menjelaskan cara berpartisipasi dalam desain dan implementasi database.

Bab ini mendefinisikan basis data, dengan penekanan pada pemahaman struktur basis data relasional.

Bab 17 memperkenalkan dua alat yang digunakan akuntan untuk merancang basis data-entitas-diagram hubungan dan pemodelan data REA - dan menunjukkan bagaimana menggunakannya untuk membangun model data AIS.

Bab 18 menjelaskan bagaimana menerapkan model data REA dan bagaimana menghasilkan informasi yang diperlukan untuk mengelola suatu organisasi.

Bab 19 membahas pemodelan data canggih dan masalah desain database.

File versus Database

Untuk menghargai kekuatan basis data, penting untuk memahami bagaimana data disimpan dalam sistem komputer. Gambar 4-1 menunjukkan hierarki data. Informasi tentang atribut pelanggan, seperti nama dan alamat, disimpan di bidang. Semua bidang yang berisi data tentang satu entitas (mis., Satu pelanggan) membentuk catatan. Serangkaian catatan terkait, seperti semua catatan pelanggan, membentuk file (mis., File pelanggan). Seperangkat file yang saling terkait dan terkoordinasi dari pusat membentuk basis data.

Database dikembangkan untuk mengatasi proliferasi file master. Selama bertahun-tahun, perusahaan menciptakan saluran dan program baru setiap kali kebutuhan akan informasi muncul. Bank of America pernah memiliki 36 juta akun pelanggan di 23 sistem terpisah. Proliferasi ini menciptakan masalah seperti menyimpan data sarpe di dua atau lebih fileg master, seperti yang ditunjukkan pada Gambar 4-2.

Hal ini membuatnya sulit untuk mengintegrasikan dan memperbarui data dan untuk mendapatkan pandangan organisasi yang luas dari flata. Itu juga menciptakan masalah karena data dalam file yang berbeda tidak konsisten. Misalnya, alamat pelanggan mungkin telah diperbarui dengan benar dalam file master pengiriman tetapi mengangguk file master penagihan. Gambar 4-2 mengilustrasikan perbedaan ubin antara sistem berorientasi file dan sistem database.

Dalam pendekatan basis data, dala adalah sumber daya organisasi yang digunakan oleh dan dikelola untuk seluruh organisasi, bukan hanya departemen asal. Sistem manajemen basis data (DBMS) adalah antarmuka antara basis data dan berbagai program aplikasi. Basis data, DBMS, dan program aplikasi yang mengakses database melalui DBMS disebut sebagai sistem dutabase.

Administrator databuse (DBA) bertanggung jawab untuk database. Menggunakan Gudang Data untuk Bisnis! Kecerdasan Dalam ekonomi global yang serba cepat saat ini, manajemen harus secara konstan mengevaluasi kembali kinerja keuangan dan operasional dengan tujuan strategis dan dengan cepat mengubah rencana sesuai kebutuhan. Karena pengambilan keputusan strategis memerlukan akses ke sejumlah besar data historis, organisasi membangun basis data terpisah yang disebut gudang data. Gudang data berisi data terperinci dan terangkum selama beberapa tahun dan digunakan untuk analisis daripada pemrosesan transaksi. Sudah lazim bagi gudang data untuk berisi ratusan terabyte data. Gudang data tidak menggantikan basis data pemrosesan transaksi; mereka melengkapi mereka dengan memberikan dukungan untuk pengambilan keputusan strategis. Karena gudang data tidak digunakan untuk pemrosesan transaksi, mereka biasanya diperbarui secara berkala daripada waktu nyata. Sementara database pemrosesan transaksi meminimalkan redundansi dan memaksimalkan efisiensi memperbarui mereka untuk mencerminkan hasil transaksi saat ini, gudang data sengaja redundan untuk memaksimalkan efisiensi permintaan. Menggunakan data warehouse untuk pengambilan keputusan strategis sering disebut sebagai intelijen bisnis. Ada dua teknik utama yang digunakan dalam intelijen bisnis: pemrosesan analitik online (OLAP) dan penambangan data. Pemrosesan analitis online (OLAP) menggunakan kueri untuk memandu penyelidikan hubungan yang dihipotesiskan dalam data. Misalnya, seorang manajer dapat menganalisis

pembelian pemasok selama tiga tahun terakhir. Ini dapat diikuti oleh kueri tambahan yang "menelusuri" ke tingkat yang lebih rendah dengan, misalnya, mengelompokkan pembelian menurut item berbeda dan berdasarkan periode fiskal. Penambangan data menggunakan analisis statistik yang canggih, termasuk teknik kecerdasan buatan seperti jaringan saraf, untuk "menemukan" hubungan yang tidak dihilangkan dalam data. Misalnya, perusahaan kartu kredit menggunakan penambangan data untuk mengidentifikasi pola penggunaan indikasi penipuan. Demikian pula, teknik penambangan data dapat mengidentifikasi hubungan yang sebelumnya tidak dikenal dalam data penjualan yang dapat digunakan dalam promosi di masa mendatang. Kontrol yang tepat diperlukan untuk menuai manfaat signifikan, rts dari perumahan perang data. Kontrol validasi data diperlukan untuk memastikan bahwa input data warehouse akurat. menerangkan akurasi, disebut menggosok data, seringkali merupakan salah satu langkah yang paling memakan waktu dan mahal dalam membuat data warehouse. Penting juga untuk mengontrol akses ke gudang data juga mengenkripsi data yang disimpan di gudang data. Akhirnya, penting untuk membuat salinan cadangan secara teratur gudang data dan menyimpannya dengan aman. Bank of America menciptakan basis data informasi pelanggan untuk menyediakan layanan pelanggan, analisis pemasaran, dan informasi manajerial. Itu adalah yang terbesar di industri perbankan dengan lebih 600 miliar karakter data. Itu berisi semua data bank pada rekening giro dan tabungan; nyata pinjaman perkebunan, konsumen, dan komersial; TUJUAN; dan kartu bank. Meskipun bank menghabiskan $ 14 juta per tahun untuk memelihara data warehouse, itu sepadan dengan biayanya. Pertanyaan yang sebelumnya rata-rata dua jam hanya membutuhkan waktu beberapa menit. Beberapa menit setelah Los Angeles menderita gempa bumi, gempa bumi bank mengurutkan portofolio pinjaman hipotek senilai $ 28 miliar dengan kode pos, mengidentifikasi pinjaman di daerah gempa, dan menghitung potensi kerugian pinjamannya. Keuntungan Sistem Basis Data Sebenarnya semua mainframe dan server menggunakan teknologi basis data, dan penggunaan basis data di komputer pribadi berkembang pesat. Sebagian besar akuntan terlibat dengan database melalui data entri data pemrosesan, permintaan, atau audit. Mereka juga mengembangkan, mengelola, atau mengevaluasi kontrol yang diperlukan untuk memastikan integritas basis data. Basis data memberi manfaat kepada organisasi sebagai berikut:

o Integrasi Dstq. File master digabungkan menjadi "kumpulan" data yang besar yang dapat diakses oleh banyak program aplikasi. Contohnya adalah database karyawan yang mengkonsolidasikan daftar gaji, personalia, dan file induk keterampilan kerja.

o Berbagi data. Data terintegrasi lebih mudah dibagikan dengan pengguna yang berwenang. Basis data mudah ditelusuri untuk meneliti masalah atau memperoleh informasi terperinci yang mendasarinya a melaporkan. FBI, yang melakukan pekerjaan yang baik untuk mengumpulkan data tetapi pekerjaan yang buruk untuk berbagi, adalah menghabiskan delapan tahun dan $ 400 juta untuk mengintegrasikan data dari sistem mereka yang berbeda. redundansi data Minimal dan inkonsistensi data. Karena item data biasanya disimpan hanya sekali, redundansi data dan inkonsistensi data diminimalkan.

o Kemandirian data. Karena data dan program yang menggunakannya independen satu sama lain, masing-masing dapat diubah tanpa mengubah yang lain. Ini memfasilitasi pemrograman dan menyederhanakan manajemen data.

o Analisis lintas fungsional. Dalam sistem basis data, hubungan, seperti asosiasi antara biaya penjualan dan kampanye promosi, dapat secara eksplisit ditentukan dan digunakan dalam persiapan laporan manajemen.

Pentingnya Data Yang Baik 

         Data basis data yang salah dapat menyebabkan keputusan yang buruk, rasa malu, dan pengguna yang marah. Sebagai contoh:

c Suatu perusahaan mengirim setengah katalog pesanan melalui pos ke alamat yang salah. Seorang manajer akhirnya menyelidiki volume besar pengembalian dan keluhan pelanggan. Memperbaiki pelanggan alamat dalam database menyelamatkan perusahaan $ 12 juta per tahun.

o Valparaiso, Indiana, menggunakan database county untuk mengembangkan tarif pajaknya. Setelah pemberitahuan pajak dikirimkan, kesalahan besar ditemukan: A $ 121.900 rumah bernilai $ 400 juta dan menyebabkan kekurangan pendapatan pajak properti $ 3,1 juta. Akibatnya, kota, sekolah kabupaten, dan lembaga pemerintah harus melakukan pemotongan anggaran yang besar.

         Data Warehousing Institute memperkirakan bahwa data yang buruk membutuhkan biaya bisnis lebih dari $ 600 miliar a tahun dalam ongkos kirim yang tidak perlu, biaya pemasaran, dan kehilangan kredibilitas pelanggan. Diperkirakan selesai 110 BAGIAN I

25% data bisnis tidak akurat atau tidak lengkap. Dalam survei terbaru, 53% dari 75% profesional teknologi informasi (TI) mengatakan perusahaan mereka mengalami masalah karena data berkualitas buruk.
Mengelola data semakin sulit setiap tahun: Jumlah data yang dihasilkan dan disimpan berlipat ganda setiap 18 bulan. Untuk menghindari data kami yang telah usang, tidak lengkap, atau salah, manajemen perlu kebijakan dan prosedur yang memastikan data bersih, atau digosok. Undang-undang Sarbanes-Oxley menyatakan bahwa eksekutif puncak menghadapi tuntutan dan waktu penjara jika data keuangan perusahaan tidak sesuai urutan. mencegah dan mendeteksi data yang buruk dibahas secara lebih rinci dalam Bab 5 hingga 11
Data yang Logis dan Fisik

Dalam sistem berorientasi file, pemrogram harus mengetahui lokasi fisik dan tata letak catatan. Gambar 4-3 menunjukkan tata letak catatan dari file piutang. Misalkan seorang programmer menginginkan laporan yang menunjukkan nomor pelanggan, batas kredit, dan saldo saat ini. Untuk menulis programnya, dia harus memahami lokasi dan panjang bidang yang diperlukan (mis., catat posisi I hingga l0 untuk nomor pelanggan) dan format masing-masing bidang (alfanumerik atau numerik). Proses menjadi lebih kompleks jika data dari beberapa file digunakan.
Sistem basis data mengatasi masalah ini dengan memisahkan penyimpanan data dari penggunaanelemen data. Pendekatan basis data menyediakan dua tampilan data yang terpisah: fisik tampilan dan tampilan logis. Pandangan logis adalah bagaimana orang secara konseptual mengatur dan memahami data. Sebagai contoh, seorang manajer penjualan memandang semua informasi pelanggan sebagai disimpan dalam sebuah tabel. Vlew fisik mengacu pada bagaimana dan di mana data secara fisik diatur dan disimpan dalam sistem komputer.
Seperti yang ditunjukkan pada Gambar 4-4, perangkat lunak manajemen basis data (DBMS) menghubungkan cara data disimpan secara fisik dengan tampilan logis masing-masing pengguna dari data. DBMS memungkinkan pengguna untuk mengakses, permintaan, atau memperbarui database tanpa referensi bagaimana atau di mana data disimpan secara fisik. Memisahkan pandangan logis dan fisik data juga berarti bahwa pengguna dapat mengubah logis mereka tampilan data tanpa mengubah cara data disimpan secara fisik.
Demikian juga, administrator database dapat mengubah penyimpanan fisik untuk meningkatkan kinerja sistem tanpa mempengaruhi pengguna atau program aplikasi

Skema

Skema menggambarkan struktur logis dari database. Ada tiga tingkatan skema: the konseptual, eksternal, dan internal. Gambar 4-5 menunjukkan hubungan di antara ketiganya level. Skema tingkat konseptual, tampilan keseluruhan organisasi dari seluruh databxe, mencantumkan semua elemen data dan hubungan di antara mereka. Skema eksternal-ieyel terdiri dari pandangan pengguna individu dari bagian-bagian dari database, yang masing-masing disebut sebagai subschema. skema tingkat internal, tampilan tingkat rendah dari database, menjelaskan bagaimana data disimpan dan diakses, termasuk tata letak rekaman, definisi, alamat, dan indeks. Gambar 4-5 menghubungkan masing-masing tingkat dengan panah dua arah untuk mewakili pemetaan skema. DBMS menggunakan pemetaan untuk menerjemahkan permintaan pengguna atau program untuk data (dinyatakan dalam istilah namis logis dan hubungan) ke dalam indeks dan alamat yang diperlukan untuk mengakses data secara fisik. Di S&S, skema konseptual untuk basis data siklus pendapatan berisi data tentang pelanggan, penjualan, penerimaan kas, tenaga penjualan, uang tunai, dan inventaris. Subschema eksternal adalah berasal dari skema ini, masing-masing disesuaikan dengan kebutuhan pengguna atau program yang berbeda. Setiap subschema dapat mencegah akses ke bagian-bagian dari basis data yang tidak sesuai dengannya. misalnya

subschema entri pesanan penjualan mencakup data tentang batas kredit pelanggan, saldo saat ini, dan jumlah dan harga persediaan. Itu tidak termasuk biaya inventaris atau rekening bank saldo. Kamus Data Kamus data berisi informasi tentang struktur basis data. Seperti yang ditunjukkan pada Thble 4- 1, untuk setiap elemen dEta yang disimpan dalam database, ada catatan dalam kamus yang menggambarkannya. Itu DBMS m [Termasuk kamus data, yang inputnya mencakup elemen data baru atau yang dihapus dan mengubah irlama elemen data, deskripsi, atau penggunaan. Keluaran meliputi laporan untuk programmer, perancang, pengguna lahan seperti (1) program atau laporan menggunakan item data, (2j sinonim untuk data elemen dalam file, dan (3) elemen data yang digunakan oleh pengguna. Laporan ini digunakan untuk dokumentasi sistem, untuk perancangan dan implementasi basis data, dan sebagai bagian dari jejak audit. Bahasa DBMS DBMS memiliki beberapa bahasa. Bahasa definisi data (DDL) membangun kamus data, membuat database, menjelaskan pandangan logis untuk setiap pengguna, dan menentukan catatan atau keamanan lapangan kendala. Bahasa manipulasi data (DML) mengubah konten basis data, termasuk data pembaruan elemen, penyisipan, dan penghapusan. Bahasa permintaan data (DOL) berisi kuat, perintah yang mudah digunakan yang memungkinkan pengguna untuk mengambil, mengurutkan, memesan, dan menampilkan data. Seorang penulis laporan menyederhanakan pembuatan laporan. Pengguna menentukan elemen data yang ingin mereka cetak, dan penulis mencari basis data, mengekstraksi elemen data, dan mencetaknya dalam format yang ditentukan pengguna. DQL dan penulis laporan tersedia untuk pengguna. DDL dan DML harus dibatasi kepada administrator dan pemrogram resmi.
Database Relasional DBMS dicirikan oleh model data logis, atau representasi abstrak dari konten basis data, yang menjadi basisnya. Karena kebanyakan DBMS baru adalah basis data relasional, bab ini berfokus terutama pada mereka. Model relationsl duta mewakili skema tingkat konseptual dan eksternal seolah-olah data disimpan dalam tabel seperti yang ditunjukkan pada Tabel 4-2. Data sebenarnya disimpan bukan di tabel, tetapi dengan cara yang dijelaskan dalam skema tingkat internal. Setiap baris dalam sebuah tabel, disebut tuple (berima dengan pasangan), berisi data tentang spesifik terjadinya jenis entitas yang diwakili oleh tabel itu. Setiap kolom berisi data tentang atribut entitas itu. Misalnya, setiap baris dalam Tabel 4-2 berisi data tentang item inventaris tertentu yang dibawa S&S, dan setiap kolom berisi data tentang atribut inventaris tertentu, seperti deskripsi, warna, dan harga. Demikian pula, setiap baris dalam tabel pelanggan berisi data tentang pelanggan tertentu, dan setiap kolom berisi data tentang atribut pelanggan, seperti nama dan alamat

Jenis-jenis Atribut
Kunci utama adalah atribut basis data, atau kombinasi atribut, yang secara unik mengidentifikasi a baris tertentu dalam sebuah tabel. Kunci utama pada Tabel 4-2 adalah Nomor Baru karena diidentifikasi secara unik setiap barang dagangan yang ditetapkan oleh S&S. Biasanya, kunci utama adalah atribut tunggal. Dalam beberapa tabel, dua atau lebih atribut diperlukan untuk mengidentifikasi secara unik baris tertentu dalam tabel. Kunci utama dari tabel Inventaris-Penjualan pada Tabel 4-5 adalah kombinasi Faktur Penjualan # dan
Item #. Kunci asing, yang merupakan atribut yang merupakan kunci utama di tabel lain, digunakan untuk menaut kanmeja. Pelanggan # dalam Tabel 4-5 adalah kunci utama dalam tabel Pelanggan dan kunci asing di Meja penjualan. Di tabel Penjualan, Pelanggan # menautkan penjualan ke data tentang pelanggan yang membuat pembelian, sebagaimana tercantum dalam tabel pelanggan (lihat panah yang menghubungkan tabel). Atribut bukan kunci lainnya dalam tabel menyimpan informasi penting tentang entitas itu. Tabel inventaris pada Tabel 4-2 berisi informasi tentang deskripsi, warna, nomor vendor, jumlah di tangan, dan harga setiap barang yang dibawa S&S.

Merancang Basis Data Relasional fsr 5 & 5, lne.

Dalam sistem akuntansi manual, S&S akan menangkap informasi penjualan pada penjualan pracetak faktur yang menyediakan pandangan logis dan fisik dari data yang dikumpulkan. Penyimpanan fisik data faktur penjualan sederhana; S&S menyimpan salinan faktur di lemari ars

Menyimpan data yang sama di komputer lebih kompleks. Misalkan S&S ingin menyimpan f, rve faktur penjualan (bernomor 101 hingga 105) secara elektronik. Pada beberapa faktur, pelanggan membeli lebih banyak dari satu item. Mari kita lihat efek dari beberapa cara menyimpan informasi ini.

1: Simpan Semua Data dalam Satu Tabel Seragam. S&S dapat menyimpan data penjualan dalam satu tabel, seperti yang diilustrasikan dalam

Tabel 4-3. Pendekatan ini memiliki dua kelemahan. Pertama, ia menyimpan banyak data yang berlebihan. Memeriksa faktur 102 pada Tabel 4-3. Karena tiga item inventaris dijual, faktur, dan data pelanggan (kolom l-9) direkam tiga kali. Demikian juga, deskripsi persediaan dan harga satuan diulang setiap kali item terjual. Karena volume penjualan tinggi di toko ritel (ingat, 

Tabel 4-3 hanya mewakili lima faktur), redundansi seperti itu membuat pemeliharaan file tidak perlu memakan waktu dan rawan efor. Kedua, masalah terjadi ketika data faktur disimpan dalam satu tabel. Yang pertama disebut perbarui anomali, karena pembaruan nilai data tidak direkam secara konektif. Mengubah pelanggan alamat melibatkan pencarian seluruh tabel dan mengubah setiap kejadian pelanggan itu alamat. Mengabaikan satu baris saja akan menciptakan ketidakkonsistenan, karena beberapa alamat akan melakukannya ada untuk pelanggan yang sama. Ini dapat mengakibatkan duplikat surat yang tidak perlu dan kesalahan lainnya.

Masukkan anomali ocatrs dalam contoh kami karena tidak ada cara untuk menyimpan informasi tentang calon pelanggan sampai mereka melakukan pembelian. Jika data pelanggan prospektif dimasukkan sebelumnya pembelian dilakukan, kolom Faktur Penjualan # akan kosong. Namun, nomor faktur penjualan adalah kunci utama untuk Tabel 4-3 dan tidak boleh kosong, karena secara unik mengidentifikasi catatan.

Anomali penghapusan terjadi ketika menghapus baris memiliki konsekuensi yang tidak diinginkan. Jika seorang pelanggan memiliki satu pembelian satu item, menghapus baris itu menghapus semua data tentang pelanggan itu.

2: Variasikan Jumlah Kolom. Alternatif untuk Tabel 4-3 adalah untuk mencatat faktur penjualan dan data pelanggan sekali dan tambahkan kolom tambahan untuk merekam setiap item yang terjual. Tabel 4-4 menggambarkan hal ini pendekatan. Meskipun ini mengurangi redundansi data dan menghilangkan beberapa anomali yang terkait dengan

Tabel 4-3, memiliki kekurangan. S&S harus memutuskan terlebih dahulu berapa jumlah item

sisakan ruang untuk di setiap baris (yaitu, berapa banyak kolom untuk dimasukkan dalam tabel; perhatikan pada Tabel 4-4 itu untuk menyimpan setiap item tambahan membutuhkan lima kolom tambahan - Item, Kuantitas, Deskripsi, Unit

Harga, dan Jumlah yang Diperpanjang). Jika ruangan dibiarkan untuk empat item (20 kolom), bagaimana data tentang penjualan yang melibatkan delapan item (40 kolom) disimpan? Namun, jika ruangan tersisa untuk delapan item, di sana akan menjadi banyak ruang terbuang, seperti halnya faktur penjualan 103 dan 104.

3. Solusi, Satu Set Tabel. Masalah penyimpanan di Thbles 4-3 arrd 4-4 diselesaikan menggunakan a
relational databsse. Kumpulan tabel di Thble 4-5 mewakili database relasional yang terstruktur dengan baik.

Persyaratan Dasar dari Database Relasional
Kami sekarang beralih ke pedoman yang digunakan untuk mengembangkan database relasional terstruktur dengan baik.

l. Setiap kolom dalam satu baris harus bernilai tunggal. Dalam database relasional, hanya ada satu nilai per sel. Di S&S, setiap penjualan dapat melibatkan lebih dari satu item. Pada faktur 102, pelanggan membeli televisi, freezer, dan kulkas. Jika Item # adalah atribut dalam

Penjualantabel, itu harus mengambil tiga nilai (nomor item 10, 20, dan 30). Untuk mengatasi masalah ini,tabel Inventaris Penjualan dibuat yang mencantumkan setiap item yang dijual pada faktur. Baris ketiga di

Tabel Inventaris Penjualan pada Tabel 4-5 menunjukkan faktur 102 dan nomor item 10 (televisi).

Yang keempat baris menunjukkan faktur 102 dan item 20 (freezer). Baris kelima menunjukkan faktur 102 dan item 30
(kulkas).

Tabel ini mengulangi nomor faktur sesering yang diperlukan untuk menunjukkan semua barang yang dibeli pada faktur penjualan.

2. Kunci primer tidak boleh nol. Kunci primer tidak dapat secara unik mengidentifikasi baris dalam tabel jika itu
adalah nol (kosong). Kunci primer non-nol memastikan bahwa setiap baris dalam tabel mewakili sesuatu
dan bahwa itu dapat diidentifikasi. Ini disebut sebagai aturan integritas entitas. Dalam Penjualan-Persediaan
tabel di Tabel 4-5, tidak ada bidang tunggal yang secara unik mengidentifikasi setiap baris. Namun, dua kolom pertama,
diambil bersama-sama, lakukan identifikasi unik setiap baris dan merupakan kunci utama.

3. Kunci asing, jika bukan nol, harus memiliki nilai yang sesuai dengan nilai kunci utama
meja lain. Kunci asing menautkan baris dalam satu tabel ke baris di tabel lain. Dalam Tabel 4-5, Pelanggan # dapat menghubungkan setiap transaksi penjualan dengan pelanggan yang hanya berpartisipasi dalam acara itu
jika nilai tabel Penjualan # Pelanggan sesuai dengan nomor pelanggan aktual di Pelanggan meja. Batasan ini, yang disebut aturan integritas referensial, memastikan konsistensi database. Asing kunci dapat berisi nilai nol. Misalnya, ketika pelanggan membayar tunai, Pelanggan # dalam penjualan
meja bisa kosong.

4. Semua atribut bukan kunci dalam sebuah tabel harus mendeskripsikan karakteristik dari objek yang diidentifikasi oleh
kunci utama. Sebagian besar tabel berisi atribut lain selain primer dan asing
kunci. Dalam tabel Pelanggan pada Tabel 4-5, Pelanggan # adalah kunci utama, dan nama pelanggan, jalan, kota, dan negara adalah fakta penting yang menggambarkan pelanggan.

Keempat kendala ini menghasilkan database yang terstruktur dengan baik (dinormalisasi) di mana data berada konsisten dan redundansi diminimalkan dan dikendalikan. Pada Tabel 4-5, memiliki tabel untuk masing-masing
entitas kepentingan menghindari masalah anomali yang dibahas sebelumnya dan meminimalkan redundansi. Redundansi tidak dihilangkan, karena item tertentu, seperti Faktur Penjualan #, muncul di lebih dari satu
meja ketika mereka kunci asing. Aturan integritas referensial memastikan bahwa tidak ada pembaruan masalah anomali dengan kunci asing.
Ketika data tentang objek yang menarik disimpan dalam tabel database yang terpisah, mudah untuk ditambahkan data baru dengan menambahkan baris lain ke tabel. Misalnya, menambahkan pelanggan baru sesederhana itu
menambahkan baris baru ke tabel Pelanggan. Dengan demikian, tabel yang digambarkan pada Tabel 4-5 bebas dari
masukkan anomali. Database relasional juga menyederhanakan penghapusan data. Menghapus faktur penjualan 105, satu-satunya penjualan ke
pelanggan 153, tidak menghapus semua data tentang pelanggan itu, karena disimpan di Pelanggan meja. Ini menghindari anomali dihapus